Avicenna Journal of Clinical Medicine

fa طراحی و اعتبارسنجی یک مدل خطر بالینی برای پیش‌بینی بدخیمی در بیماران مبتلا به ندول تیروئید Development and Validation of a Clinical Risk Model for Predicting Malignancy in Patients with Thyroid Nodules غدد و متابوليسم Endocrine & Metabolism پژوهشي Original سابقه و هدف: سرطان تیروئید شایع‌ترین بدخیمی سیستم اندوکرین است. از نظر بالینی بسیار مهم است که با توجه به خصوصیات بیماران و ویژگی‌های ندول تیروئید بیماران مستعد پیش‌آگهی بد شناسایی شوند. هدف از مطالعه حاضر طراحی و اعتبارسنجی یک مدل خطر بالینی برای پیش‌بینی بدخیمی در بیماران مبتلا به ندول تیروئید بوده است. مواد و روش‌‌ها: در این مطالعه مقطعی تحلیلی داده‌های 650 بیمار (میانگین سنی: 13/45 <m:omath><m:r><m:rpr><m:scr m:val="roman"><m:sty m:val="p"></m:sty></m:scr></m:rpr>±</m:r></m:omath>  42/36 سال، جنسیت زن: 86/15 درصد) مبتلا به ندول تیروئیدی که تحت تیروئدکتومی قرار گرفته بودند، بررسی شده‌اند. نمونه‌ها، بیماران مراجعه‌کننده به کلینیک تخصصی غدد در بازه زمانی 1393 تا 1401 بوده‌اند. یک مدل چندمتغیره با استفاده از داده‌های جمعیت‌شناختی، بالینی و همچنین داده‌های سیستم بتسدا از طریق تحلیل رگرسیون لجستیک به مثابه یک مدل خطی تعمیم‌یافته (generalized linear model; GLM) ساخته شده است. اعتبار درونی مدل با استفاده از نمونه‌گیری مجدد بوت‌استرپ ارزیابی شده است. توانایی تشخیصی، کالیبراسیون و سودمندی مدل به ترتیب با استفاده از سطح زیر منحنی راک (area under the ROC curve ; AUC)، نمره Brier و تحلیل منحنی تصمیم‌گیری (decision curve analysis; DCA) ارزیابی شده است. عملکرد تشخیصی مدل GLM با پنج الگوریتم یادگیری ماشین شامل آنالیز تشخیصی خطی (linear discriminant analysis; LDA) ، جنگل تصادفی (random forest; RF) ، شبکه عصبی (neural network; NN) ، ماشین بردار پشتیبان (support vector machine; SVM) و k- نزدیک‌ترین همسایگی (k-nearest neighbor; kNN) مقایسه شده است. یافته‌ها: از 650 بیمار جراحی‌شده 43 % خوش‌خیم و 57 % بدخیم بوده‌اند. سن، جنسیت، سابقه بیماری‌های تیروئید در بستگان درجه اول، نوع بیماری تیروئید، فوکال بودن ندول تیروئید، آدنوپاتی گردنی و سیستم بتسدا ویژگی‌های مهم برای ساخت مدل پیش‌بینی بر اساس GLM بوده‌اند. مقدار AUC و نمره Brier مدل به ترتیب 0/89 و 0/12بوده است. همچنین نتایج DCA نشان‌دهنده سودمندی بالینی مدل است. به طور کلی، از نظر عملکرد پیشگویی بین شش الگوریتم یادگیری ماشین تفاوتی وجود نداشته است؛ با این حال، پارامترهای پیشگویی الگوریتم‌های GLM و LDA از سایرین بالاتر بوده است. نتیجه‌گیری: طراحی و اعتبارسنجی مدل پیشگویی مبتنی بر الگوریتم‌های یادگیری ماشین با استفاده از داده‌های جمعیت‌شناختی، بالینی و داده‌های بتسدا ممکن است برای مدیریت درمان بیماران مبتلا به ندول تیروئید سودمند باشد.   Background and Objective: Thyroid cancer is the most common malignancy of the endocrine system. Clinically, it is highly important to identify patients at risk of poor prognosis based on patient characteristics and the features of thyroid nodules. The purpose of the current study was to develop and validate a clinical risk model to predict malignancy in patients with thyroid nodules.   Materials and Methods: In the analytical cross-sectional study, the data of 650 patients (mean age: 42.36±13.45 years, female: 86.15%) with thyroid nodules who underwent thyroidectomy were analyzed. The samples were patients referred to the specialized endocrinology clinic between 2014 and 2022. A multivariable model was built using demographic, clinical, and Bethesda System data through logistic regression as a generalized linear model (GLM). Interval validity of the model was checked using bootstrap resampling. The discrimination, calibration, and benefits of the model were evaluated using the area under the curve (AUC), Brier score, and decision curve analysis (DCA), respectively. The diagnostic performance of the GLM was compared with five machine learning (ML) algorithms, including linear discriminant analysis (LDA), random forest, neural network, support vector machine, and k-nearest neighbor.  Results: Out of 650 operated patients, 43% were benign and 57% malignant. The age, gender, history of thyroid diseases in first-degree relatives, type of thyroid disease, thyroid nodule focality, cervical adenopathy, and Bethesda system were significant features in constructing the prediction model based on GLM. The AUC and Brier score of the model were 0.89 and 0.12, respectively. The DCA also showed that the model performed well in clinical practice. Generally, there was no difference among the six ML algorithms in terms of prognostic performance; however, the prognostic parameters of GLM and LDA algorithms were higher than the others. Conclusion: Developing and validating ML-based prognostic models using demographic, clinical, and Bethesda data may be useful for the treatment management of patients diagnosed with thyroid nodules.   اعتبارسنجی, بدخیمی, ندول‌های تیروئید, یادگیری ماشین Machine Learning, Malignancy, Thyroid Nodule, Validation 219 227 http://sjh.umsha.ac.ir/browse.php?a_code=A-12-2565-11&slc_lang=fa&sid=1 Shiva Borzouei شیوا برزوئی 100319475328460023463 100319475328460023463 No Department of Internal Medicine, School of Medicine, Hamadan University of Medical Sciences, Hamadan, Iran گروه داخلی، دانشکده پزشکی، دانشگاه علوم پزشکی همدان، همدان، ایران Ali Safdari علی صفدری 100319475328460023464 100319475328460023464 No Department of Nursing, Malayer School of Medical Sciences, Chronic Diseases (Home Care) Research Center, Hamadan University of Medical Sciences, Hamadan, Iran گروه پرستاری، دانشکده علوم پزشکی ملایر، مرکز تحقیقات بیماری‌های مزمن (مراقبت در منزل)، دانشگاه علوم پزشکی همدان، همدان، ایران Erfan Ayubi عرفان ایوبی aubi65@gmail.com 100319475328460023465 100319475328460023465 Yes Cancer Research Center, Institute of Cancer, Avicenna Health Research Institute, Hamadan University of Medical Sciences, Hamadan, Iran مرکز تحقیقات سرطان، پژوهشکده سرطان، پژوهشگاه سلامت ابن سینا، دانشگاه علوم پزشکی همدان، همدان، ایران