Toksik Adenom Nedeniyle Radyoaktif İyot Tedavisi Alanlarda Hipotiroidi Gelişiminin Tahmininde Makine Öğrenimi Modellerinin Kullanımı
Ege Klinikleri Tıp Dergisi, cilt.64, sa.1, ss.76-83, 2026 (TRDizin)
- Yayın Türü: Makale / Tam Makale
- Cilt numarası: 64 Sayı: 1
- Basım Tarihi: 2026
- Dergi Adı: Ege Klinikleri Tıp Dergisi
- Derginin Tarandığı İndeksler: TR DİZİN (ULAKBİM)
- Sayfa Sayıları: ss.76-83
- Çanakkale Onsekiz Mart Üniversitesi Adresli: Evet
Özet
Amaç: Hipotiroidi, toksik adenom (TA) hastalarında radyoaktif iyot (RAİ) tedavisi sonrasında sık görülen bir olumsuz sonuçtur. Bu çalışmanın amacı, RAİ sonrası hipotiroidi gelişiminin öngördürücülerini belirlemek ve makine öğrenmesi modellerini geleneksel istatistiksel yöntemlerle karşılaştırmaktır. Gereç ve Yöntemler: Bu retrospektif kohort çalışmada, 2014–2023 yılları arasında toksik adenom nedeniyle RAİ tedavisi uygulanmış 166 hasta analiz edildi. Hipotiroidi öngördürücülerini belirlemek amacıyla geleneksel istatistiksel yöntemler ve çok sayıda makine öğrenmesi modeli kullanıldı. Bulgular: Ortanca yaş 68 yıl olup, hastaların %61,4’ü kadındı ve ortanca takip süresi 21 aydı. Toksik adenom nedeniyle RAİ tedavisi uygulanan hastaların yaklaşık üçte birinde, çoğunlukla ilk yıl içinde olmak üzere hipotiroidi gelişti. Hipotiroidi gelişen hastalarda tiroid hacmi (17,6 mL), ötiroid (25,3 mL) ve persistan hipertiroidi gelişen hastalara (31,5 mL) kıyasla anlamlı derecede daha düşüktü (p < 0,002). Lojistik regresyon analizinde, daha düşük tiroid hacmi (OR = 1,876, p = 0,073) ve daha yüksek TSH düzeyleri (OR = 0,941, p = 0,002) hipotiroidi gelişme riskinde artış ile ilişkili bulundu. Makine öğrenmesi modelleri arasında Naive Bayes en iyi genel performansı gösterirken, bunu Random Forest modeli izledi. Naive Bayes modelinde antitiroid ilaç kullanımı ve başlangıç TSH düzeyleri katkı sağlarken, Random Forest modelinde tiroid hacmi baskın belirleyici olarak öne çıktı. Sonuç: Tiroid hacmi ve başlangıç TSH düzeyleri, hem geleneksel istatistiksel yaklaşımlar hem de makine öğrenmesi yöntemleri kullanılarak yapılan analizlerde temel öngördürücüler olarak ortaya çıkmıştır. Makine öğrenmesi modelleri, RAİ sonrası hipotiroidi açısından daha yüksek risk taşıyan hastaların belirlenmesinde geleneksel istatistiksel yöntemleri tamamlayıcı nitelikte olabilir.
Abstract Aim: Hypothyroidism is a frequent adverse outcome following radioactive iodine (RAI) therapy in patients with toxic adenoma (TA). This study aimed to identify predictors of post-RAI hypothyroidism and to compare machine learning models with conventional statistical methods. Materials and Methods: In this retrospective cohort study, 166 patients who underwent RAI therapy for toxic adenoma between 2014 and 2023 were analyzed. Conventional statistical methods and multiple machine learning models were applied to identify predictors of hypothyroidism. Results: The median age was 68 years, 61.4% were female, and the median follow-up was 21 months. Hypothyroidism developed in approximately one-third of patients treated with RAI for toxic adenoma, mainly within the first year. Thyroid volume was significantly lower in patients who developed hypothyroidism (17.6 mL) compared with euthyroid (25.3 mL) and persistently hyperthyroid (31.5 mL) patients (p < 0.002). In logistic regression analysis, lower thyroid volume (OR = 1.876, p = 0.073) and higher baseline TSH levels (OR = 0.941, p = 0.002) were associated with an increased risk of hypothyroidism. Among machine learning models, Naive Bayes demonstrated the best overall performance, followed by Random Forest. Anti-thyroid drug use and baseline TSH contributed in the Naive Bayes model, while thyroid volume was dominant in the Random Forest model. Conclusion: Thyroid volume and baseline TSH consistently emerged as key predictors across both conventional and machine learning approaches. Machine learning models may complement conventional statistical methods in identifying patients at higher risk for post-RAI hypothyroidism