[논문 리뷰] Using Non-Linear Programming Solvers to Generate Hypothalamus-Pituitary Curves for Patients With Hypothyroidism

Robert Petersen, Vittal Srinivasan외 2명|arXiv (Cornell University)|2026. 01. 12.

Advanced Optimization Algorithms Research인용 수 0

한 줄 요약

논문은 TSH와 FT4 데이터를 사용하여 비선형 프로그래밍 방법으로 Hypothalamus-Pituitary (HP) 곡선을 동적으로 생성하고, TSH만 접근법을 넘어서 갑상선 기능 저하증 환자의 설정값(set-point) 결정의 정확성을 향상시킵니다. NLPS 기반 HP 곡선 생성은 기존 방법과 비교되며 노이즈 및 이상치에 대한 강건성을 시연합니다.

ABSTRACT

Common practice in treating primary hypothyroidism is to use only Thyrothropin (TSH) to adjust the dose of thyroid replacement. In this paper, it is argued that using both TSH and free Thyroxine (FT4) values in the replacement may be beneficial in the treatment of hypothyroidism. The tool to determine the optimal value of TSH and FT4 is the Hypothalamus-Pituitary (HP) curve. These curves are models of thyroid hormone concentrations that can be used to determine patient-specific treatment strategies for individuals with hypothyroidism. By generating an HP curve for an individual with hypothyroidism, a set point is determined that represents the optimal levels of thyroid hormones in the blood. A graphical method for set point determination is proposed. A physician can then prescribe a thyroid replacement strategy to achieve this set point. In this paper, two methods for generating HP curves are proposed using non-linear programming solvers and compared with the existing methods. The proposed methods are tested using datasets from the literature, as well as measurements of patients being treated for hypothyroidism.

연구 동기 및 목표

• FT4를 TSH와 함께 포함시키면 갑상선 기능 저하증 치료를 개선할 수 있음을 주장한다.
• 비선형 프로그래밍을 사용하여 환자 데이터로부터 HP 곡선을 동적으로 생성하는 방법을 개발한다.
• 곡선 정확도 향상을 위해 n1을 포함한 유연한 방식으로 HPT 축 모델 매개변수를 추정한다.
• 그래픽적 설정값 결정 방법을 제안하고 NLPS 기반 방법을 기존 접근법과 비교한다.
• 문헌 데이터와 신규 환자 데이터를 대상으로 제안된 방법을 검증한다.

제안 방법

• TSH와 FT4를 연결하는 미분방정식 집합으로 HPT 축을 모델링한다.
• 주요 매개변수 ka, k2, k5를 추정하고 선택적으로 n1을 비선형 최적화를 사용하여 추정한다.
• MATLAB fmincon에서 RMSE, SAE, Huber 손실의 세 가지 목적함수를 사용하여 곡선을 맞춘다.
• HP 곡선의 곡률을 기반으로 한 그래픽적 설정값 결정 방법을 도입한다.
• Goede et al. (2014) 방법과 개선된 NLSM과 NLPS 기반 곡선 생성 방법을 비교한다.
• 건강한 사람과 갑상선 기능 저하증 환자에 대한 HP 곡선을 생성하고 데이터셋과 대조하여 검증한다.

Figure 1: Different possible HP curves generated with ( 3 ) using the same data set.

실험 결과

연구 질문

• RQ1 NLPS 기반 방법이 임상적으로 관찰되는 TSH-FT4 관계와 일치하는 HP 곡선을 생성할 수 있는가?
• RQ2 n1의 지수를 추정하는 것이 n1=4를 고정하는 것에 비해 HP 곡선의 정확도를 향상시키는가?
• RQ3 적합도와 이상치에 대한 강건성 측면에서 NLPS 기반 방법이 Goede et al. 접근법과 어떻게 비교되는가?
• RQ4 HP 곡선과 그 설정값을 이용하여 환자별 갑상선 대체 용량을 안내할 수 있는가?

주요 결과

• Huber 손실을 사용하는 NLPS는 일관되게 다른 목적함수보다 더 나은 또는 유사한 적합도와 노이즈에 대한 강건성을 보였다.
• n1 추정은 설정값 정확도와 Goede et al. 벤치마크 곡선과의 HB-곡선 정렬을 대부분의 환자에서 개선한다.
• NLPS 기반 HP 곡선은 다른 방법이 실패하는 여러 환자에게도 참조 범위 내의 의미 있는 설정값을 제공한다.
• 전통적 최소제곱에 비해 NLPS 방법은 이용 가능한 모든 데이터를 고려하고 이상치에 대한 민감도를 감소시킨다.
• 환자 데이터에서 생성된 HP 곡선은 TSH와 FT4 사이의 기대되는 음의 상관관계와 명확히 식별 가능한 설정값을 닮아 있다.
• 그래픽적 설정값 결정은 HP 곡선에서 최대 곡률 지점을 대상 용량 조절을 위한 정상갑상선(set-point)으로 식별한다.

Figure 2: Illustration of the graphical method of determining setpoint. In fig. 2 (a), we select a random set of equally spaced points (red dots) on the HP curve. In fig. 2 (b), we choose two neighbors to each point and draw tangents of the neighbor points on the curve. In 2 (c), the normals are con