Štúdia vyvinula a overila model strojového učenia na predpovedanie vysokorizikovej vzdialenej metastatickej recidívy u pacientov s diferencovaným karcinómom štítnej žľazy (DTC). Analyzovali 1245 pacientov, z čoho u 126 (10,1 %) sa počas mediánu sledovania 72 mesiacov vyvinula recidíva. Pomocou LASSO regresia identifikovali osem prediktorov: vek, veľkosť tumoru, extratyreoidálna extenzia, metastáza do lymfatických uzlín, mutácia BRAF V600E, pooperačná stimulovaná hladina tyreoglobulínu (sTg), dávka rádioaktívneho jódu a štádium TNM. Z šiestich algoritmov (vrátane Random Forest, XGBoost a Logistic Regression) mal najlepší výkon model XGBoost s AUC 0,88 (95 % CI, 0,83–0,93) vo validačnom súbore. Pacienti boli rozdelení do skupín s nízkym rizikom (recidíva 1,7 %), stredným rizikom (14,4 %) a vysokým rizikom (64,1 %), s významne odlišným prežívaním bez metastáz (p < 0,001). Model preukázal dobrú kalibráciu a vyššiu klinickú užitočnosť ako systém TNM. Model môže pomôcť identifikovať pacientov na agresívnejšiu liečbu a intenzívnejšie sledovanie.