Введение:

Для прогнозирования исходов колэктомии использовался ряд статистических методов. Однако многофакторная природа осложнений предполагает, что алгоритмы машинного обучения могут быть более точными в прогнозировании послеоперационных исходов, выявляя нелинейные взаимосвязи, которые трудно измерить с помощью традиционных статистических методов.

Цель:

Оценить применимость алгоритмов машинного обучения для прогнозирования осложнений у пациентов, перенесших колэктомию по поводу новообразований колоректальной локализации.

Дизайн:

Ретроспективный анализ с использованием искусственной нейронной сети для прогнозирования послеоперационных исходов.

Место проведения:

База данных National Inpatient Sample (2003–2017).

Пациенты:  

Взрослые пациенты, которым была выполнена плановая колэктомия с формированием  анастомоза по поводу новообразований колоректальной локализации.

Основные показатели:

Эффективность моделей оценивалась с использованием чувствительности, специфичности, точности и площади под кривой операционной характеристики (AUC ROC) для прогнозирования несостоятельности анастомоза, длительности пребывания в стационаре и смертности.

Результаты:

В исследование включены 14 935 пациентов (4731 лапароскопическая колэктомия, 10 204 открытая). Средний возраст пациентов составил 67 ± 12,2 года, 53% пациентов были женщины. Все три модели машинного обучения успешно предсказали развитие оцениваемых осложнений. Хотя различия в эффективности моделей были незначительными, нейронная сеть показала наилучшие результаты: прогнозирование несостоятельности анастомоза – AUC ROC 0,88/0,93 (открытая/лапароскопическая, 95% CI 0,73–0,92/0,80–0,96), прогнозирование длительности пребывания в стационаре – AUC ROC 0,84/0,88 (открытая/лапароскопическая, 95% CI 0,82–0,85/0,85–0,91), прогнозирование смертности – AUC ROC 0,90/0,92 (открытая/лапароскопическая, 95% CI 0,85–0,96/0,86–0,98).

Ограничения:

Пациенты из базы данных National Inpatient Sample могут не являться точной выборкой популяции всех пациентов, подвергшихся колэктомии по поводу новообразований колоректальной локализации, а также исследование не учитывает специфические институциональные и индивидуальные факторы пациентов.

Заключение:

Методы машинного обучения продемонстрировали высокую точность в прогнозировании послеоперационных осложнений у пациентов с новообразованиями колоректальной локализации, перенесших колэктомию. Хотя для окончательной валидации требуется использование внешних данных и оптимизация качества информации, данные модели показывают перспективность в стратификации рисков и улучшении послеоперационных исходов.

Источник: Nwaiwu CA, Rivera Perla KM, Abel LB, et al. Predicting Colonic Neoplasia Surgical Complications: A Machine Learning Approach. Dis Colon Rectum. 2024;67(5):700-713. doi:10.1097/DCR.0000000000003166