Целью исследования является сравнение машинного обучения (ML) с производительностью нейронной сети в прогнозировании R0 резекции, продолжительности пребывания в стационаре > 14 дней (LOS), частоты серьезных осложнений через 30 дней после операции и выживаемости более одного года (SURV) для пациентов, перенесших тазовую эвисцерацию при местно-распространенном и рецидивирующем раке прямой кишки.

Был создан компьютер для глубокого обучения и программное обеспечение. Использовалась база данных PelvEx Collaborative, содержащая анонимные данные о пациентах, перенесших эвисцерацию таза по поводу местно-распространенного или местно-рецидивирующего колоректального рака в период с 2004 по 2014 гг. Проводились тренинги по логистической регрессии (ЛР), механике опорных векторов (МОВ) и искусственной нейронной сети (ИНС). 20% данных взяты в расчет в качестве тестового набора для определения точности прогнозирования для R0, LOS, частоты серьезных осложнений и SURV. Производительность модели измеряли путем построения receiver operator characteristic (ROC) - кривых и расчета площади под ROC-кривой (AUROC).

Модели ЛР и ИНС прошли обучение на основании 1147 случаев. AUROC для всех прогнозов исхода варьировался от 0,608 до 0,793, что указывает на небольшую или умеренную прогностическую способность. Модели показали наилучшие результаты при прогнозировании продолжительности пребывания в стационаре более 14 дней с AUROC 0,793 с использованием предоперационных и оперативных данных. Визуализированные модели ЛР указывают на различное влияние переменных на рассматриваемый результат.

Моделирование прогнозов крупных международных баз данных имеет большой потенциал. Текущие данные пока позволяют увидеть умеренную прогностическую способность как сложных ИНС, так и более классических методов.

Источник: PelvEx Collaborative. Predicting Outcomes of Pelvic Exenteration Using Machine Learning. Colorectal Dis.  2020; doi:10.1111/codi.15235.