Машинное обучение и прогнозирование хирургических исходов: систематический обзор

Введение: Машинное обучение (МО) привлекает все больше внимания как инструмент количественного анализа растущих и сложных медицинских данных для улучшения индивидуализированной помощи пациентам. Цель настоящей работы — критически оценить современное состояние применения МО для прогнозирования хирургических исходов, оценить качество имеющихся исследований и обозначить направления совершенствования использования МО в хирургии.

Методы: Систематический обзор проведен в соответствии с контрольным перечнем Preferred Reporting Items for a Systematic Review and Meta-Analysis (PRISMA). В базах PubMed, MEDLINE и Embase выполнен поиск по сочетанию терминов «machine learning» и «surgery» среди публикаций за 2015–2020 годы.

Результаты: Из 2677 первоначально найденных исследований критериям включения и исключения соответствовали 45 статей. Были представлены 14 различных хирургических субспециальностей, наиболее часто — нейрохирургия. Наиболее часто использовались алгоритмы random forest (n = 19), искусственная нейронная сеть (n = 17) и логистическая регрессия (n = 17). К частым исходам относились послеоперационная смертность, осложнения, самооценка качества жизни пациентами и уменьшение боли. Во всех исследованиях, где МО-алгоритмы сравнивали с традиционными методами и точность оценивали по площади под кривой (AUC), модели МО лучше прогнозировали исходы.

Выводы: Хотя МО пока находится на раннем этапе развития, эти модели дают хирургам возможность использовать огромные массивы доступных клинических данных и улучшать индивидуализированную помощь пациентам. Ограничениями были неоднородность исходов и неидеальное качество части работ. Поэтому необходимы согласованные подходы к представлению исходов и базовые стандарты качества для будущих исследований.