Прогнозирование развития стрессового недержания мочи после хирургического лечения пролапса: модель на основе машинного обучения

Введение: Предыдущие модели прогнозирования послеоперационного стрессового недержания мочи (СНМ) неприменимы к пациенткам, которым выполняют операции с трансвагинальной сеткой (TVM) и кольпоклейзис, а также к пациенткам с субъективным недержанием мочи до операции. Целью исследования была разработка и валидация новой модели машинного обучения и её сравнение с ранее созданными моделями.

Методы: В исследование включили женщин, которым в период с 1 января 2015 года по 31 декабря 2019 года в больнице Пекинского объединённого медицинского колледжа выполняли хирургическое лечение пролапса передней стенки влагалища или апикального пролапса II–IV стадии. Использовали следующие методы: пластика собственными тканями, кольпоклейзис по Лефору/кольпоклейзис, сакрокольпопексия и операции с трансвагинальной сеткой (TVM). Ранее разработанные модели прогнозирования послеоперационного СНМ прошли внешнюю валидацию. Затем набор данных случайным образом разделили на две выборки в соотношении 4:1. В большей выборке построили и провели внутреннюю валидацию моделей логистической регрессии, случайного леса и экстремального градиентного бустинга (XGBoost), после чего выполнили их внешнюю валидацию. Дискриминацию прогностических моделей оценивали по площади под ROC-кривой, а калибровку — с помощью z-критерия Шпигельхальтера, средней абсолютной ошибки (MSE) и калибровочных кривых.

Результаты: Всего в исследование включили 555 пациенток; у 116 из них через 1 год после операции развилось СНМ. Ранее разработанные логистические модели показали низкую эффективность: площадь под ROC-кривой составила 0,544 и 0,586. При построении моделей площадь под ROC-кривой составила 0,595 для логистической регрессии, 0,842 для случайного леса и 0,714 для XGBoost. Однако только модель XGBoost продемонстрировала хорошую дискриминацию и калибровку при внутренней и внешней валидации. Пятью наиболее значимыми предикторами послеоперационного СНМ в модели XGBoost были индекс массы тела (ИМТ), стадия по точке C классификации пролапса тазовых органов (POP-Q), возраст, стадия по точке Aa классификации POP-Q и операция с использованием трансвагинальной сетки (TVM).

Выводы: Предыдущие модели обладали низкими показателями дискриминации и калибровки в китайской популяции. Поэтому была разработана и валидирована модель XGBoost, которая хорошо работала независимо от наличия субъективного недержания мочи до операции (preUI) и метода хирургического лечения. Необходима дальнейшая валидация модели.