Алгоритм машинного обучения для прогнозирования риска дилатирующего пузырно-мочеточникового рефлюкса у младенцев с гидронефрозом на основе классификации UTD

Введение: Классификация расширения мочевых путей (UTD) разработана как более объективная система оценки антенатального и постнатального расширения мочевых путей. Поскольку связь классификации UTD с отдельными аномалиями, такими как пузырно-мочеточниковый рефлюкс (ПМР), остаётся неясной, рекомендации по ведению пациентов нередко носят субъективный характер.

Цель: Разработать модель для надёжного прогнозирования ПМР по результатам раннего постнатального УЗИ.

Методы: Проанализированы данные лучевых исследований одного медицинского учреждения, чтобы выявить младенцев в возрасте от 0 до 90 дней, которым рано после рождения выполняли УЗИ в связи с антенатальным расширением мочевых путей. Медицинскую документацию изучили для подтверждения диагноза ПМР. Первичным исходом считали дилатирующий ПМР (III степени и выше). Из исследования исключали пациентов с крупными врождёнными аномалиями мочевыделительной системы (двусторонней агенезией почек, подковообразной почкой, перекрёстной сращённой эктопией, экстрофией), а также пациентов, которым не выполняли микционную цистоуретрографию. Данные разделили на обучающую и тестовую выборки в соотношении 4:1. Гиперпараметры алгоритма машинного обучения настраивали на валидационной выборке.

Результаты: В исследование включили 280 пациентов (540 почечных единиц), 73% из них были мужского пола. Медиана возраста на момент УЗИ составляла 27 дней (межквартильный интервал 18–38). ПМР III степени и выше выявили в 66 почечных единицах. В итоговую модель вошли пол, расширение мочеточника, характер и толщина паренхимы, а также расширение центральных чашечек. На тестовой выборке модель прогнозировала ПМР с площадью под ROC-кривой 0,81 (0,73–0,88). Модель представлена на рисунке.

Обсуждение: Мы разработали модель машинного обучения для прогнозирования дилатирующего ПМР у пациентов с гидронефрозом по результатам раннего УЗИ. Ограничения исследования связаны с ретроспективным характером анализа и данными из одного медицинского учреждения. Это одно из первых исследований, демонстрирующих высокую точность прогнозирования диагноза в когорте пациентов с гидронефрозом, выявленным в раннем возрасте.

Выводы: Модель машинного обучения для прогнозирования дилатирующего ПМР демонстрирует перспективные результаты и может помочь индивидуализировать ведение детей с антенатальным гидронефрозом, выявляя пациентов, которым микционная цистоуретрография принесёт наибольшую пользу. Это позволит проводить исследование более избирательно, повысить его диагностическую результативность и избежать избыточного назначения.