Машинное обучение при недержании мочи у женщин: обзор литературы с картированием данных

Введение и гипотеза: Целью было провести обзор литературы с картированием данных об использовании машинного обучения при недержании мочи у женщин за последнее десятилетие.

Методы: Был проведён систематический поиск в базах данных Medline, Google Scholar, PubMed и Web of Science по следующим ключевым словам: [недержание мочи] и [(машинное обучение) или (прогнозирование) или (прогностическая модель)]. В обзор включали исследования, в которых применялись модели машинного обучения для изучения различных аспектов ведения женщин с недержанием мочи. Анализируемые данные включали область применения, тип машинного обучения, входные переменные и результаты валидации моделей.

Результаты: Всего было выявлено 798 публикаций, из которых 23 соответствовали критериям включения. В подавляющем большинстве исследований для построения моделей применяли логистическую регрессию (91,3%; 21 из 23). Чаще всего машинное обучение использовали для прогнозирования недержания мочи после родов (39,1%; 9 из 23), затем — впервые возникшего недержания после операций на тазовом дне (34,8%; 8 из 23). Кроме того, в трёх публикациях модели машинного обучения применяли для прогнозирования результатов лечения и ещё в трёх — для помощи в диагностике. В качестве переменных для построения моделей использовали демографические характеристики, клинические данные, результаты ультразвукового исследования тазового дна и уродинамические параметры. Площадь под ROC-кривой для этих моделей составляла от 0,56 до 0,95. Только в 11 исследованиях были представлены показатели чувствительности и специфичности: чувствительность варьировала от 20 до 96,2%, специфичность — от 59,8 до 94,5%.

Выводы: Модели машинного обучения продемонстрировали хорошие прогностические и диагностические возможности в ряде аспектов недержания мочи у женщин, что свидетельствует о перспективности их применения в ближайшем будущем. Однако отсутствие стандартизации и прозрачности при валидации и оценке моделей, а также недостаточная внешняя валидация существенно ограничивают их применимость и воспроизводимость; поэтому в будущих исследованиях необходимо уделить особое внимание устранению этих недостатков.