Диагностическая точность шкалы аппендицита, разработанной с применением машинного обучения, у детей: многоцентровое исследование валидации

Введение: Точная диагностика острого аппендицита у детей остаётся сложной задачей из-за вариабельности клинических проявлений и ограничений существующих клинических шкал. Хотя машинное обучение открывает перспективы для повышения точности диагностики, большинство предыдущих исследований имели небольшую выборку, были одноцентровыми или не включали внешнюю валидацию.

Методы: В это проспективное многоцентровое исследование включили 8586 детей. Для разработки диагностической модели машинного обучения использовали доступные в повседневной практике клинические и гематологические показатели. Для оценки эффективности модели сформировали отдельную проспективно набранную внешнюю когорту валидации из 3000 пациентов. По результатам сравнения моделей был выбран алгоритм случайного леса. Оценивали и сравнивали диагностическую точность, чувствительность, специфичность, площадь под кривой (AUC) и показатели калибровки модели с соответствующими характеристиками традиционных шкал: Pediatric Appendicitis Score (PAS), шкалы Alvarado и Appendicitis Inflammatory Response Score (AIRS).

Результаты: Модель машинного обучения превосходила традиционные клинические шкалы как в когорте разработки, так и в когорте валидации. Во внешней выборке валидации модель случайного леса продемонстрировала AUC 0,996, точность 0,992, чувствительность 0,998 и специфичность 0,993. Анализ значимости признаков показал, что наиболее важными предикторами были число лейкоцитов, число эритроцитов и средний объём тромбоцитов.

Выводы: Это крупное исследование с проспективной валидацией демонстрирует, что шкала на основе машинного обучения, использующая общедоступные данные, может значительно повысить точность диагностики аппендицита у детей. Модель отличается высокой точностью и клинической интерпретируемостью и потенциально может уменьшить задержки диагностики и число необоснованных лучевых исследований.