Прогнозирование послеоперационного стрессового недержания мочи после хирургического лечения пролапса с помощью методов машинного обучения и регрессионного анализа: разработка и валидация модели

Введение: Пролапс тазовых органов (ПТО) и стрессовое недержание мочи (СНМ) часто возникают одновременно. У некоторых пациенток недержание мочи исчезает после хирургического лечения ПТО, тогда как у других сохраняется. У пациенток без СНМ до операции может развиться СНМ de novo. Неясно, следует ли одновременно с операцией по поводу ПТО выполнять хирургическое вмешательство для профилактики недержания мочи. Для принятия клинических решений необходима прогностическая модель.

Цель: Проанализировать факторы риска и разработать прогностические модели послеоперационного СНМ на основе методов машинного обучения, создав новые инструменты для оценки и прогнозирования этого осложнения.

Методы: Расчёт объёма выборки выполнен по 4-этапному методу Riley. Данные пациенток, перенёсших операцию по поводу пролапса в больнице Шаньси Бетунь, собирали проспективно с августа 2022 года по февраль 2025 года и ретроспективно — с января 2021 года по август 2022 года. Анализировали общие клинические данные, результаты соответствующих лабораторных исследований, уродинамического обследования и ультразвукового исследования тазового дна. Для отбора предикторов СНМ после операции по поводу пролапса использовали лассо-регрессию, однофакторный анализ и логистическую регрессию. Данные случайным образом разделили в соотношении 7:3 на обучающую и валидационную выборки. На обучающей выборке разработали прогностические модели на основе лассо-регрессии, случайного леса, метода опорных векторов (SVM), экстремального градиентного бустинга (XGBoost), дерева классификации и регрессии (CART) и логистической регрессии; на валидационной выборке провели внутреннюю валидацию. Для окончательного внедрения разработали приложение на базе Shiny.

Результаты: В исследование включили 286 пациенток, у 91 из них развилось послеоперационное СНМ. В результате однофакторного анализа, логистической регрессии и лассо-регрессии выявлены 6 факторов риска: СНМ до операции, ургентное недержание мочи, уродинамически выявляемое скрытое СНМ, операция по поводу недержания мочи, размер половой щели и передняя кольпорафия. На основе логистической регрессии, случайного леса, XGBoost, SVM и CART построили 5 прогностических моделей. По совокупной оценке дискриминации, калибровки и клинической полезности модель SVM продемонстрировала наилучшие общие характеристики: площадь под кривой составила 0,821 в обучающей выборке и 0,846 в валидационной.

Выводы: Разработаны 5 прогностических моделей послеоперационного СНМ после хирургического лечения пролапса; при внутренней валидации они продемонстрировали хорошие характеристики. Наиболее перспективной оказалась модель SVM. Однако для оценки её обобщаемости необходимы дополнительные данные внешней валидации. Эта модель потенциально может стать качественным инструментом клинического прогнозирования послеоперационного СНМ у пациенток с пролапсом и помочь принять решение о необходимости сочетанного хирургического лечения пролапса и недержания мочи.