Прогнозирование тяжелой эректильной дисфункции после хирургического лечения перелома полового члена: результаты анализа с применением машинного обучения рабочей группы по реконструктивной урологии и травме Общества урологической хирургии (RAT-SUS)

Введение: Эректильная дисфункция (ЭД) — значимое осложнение после хирургического лечения перелома полового члена; ее раннее прогнозирование имеет большое значение для ведения пациентов.

Цель: Оценить эффективность алгоритмов машинного обучения для прогнозирования тяжелой ЭД после хирургического лечения перелома полового члена и выявить сложные факторы риска, которые невозможно оценить с помощью традиционных статистических методов.

Методы: Проведен ретроспективный анализ данных 547 пациентов, которым в период с января 2020 года по июнь 2024 года в 23 урологических центрах, входящих в рабочую группу по реконструктивной урологии и травме Общества урологической хирургии, выполнили хирургическое лечение перелома полового члена. Через 6 месяцев после операции пациентов разделили на две группы в зависимости от результатов по Международному индексу эректильной функции-5: группа тяжелой ЭД (+) (≤7 баллов) и группа ЭД (−) (>7 баллов). Для определения наиболее точных моделей оценили 11 различных классификаторов машинного обучения. Для устранения дисбаланса классов в наборе данных применили четыре метода повторной выборки. Также провели анализ значимости признаков, чтобы определить переменные, вносящие наибольший вклад в риск ЭД.

Исходы: Исследование было проведено для раннего выявления пациентов с высоким риском развития тяжелой ЭД после операции по поводу перелома полового члена.

Результаты: На исходном наборе данных наилучшие результаты показали логистическая регрессия, гауссовский наивный байесовский классификатор и линейная машина опорных векторов; площадь под кривой (AUC) составила соответственно 0,81, 0,78 и 0,76. В наборе данных после применения метода синтетической передискретизации меньшинства (SMOTE) квадратичный дискриминантный анализ (QDA) достиг AUC 0,85, а искусственная нейронная сеть (ANN) — 0,84. В наборе данных после применения SMOTE показатель ROC-AUC для QDA составил 0,85 (95% ДИ 0,75–0,93), тогда как в наборе данных после применения SMOTE-Tomek Link ROC-AUC для ANN составил 0,84 (95% ДИ 0,71–0,94). Наиболее значимыми предикторами тяжелой ЭД были возраст, сопутствующие заболевания, длина разрыва белочной оболочки и время до операции. Повреждения уретры не вносили значимого вклада, поскольку все они были небольшими и имели консервативное лечение без уретропластики.

Клиническое значение: Внедрение прогностических моделей на основе машинного обучения в клиническую практику может способствовать ранней стратификации риска и индивидуализации лечения, что в конечном итоге позволит улучшить послеоперационные функциональные исходы.

Сильные стороны и ограничения: К преимуществам исследования относятся большой многоцентровый набор данных и сравнительный анализ нескольких алгоритмов машинного обучения. Однако ретроспективный дизайн и различия между центрами в представлении данных могут ограничивать возможность обобщения результатов.

Выводы: Алгоритмы машинного обучения — эффективный и надежный инструмент прогнозирования тяжелой ЭД после хирургического лечения перелома полового члена; они могут улучшить индивидуализированное послеоперационное ведение пациентов. Устранение дисбаланса классов с помощью методов повторной выборки повышает эффективность моделей.