Разработка и валидация модели машинного обучения для прогнозирования кровотечения после тонзиллэктомии

Цель: разработать и валидировать модели машинного обучения для прогнозирования кровотечения после тонзиллэктомии.

Методы: выполнен анализ с использованием машинного обучения когорты пациентов, включённых в Норвежский регистр тонзиллэктомий в Норвегии с 03.01.2017 по 01.05.2025. При периоперационной оценке описывали тип выполненной операции, хирургическую технику и методы достижения гемостаза. Послеоперационные исходы оценивали по анкетам через 30 дней после операции. Для изучения данных использовали методы обучения без учителя. Модели с учителем разрабатывали для прогнозирования кровотечения после тонзиллэктомии, определяемого как любое послеоперационное кровотечение, потребовавшее госпитализации. В модель включали возраст, пол, тип операции, хирургическую технику и способ достижения гемостаза. Качество модели оценивали по площади под кривой характеристик оператора приёмникa (AUC). Лучшую модель оценивали на отложенной тестовой выборке. Для объяснения модели использовали график SHAP. Для оценки потенциальной клинической полезности модели провели анализ кривых принятия решений.

Результаты: в исследование включили 32 037 пациентов (средний [SD] возраст 17,84 [12,33] года; 18 949 [59,15%] женщин), средняя частота кровотечения составила 6,17%. Обучение без учителя выявило подгруппы с различиями по частоте кровотечений. Лучшей прогностической моделью оказался классификатор Adaboost, достигший AUC 0,71 (95% ДИ 0,68–0,73) на тестовой выборке. Наиболее значимыми предикторами были средний или пожилой возраст, биполярная диатермия для гемостаза и мужской пол. По данным анализа кривых принятия решений прогностическая модель превосходила альтернативные стратегии.

Выводы: кровотечение после тонзиллэктомии удавалось прогнозировать с умеренной точностью. Для оценки того, может ли эта модель быть полезным инструментом поддержки клинических решений, необходимы дополнительные исследования.