Модели прогнозирования осложнений после операции по поводу рака языка на основе искусственного интеллекта

Важность: Глоссэктомия и реконструкция при опухолях языка связаны со значительным риском послеоперационной заболеваемости, однако существующие инструменты позволяют лишь ограниченно стратифицировать индивидуальный риск.

Цель: Разработать и валидировать модели машинного обучения для прогнозирования major-осложнений в течение 30 дней после глоссэктомии и сравнить их качество с калькулятором риска Американской коллегии хирургов, Национальной программы улучшения качества хирургической помощи (ACS-NSQIP).

Дизайн, условия и участники: В ретроспективном когортном исследовании использовали данные базы ACS-NSQIP за 2008–2024 годы, включающей более 700 больниц, преимущественно в США. Для обучения логистической регрессионной модели и 5 моделей машинного обучения — нейронной сети, классификатора опорных векторов, LightGBM, XGBoost и стекинг-обобщения — использовали 31 предоперационно доступную переменную. Среди взрослых пациентов с раком языка данные за 2008–2023 годы разделили в соотношении 85:15 на обучающую и валидационную выборки, а данные за 2024 год использовали как тестовую выборку.

Вмешательство: Глоссэктомия по поводу злокачественных опухолей языка.

Основные исходы и методы оценки: Шесть 30-дневных исходов: инфекция в области хирургического вмешательства, кровотечение, потребовавшее переливания крови, пневмония, незапланированная повторная операция, любое осложнение и серьёзные осложнения. Качество прогнозирования моделей оценивали прежде всего на тестовой выборке с использованием стратификации риска (lift). Дискриминацию (площадь под кривой операционных характеристик приёмника и площадь под кривой точности-полноты) и калибровку (оценка Брайера) сравнивали с калькулятором риска ACS-NSQIP.

Результаты: Данные 8266 взрослых пациентов (медиана [межквартильный размах] возраста 63 [54–71] года; 4895 [59,2%] мужчин), перенёсших резекцию языка по поводу рака, использовали для разработки PRO-TONGUE (Postresection and Reconstruction Outcome Prediction Tool for Tongue Cancer Surgery) — общедоступного, ориентированного на конкретный исход инструмента прогнозирования риска, который выдаёт индивидуализированные интерпретируемые оценки риска для поддержки предоперационного планирования. Выполнены: частичная глоссэктомия у 6132 пациентов (74,2%), комбинированная/расширенная глоссэктомия у 784 (9,5%), тотальная глоссэктомия у 341 (4,1%) и малые иссечения у 1274 (15,4%). Незапланированная повторная операция произошла у 708 пациентов (8,6%), инфекция в области хирургического вмешательства — у 510 (6,2%), кровотечение, потребовавшее переливания крови, — у 546 (6,6%), пневмония — у 262 (3,2%), серьёзные осложнения — у 1197 (14,5%), любые осложнения — у 1428 (17,3%). Выбор модели для каждого исхода на основе стратификации риска в тестовой выборке показал, что XGBoost был оптимален для кровотечения, серьёзных осложнений и любых осложнений, а LightGBM — для повторной операции, инфекции в области хирургического вмешательства и пневмонии. Модели машинного обучения и логистической регрессии демонстрировали на тестовой выборке сопоставимую с калькулятором риска ACS-NSQIP дискриминацию по всем исходам. Прогноз кровотечения, потребовавшего переливания крови, который не был доступен в калькуляторе риска ACS-NSQIP, показал наивысшие значения площади под кривой операционных характеристик приёмника (диапазон 0,88–0,90) и площади под кривой точности-полноты (диапазон 0,41–0,52) среди всех исходов.

Выводы и значимость: В этом когортном исследовании на большой национально репрезентативной выборке модели машинного обучения показали отличные результаты в прогнозировании major-осложнений в течение 30 дней после глоссэктомии у пациентов с раком языка. На основе этих моделей создан калькулятор риска хирургического лечения рака языка, который требует дальнейшей внешней валидации.