Научная статья

Периоперационное прогнозирование злокачественного поражения придатков с помощью интерпретируемой модели машинного обучения для выбора тактики сохранения яичников у пременопаузальных пациенток с раком эндометрия

Perioperative prediction of adnexal malignancy by an interpretable machine learning model for guiding ovarian preservation in premenopausal endometrial cancer

Journal of Ovarian Research
10.1186/s13048-026-02190-y
Полный текст Открыть в журнале PubMed
FWCI: 0.00FWCI — Field-Weighted Citation Impact (индекс цитируемости с поправкой на область науки). 1.0 = среднее, > 1 = выше среднего · Лицензия: CC-BY-NC-ND

Аннотация

Введение: Сохранение яичников у пременопаузальных пациенток с раком эндометрия остаётся сложной задачей из-за возможного синхронного злокачественного поражения придатков. Для поддержки хирургического решения мы разработали интерпретируемую модель машинного обучения для периоперационного выявления пациенток высокого риска и тем самым для индивидуализации стратегии сохранения яичников.

Методы: Проведён ретроспективный анализ пациенток с раком эндометрия, лечившихся в нашем учреждении в 2010–2024 гг. После отбора признаков с помощью анализа мультиколлинеарности и регрессии LASSO были обучены восемь алгоритмов машинного обучения для прогнозирования сопутствующего злокачественного поражения придатков. Качество моделей оценивали по ROC-анализу, показателям точности и калибровке по Brier score. Для интерпретации вклада ключевых признаков в оптимальную модель применяли SHapley Additive exPlanations (SHAP).

Результаты: Среди 296 включённых пациенток у 29 (9,8%) выявлено сопутствующее злокачественное поражение придатков. Для построения модели отобрали 16 прогностических признаков из клинических, лучевых, сывороточных биомаркеров и гистопатологических данных. Наилучшие результаты показал классификатор Naive Bayes: AUC 0,92 (95% ДИ 0,86–0,97), точность 91,0% и хорошая калибровка прогнозов (Brier score 0,11). Анализ SHAP дополнительно прояснил вклад каждой переменной в прогноз модели, подчёркивая значимость таких факторов, как CA-125, статус рецепторов эстрогена и человеческий эпидидимальный белок 4.

Выводы: Модель Naive Bayes демонстрирует высокую дискриминационную точность в периоперационном прогнозировании сопутствующего злокачественного поражения придатков. Этот инструмент поддержки принятия решений может быть полезен в клинической практике, способствуя индивидуализированной хирургической тактике и помогая в сохранении яичников у пременопаузальных пациенток с раком эндометрия.

Переведем эту статью за 1 час

Загрузите PDF, а мы сделаем полный перевод, краткий конспект и красивую инфографику.

Попробовать бесплатно →

Также в Подтеме: еженедельные литобзоры и база международных клинреков по репродуктологии.