Урология №2 / 2024
Интерпретация прогноза ранних результатов органосохраняющих операций на почке с учетом «кривой обучения» хирурга с применением доверенных систем поддержки принятия медицинских решений
1) Институт урологии и репродуктивного здоровья человека. Первый МГМУ им. И. М. Сеченова Минздрава России (Сеченовский Университет), Москва, Россия;
2) ФГБУН «Центр информационных технологий в проектировании Российской академии наук», Одинцово, Россия
Цель исследования: оценка возможности интерпретации моделей машинного обучения для прогноза ранних результатов лапароскопических органосохраняющих операций (ОСО) на почке в наблюдениях с новообразованиями паренхимы почки с учетом «кривой обучения» хирурга.
Материалы и методы. В исследовании использовались результаты 320 последовательных лапароскопических органосохраняющих операций в наблюдениях с локализованными новообразованиями паренхимы почки, выполненных 4 хирургами. Построение модели машинного обучения с учетом «кривой обучения» хирурга выполнялось на основе алгоритма экстремального градиентного бустинга (eXtreme Gradient Boosting). Для выявления значимых факторов и интерпретации работы модели прогнозирования использовался метод SHapley Additive exPlanations для расчета значения Шепли. В качестве массива входных данных были использованы три группы факторов. Первая группа – демографические и клинические характеристики пациентов: возраст, пол, индекс коморбидности Чарльсона, индекс массы тела, скорость клубочковой фильтрации (СКФ) до операции. Вторая группа –
морфометрические показатели опухоли почки: индексы RENAL (R.E.N.A.L. Nephrometry Score), PADUA (Preoperative Aspects and Dimensions Used for an Anatomical), C-index (Centrality index scoring), абсолютный объем опухоли, локализация новообразования по отношению к поверхности почки.
А также факторы, связанные с «кривой обучения» оператора: количество проведенных операций, периоперационные результаты последних 10 пособий хирурга. В качестве целевых перемененных были рассмотрены длительность операции; время тепловой ишемии (ВТИ); уровень СКФ через 24 ч
после операции.
Результаты. Метод SHAP позволяет наглядно интерпретировать алгоритм машинного обучения на основе алгоритма экстремального градиентного бустинга для индивидуального прогнозирования ранних периоперационных результатов ОСО из лапароскопического доступа у пациентов с новообразованиями паренхимы почки. Для рассчитанных новых признаков «сложность», «угол наклона» и других с помощью метода SHAP была подтверждена высокая значимость при построении прогнозных моделей для целевых переменных, а также дана интерпретация влияния конкретных признаков на целевую переменную в построенных моделях машинного обучения.
Заключение. Рассмотренный метод интерпретации показал хорошие практические результаты, которые совпадают с наблюдениями специалистов. Использование подобных решений позволит в дальнейшем внедрить модели машинного обучения для формирования доверенных систем поддержки принятия врачебных решений.
Введение. Рак паренхимы почки (РПП) сохраняет лидирующее положение в мире и в России по темпам роста впервые выявленных случаев среди злокачественных новообразований других органов мочевыделительной системы [1, 2]. Более 50% пациентов РПП верифицируются с локализованной формой развития заболевания [3].
Оперативное вмешательство в объеме органосохраняющей операции (ОСО) является основной опцией при определении хирургической тактики лечения пациентов со стадией сТ1-2 РПП [4–6].
Приоритетными хирургическими доступами в настоящее время для выполнения ОСО являются высокотехнологичные малоинвазивные лапароскопический и/или робот-ассистированный видеоэндоскопические доступы.
Основной целью проведения ОСО у пациентов с РПП является достижение приемлемых функциональных и онкологических результатов, которые в свою очередь напрямую зависят от периоперационных исходов (время операции, объем кровопотери, время тепловой ишемии, осложнения) хирургического вмешательства.
На все показатели результатов ОСО оказывает влияние множество факторов, связанных непосредственно с соматическим состоянием больного, нефрометрическими характеристиками опухоли, а также с уровнем хирургических навыков («кривая обучения») выполнения технически сложного оперативного вмешательства [7].
Возможность прогноза периоперационных результатов ОСО с учетом всех групп влияющих факторов позволит хирургам персонифицированно определять хирургическую тактику лечения пациентов РПП.
Для учета множества факторов требуется использование технологий искусственного интеллекта при помощи различных алгоритмов машинного обучения.
Современные возможности интеллектуального анализа при помощи алгоритмов машинного обучения позволяют учитывать множество входящих данных конкретного наблюдения с прогнозированием результатов операции.
Существующие подходы к построению систем поддержки принятия медицинских решений работают по принципу «черного ящика» [8].
Используемые алгоритмы машинного обучения не позволяют в каком-либо виде выполнять интерпретацию полученных прогнозных решений, что существенно влияет на коэффициент доверия специалистов к подобным системам. Объяснение и интерпретация принятых решений позволяют глубже разбираться в причинно-следственных связях и изменять подходы к оперативному вмешательству.
В связи с этим в мировой научной практике для интерпретации сложных процессов прогнозирования алгоритмами искусственного интеллекта используется концепция аддитивного объяснения Shapley Additive Explanation Values (SHAP) [9].
В доступной мировой литературе не удалось найти исследований, посвященных интерпретации полученных прогнозных значений или иных решений по созданию интеллектуальных систем прогноза ранних результатов ОСО из лапароскопического доступа в наблюдениях с новообразованиями паренхимы почки.
В связи с чем целью исследования стала оценка возможности интерпретации моделей машинного обучения для прогноза ранних результатов лапароскопических ОСО на почке в наблюдениях с новообразованиями паренхимы почки с учетом «кривой обучения» хирурга.
Материалы и методы. В исследование включены 320 пациентов с локализованными новообразованиями паренхимы почки с ОСО из трансабдоминального эндовидеохирургического доступа, выполненного в Институте урологии и репродуктивного здоровья человека Сеченовского Университета за период с января 2014 по июнь 2019 г.
В анализ не включались больные с единственной почкой, операциями в наблюдениях РПП аномалийных почек, при множественных новообразованиях почки, а также вмешательств из ретроперитонеоскопического доступа.
ОСО выполнены 4 хирургами с опытом выполнения не менее 40 ОСО из лапароскопического доступа с использованием инструментов и видеоэндоскопического оборудования компаний «Карл Шторц» и «Эскулап». Техника всех операций была стандартной. Основные демографические, клинические и периоперационные данные пациентов представлены в табл. 1.
Всем пациентам в предоперационном периоде кроме стандартных методов обследования выполнялось 3D-моделирование и виртуальное осуществление операций при помощи программы 3D-моделирования Amira компании VSG версии 5.4.5 (лицензия ASTND.44644) по ранее описанной методике [10].
Используя нефрометрические индексы (RENAL, PADUA и C-index), для каждого наблюдения сформирован новый признак, характеризующий сложность проводимой операции. Сложность пособия оценивается по шкале от 1 до 3, где 3 – самая высокая сложность. Для расчета признака сложности каждый индекс нефрометрии был разбит определенным образом на три части, которым была присвоена сложность (табл. 2).
На основе выделенной сложности оперативного вмешательства были рассчитаны новые признаки в нескольких разрезах: усредненные значения по хирургу-оператору; усредненные значения по хирургу-оператору в зависимости от сложности. Данные признаки считались для длительности...
