Диагностическая модель на основе машинного обучения для предоперационной стратификации пациенток с доброкачественными опухолевидными образованиями яичников

Цель: Разработка и оценка диагностической модели для стратификации пациенток с опухолевидными образованиями яичников с целью оптимизации тактики лечения и снижения риска «избыточного хирургического лечения».
Материалы и методы: В исследование включено 288 пациенток, перенесших лапароскопическое хирургическое лечение опухолевидных образований яичников. По гистологическому заключению 44 (15,3%) пациентки имели функциональные кисты, 244 (84,7%) – нефункциональные доброкачественные образования. В модель включены предикторы: HE4, CA125, нейтрофильно-лимфоцитарный индекс (NLR), индекс массы тела (ИМТ), размер образования по данным УЗИ, количество лет после менопаузы. Модель построена с использованием алгоритма дерева решений (Decision Tree Classifier). Для обучения использовано 70% выборки (202 пациентки), тестирование проводилось на независимой тестовой выборке (30%, 86 пациенток).
Результаты: На обучающей выборке модель продемонстрировала AUC=0,852. При тестировании AUC составила 0,835, чувствительность – 81,1%, специфичность – 84,6%. Применение модели позволяет повысить точность стратификации пациенток по вероятности функциональной природы образования и снизить риск неоправданных хирургических вмешательств.
Заключение: Разработанная диагностическая модель может служить эффективным инструментом поддержки клинического принятия решений при ведении пациенток с опухолевидными образованиями яичников. Необходима внешняя валидация модели.

Вклад авторов: Тонеева С.Н. – разработка концепции и дизайна исследования, анализ полученных данных, редактирование; Тонеев Е.А., Сафиуллина А.Н. – сбор материала, статистическая обработка данных, анализ полученных данных; Волкова Н.А. – проверка критически важного содержания; Клинышева С.Ю. – анализ полученных данных, редактирование; Писклюков Д.Р. – подготовка текста.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов.
Финансирование: Работа выполнена без спонсорской поддержки.
Одобрение этического комитета: Исследование было одобрено этическим комитетом ГУЗ «Ульяновская областная клиническая больница».
Согласие пациентов на публикацию: Пациенты подписали информированное согласие на публикацию своих данных.
Обмен исследовательскими данными: Данные, подтверждающие выводы этого исследования, доступны по запросу у автора, ответственного за переписку, после одобрения ведущим исследователем.
Для цитирования: Тонеева С.Н., Тонеев Е.А., Волкова Н.А., Клинышева С.Ю., Сафиуллина А.Н., 
Писклюков Д.Р. Диагностическая модель на основе машинного обучения для предоперационной стратификации пациенток с доброкачественными опухолевидными образованиями яичников.
Акушерство и гинекология. 2026; 3: 112-118
https://dx.doi.org/10.18565/aig.2025.230

Доброкачественные кисты яичников являются одной из наиболее распространенных гинекологических находок у женщин репродуктивного и постменопаузального возраста. Большинство таких образований имеют функциональную природу и склонны к спонтанному регрессу, что делает хирургическое вмешательство не всегда необходимым [1]. Тем не менее, за последние годы наблюдается устойчивая тенденция к росту частоты хирургических операций по поводу кист яичников, что объясняется значительными успехами в диагностических возможностях, прежде всего в области высокочувствительных методов визуализации, таких, как ультразвуковое исследование (УЗИ) высокого разрешения, магнитно-резонансная и компьютерная томография [2].

Современные протоколы диагностики позволяют все чаще выявлять даже небольшие или бессимптомные доброкачественные образования, что, с одной стороны, способствует более ранней диагностике потенциально злокачественных опухолей, но с другой, – повышает риск избыточного лечения (overtreatment) и излишних операций на органах малого таза [3]. Это может привести к послеоперационным осложнениям, а в случае овариэктомии – к потере овариальной функции с соответствующими эндокринными нарушениями [4].

Одной из ключевых задач в современной гинекологической практике становится персонализированная стратификация пациенток: важно дифференцировать тех женщин, которым показано активное хирургическое лечение, от тех, кому может быть рекомендовано динамическое наблюдение [5]. Поэтому разработка надежных диагностических моделей, в том числе с использованием методов машинного обучения, представляет важнейшее направление для оптимизации ведения пациенток с доброкачественными кистами яичников [2].

Основной целью исследования являлось создание модели, позволяющей на этапе предоперационного обследования прогнозировать вероятность функционального характера образования.

Материалы и методы

В исследование были включены данные пациенток, перенесших хирургическое лечение по поводу опухолевидных образований яичников, в отделении гинекологии ГУЗ «Ульяновская областная клиническая больница» (г. Ульяновск) за период с 01 января 2023 г. по 31 декабря 2024 г. Сбор данных осуществлялся ретроспективно на основании медицинской документации.

В исследование включены 288 пациенток, соответствующих следующим критериям включения: возраст ≥18 лет; наличие опухолевидного образования яичника, выявленного при УЗИ; выполнение планового хирургического лечения (лапароскопический доступ); наличие полных данных по лабораторным и клинико-инструментальным показателям: HE4 (пмоль/л), CA125 (Ед/мл), индекс массы тела (ИМТ, кг/м²), нейтрофильно-лимфоцитарный индекс (НЛИ), лейкоцитарный индекс интоксикации (ЛИИ), тромбоцитарно-лимфоцитарный индекс (ТЛИ), размер образования по данным УЗИ (мм), количество лет после менопаузы (для постменопаузальных пациенток).

Критерии исключения: выявленные злокачественные новообразования яичников или других органов (по данным гистологического заключения); проведение ургентных операций по поводу осложненных кист; отсутствие полных данных по ключевым лабораторным или клиническим показателям.

После получения гистологического заключения опухолевидные образования классифицировались на 2 группы. Функциональные кисты: фолликулярные кисты, кисты желтого тела, параовариальные кисты. Нефункциональные (другие) образования: доброкачественные эпителиальные опухоли (серозные, муцинозные цистаденомы), герминогенные опухоли (зрелые тератомы), стромальные опухоли (фибромы, текоматоз), хронические воспалительные образования.

Все лабораторные исследования выполнялись в рамках стандартного предоперационного обследования в течение первых суток госпитализации. В исследовании использовались следующие индексы: НЛИ – отношение абсолютного числа нейтрофилов к абсолютному числу лимфоцитов; ТЛИ – рассчитывался, как тромбоциты/лимфоциты; ЛИИ по Островскому – рассчитывался по формуле: (палочкоядерные лейкоциты+сегментоядерные лейкоциты +юные+миелоциты)×моноциты)/лимфоциты.

Статистический анализ

Статистический анализ выполнен в программе StatTech v. 4.8.5 (ООО «Статтех», Россия). Нормальность распределения количественных данных проверялась с помощью критерия Шапиро–Уилка (n<50) или Колмогорова–Смирнова (n>...

Тонеева С.Н., Тонеев Е.А., Волкова Н.А., Клинышева С.Ю., Сафиуллина А.Н., Писклюков Д.Р.