Интерпретация прогноза ранних результатов органосохраняющих операций на почке с учетом «кривой обучения» хирурга с применением доверенных систем поддержки принятия медицинских решений

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.