Прогнозирование методами машинного обучения вероятности раз-вития осложнений при простатэктомии у пациентов с раком предстательной железы

Цель. Определение возможностей прогнозирования вероятности возникновения осложнений после перенесенного оперативного вмешательства у пациентов, поступивших с диагнозом раком предстательной железы, с помощью методов искусственного интеллекта.

Материалы и методы. В исследовании были проанализированы данные историй болезни 701 пациента, которым была выполнена простатэктомия. Проведена оценка анамнеза, данных клинико-лабораторных и инструментальных методов исследования, а также объективных данных клинических наблюдений. Средний возраст пациентов составил 64,72 г. Исходя из комплекса результатов обследования, были отобраны пациенты, соответствующие следующим критериям включения: больные раком предстательной железы без подтвержденных метастазов со стадией заболевания от T1N0M0 до Т3N0M0; отсутствие предшествующего и сопутствующего специального лечения (иммунотерапия или таргетная терапия); наличие информированного согласия на проводимое оперативное вмешательство. В качестве модели машинного обучения применялась логистическая регрессия – бинарный классификатор, использующий сигмоидную функцию активации на линейные комбинации признаков.

Результаты. Установлено, что на отобранных параметрах (объем простаты, болевой синдром, длительность заболевания) модель логистической регрессии достаточно хорошо предсказывает вероятность возникновения осложнений (TPR = 1). Общая точность модели составляет Accuracy = 0,98. При этом из матрицы согласования видно, что обученная модель «перестраховывается» и классифицирует часть случаев без осложнений неправильно – в 5,3 % (FNR = 0,053). Однако модель ни разу не ошиблась и не отнесла случаи, в которых высока вероятность возникновения осложнений, к случаям, где такая возможность маловероятна.

Выводы. Полученные результаты показывают, что на основе всего трех параметров (объем простаты, болевой синдром, длительность заболевания) можно построить достаточно хорошую предсказательную модель вероятности возникновения осложнений после простатэктомии на основе такого метода машинного обучения, как логистическая регрессия.