
Прогнозирование 90-дневной послеоперационной летальности после эзофагэктомии с использованием технологии машинного обучения: сравнительная оценка модели с зарубежными аналогами
Журнал: Онкология. Журнал им. П.А. Герцена. 2026;15(3):22-26.
DOI: 10.17116/onkolog20261503122
Прочитано: 407 раз
Резюме
ЦЕЛЬ ИССЛЕДОВАНИЯ
Сравнить эффективность модели прогнозирования 90-дневной послеоперационной летальности после эзофагэктомии, разработанной на основе методов машинного обучения (EsoRisk), с существующими прогностическими шкалами ACS NSQIP и Esodata (IESG) на единой независимой выборке пациентов.
МАТЕРИАЛ И МЕТОДЫ
Проведено ретроспективное когортное исследование, включившее 100 пациентов с резектабельным раком пищевода и кардиоэзофагеального перехода (Siewert I), перенесших эзофагэктомию в МНИОИ им. П.А. Герцена и МРНЦ им. А.Ф. Цыба в период с января 2024 по ноябрь 2025 г. В течение 90-дневного послеоперационного периода происходила оценка госпитальной, 30- и 90-дневной летальности, а также частоты послеоперационных осложнений. Для прямого сравнительного анализа использовались шкалы ACS NSQIP, Esodata (IESG) и EsoRisk. Валидность моделей оценивалась по метрикам AUC-ROC, AUPRC, Accuracy и оценке Бриера.
РЕЗУЛЬТАТЫ
Послеоперационные осложнения зарегистрированы у 42% пациентов, осложнения Clavien–Dindo ≥ IIIA — у 29%. Госпитальная летальность составила 8%, 30-дневная — 2%, 90-дневная — 8%. По дискриминационной способности EsoRisk превосходила сравниваемые шкалы: AUC-ROC составила 0,87 против 0,78 для Esodata (IESG) и 0,55 для ACS NSQIP; AUPRC — 0,81 против 0,36 и 0,36 соответственно; Accuracy — 0,70 против 0,54 и 0,46; оценка Бриера была минимальной в модели EsoRisk и составила 0,10.
ЗАКЛЮЧЕНИЕ
Модель EsoRisk, основанная на методах машинного обучения, продемонстрировала более высокую точность прогнозирования 90-дневной послеоперационной летальности после эзофагэктомии по сравнению со шкалами ACS NSQIP и Esodata (IESG). Полученные данные подтверждают перспективность применения алгоритмов машинного обучения для предоперационной стратификации риска у больных раком пищевода. Представленная модель может быть рекомендована в практических учреждениях, занимающихся хирургическим лечением рака пищевода.
Ключевые слова
- рак пищевода
- хирургия верхних отделов желудочно-кишечного тракта
- эзофагэктомия
- прогнозирование риска
- машинное обучение
- искусственный интеллект
- 30-дневная летальность
- 90-дневная летальность
- Esodata
- ACS NSQIP
Дата поступления: 07.04.2026
Дата принятия в печать: 16.04.2026
Дата публикации: 16.06.2026
- Салимзянов К.И., Рябов А.Б., Смоленов Е.И., Хомяков В.М., Колобаев И.В., Соболев Д.Д., Аксенов С.А. Модели прогнозирования риска развития послеоперационных осложнений и летальности в хирургии рака пищевода. Онкология. Журнал им. П.А. Герцена. 2026;15(1):70-76. https://doi.org/10.17116/ONKOLOG20261501170
- Bilimoria KY, Liu Y, Paruch JL, Zhou L, Kmiecik TE, Ko CY, et al. Development and evaluation of the universal ACS NSQIP surgical risk calculator: a decision aid and informed consent tool for patients and surgeons. J Am Coll Surg. 2013;217(5). https://doi.org/10.1016/J.JAMCOLLSURG.2013.07.385
- D’Journo XB, Boulate D, Fourdrain A, Loundou A, Van Berge Henegouwen MI, Gisbertz SS, et al. Risk Prediction Model of 90-Day Mortality After Esophagectomy for Cancer. JAMA Surg. 2021;156(9):836–45. https://doi.org/10.1001/JAMASURG.2021.2376
- Pera M, Gibert J, Gimeno M, Garsot E, Eizaguirre E, Miró M, et al. Machine Learning Risk Prediction Model of 90-day Mortality After Gastrectomy for Cancer. Ann Surg. 2022;276(5):776–83. https://doi.org/10.1097/SLA.0000000000005616
- Arık S, Pfister T. TabNet: Attentive Interpretable Tabular Learning. 35th AAAI Conference on Artificial Intelligence, AAAI 2021. 2019;8A:6679–87. https://doi.org/10.1609/aaai.v35i8.16826
- Gray KD, Nobel TB, Hsu M, Tan KS, Chudgar N, Yan S, et al. Improved Preoperative Risk-Assessment Tools Are Needed to Guide Informed Decision-Making Before Esophagectomy. Ann Surg. 2020;277(1):116. https://doi.org/10.1097/SLA.0000000000004715
- van den Bosch T, Warps ALK, de Nerée tot Babberich MPM, Stamm C, Geerts BF, Vermeulen L, et al. Predictors of 30-Day Mortality Among Dutch Patients Undergoing Colorectal Cancer Surgery, 2011-2016. JAMA Netw Open. 2021;4(4):e217737. https://doi.org/10.1001/JAMANETWORKOPEN.2021.7737
Рекомендуем статьи по данной теме:
Искусственный интеллект в респираторной медицине.Респираторная медицина. 2026;2(2):21-29
Прогнозирование успеха дентальной имплантации с использованием искусственного интеллекта и машинного обучения.Российская стоматология. 2026;19(1-2):165-173
Положительные примеры использования в здравоохранении искусственного интеллекта и телемедицины.Профилактическая медицина. 2026;29(2):109-114
Модели прогнозирования риска развития послеоперационных осложнений и летальности в хирургии рака пищевода.Онкология. Журнал им. П.А. Герцена. 2026;15(1):70-76
Применение искусственного интеллекта в профилактике хронических неинфекционных заболеваний: систематический обзор публикаций 2022—2025 гг.Профилактическая медицина. 2025;28(12):21-30
Интервенционная кардиология в эпоху искусственного интеллекта: технологии, инновации и сложности.Медицинские технологии. Оценка и выбор. 2025;47(4):20-27
Оптимизация диагностики хронического риносинусита с помощью искусственного интеллекта.Российская ринология. 2025;33(4):38-43
Использование модели помощи принятия врачебных решений «PathVision.ai» в морфологической диагностике рака предстательной железы в биопсийном материале.Архив патологии. 2025;87(6):34-41
Проблемы и решения в применении алгоритмов машинного обучения для анализа данных в кардиологии.Профилактическая медицина. 2025;28(10):16-22
Возможности искусственного интеллекта при выборе тактики хирургического лечения при тетраде Фалло.Кардиология и сердечно-сосудистая хирургия. 2025;18(5):560-565
