ЖурналыПодпискаАрхивКнигиПроектыО насРекламаДоставка/ОплатаКонтакты
+7 (495) 428-43-29
  • Главная
  • / Журналы
  • / Вернуться в журнал
  • / Содержание номера
  • / Статья
Прогнозирование 90-дневной послеоперационной летальности после эзофагэктомии с использованием технологии машинного обучения: сравнительная оценка модели с зарубежными аналогами

Прогнозирование 90-дневной послеоперационной летальности после эзофагэктомии с использованием технологии машинного обучения: сравнительная оценка модели с зарубежными аналогами

Авторы:
Камиль Иршатович Салимзянов,
Андрей Борисович Рябов,
Владимир Михайлович Хомяков,
Илья Владимирович Колобаев,
Евгений Игоревич Смоленов,
Нуриддин Мураджанович Абдулхакимов,
Гегам Степанович Погосян,
Григорий Владиславович Афонин

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

Литература / References
  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
slide-cover

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

Издательство «Медиа Сфера»
РекламаДоставка/ОплатаО насКонтактыОбучение для редакцийПолитика конфиденциальностиПолитика обработки персональных данныхПубличная оферта на реализацию издательской продукции
ЖурналыПодпискаАрхивКнигиПроекты
  • RuStore

© 1998-2026

  • Телефоны издательства:

  • +7 (495) 482-41-18
  • +7 (495) 482-43-29
  • Прямой телефон отдела подписки
    (только по вопросам заказов и доставки журналов)

  • +7 (800) 250-18-12
  • пн-пт с 10:00 до 18:00

  • Telegram
  • VK
info@mediasphera.ru
  • Почтовый адрес:

  • Издательство «Медиа Сфера»,
    а/я 54, Москва, Россия, 127238

  • RuStore

© 1998-2026