В.Н. Гридин¹, И.А. Кузнецов², А.И. Газов³, Е.С. Сирота4

1–4 ФГБУН Центр информационных технологий в проектировании РАН (ЦИТП РАН) (г. Одинцово, Московская область, Россия)

4 Институт урологии и репродуктивного здоровья человека. Первый МГМУ им. И.М. Сеченова  Минздрава России (Сеченовский Университет) (Москва, Россия)

Постановка проблемы. Рассматривается комплексный подход для построения моделей прогнозирования периоперационных параметров лапароскопических резекций почки, которые включают длительность операции, время тепловой ишемии, скорость клубочковой фильтрации (СКФ) через 24 ч после операции. В основу подхода заложен принцип расширения признакового пространства, извлеченных из анализа данных «кривой обучения» хирурга при освоении лапароскопических резекций почки.

Цель работы – предикция основных периоперационных параметров, оказывающих наиболее существенное влияние на хирургическую тактику лечения на этапе планирования оперативного вмешательства.

Результаты. Разработаны новые методы выделения значимых параметров, учитывающих сложность операции и квалификацию хирурга на основе его «кривой обучения». К выделяемым параметрам относятся: «сложность операции» на основе нефрометрических индексов (RENAL, PADUA и С-index); среднее значение прогнозируемых периоперационных параметров оперативных вмешательств в зависимости от сложности; угол наклона и значение стандартной ошибки на основе линии регрессии прогнозируемых периоперационных параметров. Были разработаны модели прогнозирования периоперационных параметров лапароскопических органосохранных вмешательств на почке с использованием современных подходов на основе машинного обучения, которые основаны на алгоритмах «деревья решений», «многослойный перцептрон», «Наивный Байес», «логистическая регрессия». Проведен сравнительный анализ качества работы разработанных моделей, в результате которого наилучший результат был получен с помощью алгоритма «логистическая регрессия». В качестве метрики использовалась F-мера. Был проведен сравнительный анализ разработанных моделей для оценки влияния на итоговое качество новых выделенных признаков. Для прогнозируемого параметра «время тепловой ишемии» прирост составил от 9,68 до 16,68 %; для прогнозируемого параметра «длительность операции» прирост составил от 2,76 до 4,08%. При этом для прогнозируемого параметра «СКФ через 24 часа» существенный прирост отсутствовал, а для алгоритма «многослойный перцептрон» оказался отрицательным.

Практическая значимость. Полученные модели прогнозирования могут быть использованы в прикладных программных решениях, выступающих в роли систем поддержки принятия решений при определении хирургической тактики лечения пациентов с локализованными образованиями паренхимы почки. Подобные программные решения могут быть реализованы в виде веб-сервиса или отдельной программы.

Гридин В.Н., Кузнецов И.А., Газов А.И., Сирота Е.С. Прогнозирование периоперационных параметров лапароскопических органосохранных вмешательств на почке с учетом «кривой обучения» хирурга // Биомедицинская радиоэлектроника. 2021.  T. 24. № 2. С. 13−20. DOI: https://doi.org/10.18127/j15604136-202102-02

1. Campbell S. et al., Renal Mass and Localized Renal Cancer: AUA Guideline // J. Urol. 2017. V. 198, № 3. P. 520–529. Doi: 10.1016/j.juro.2017.04.100
2. Ljungberg B. et al., EAU guidelines on renal cell carcinoma: 2014 update // Eur. Urol. 2015. V. 67. № 5. P. 913–924. Doi: 10.1016/j.eururo.2015.01.005
3. Пушкарь. Д. Ю. Аляев Ю.Г., Глыбочко П.В. Российские клинические рекомендации по урологии. М.: ГЭОТАР-Медиа. 2016. С. 496.
4. Subramonian K., Muir G. The ‘learning curve’ in surgery: what is it, how do we measure it and can we influence it? // BJU Int. 2004. V. 93. № 9. P. 1173–1174. Doi: 10.1111/j.1464-410X.2004. 04891.x
5. Abboudi H. et al., Learning curves for urological procedures: a systematic review // BJU Int. 2014. V. 114. № 4. P. 617–629. Doi: 10.1111/bju.12315
6. Kutikov A., Uzzo R.G. The R.E.N.A.L. Nephrometry Score: A Comprehensive Standardized System for Quantitating Renal Tumor Size, Location and Depth // J. Urol. 2009. V. 182. № 3. P. 844–853. Doi: 10.1016/j.juro.2009.05.035
7. Ficarra V. et al., Preoperative Aspects and Dimensions Used for an Anatomical (PADUA) Classification of Renal Tumours in Patients who are Candidates for Nephron-Sparing Surgery // Eur. Urol. 2009. V. 56. № 5. P. 786–793. Doi: 10.1016/j.eururo.2009.07.040
8. Simmons M.N., Ching C.B., Samplaski M.K., Park C.H., Gill I.S. Kidney Tumor Location Measurement Using the C Index Method // J. Urol. 2010. V. 183. № 5. P. 1708–1713. Doi: 10.1016/j.juro.2010.01.005
9. Chowdhary C.L., Acharjya D.P. Segmentation and Feature Extraction in Medical Imaging: A Systematic Review. Procedia Computer Science. 2020. V. 167. P. 26–36. Doi: 10.1016/j.procs.2020.03.179
10. Pacheco F., Exposito E., Aguilar J., Gineste M., Baudoin C. A novel statistical based feature extraction approach for the inner-class feature estimation using linear regression. International Joint Conference on Neural Networks (IJCNN), Rio de Janeiro. 2018. P. 1–8. Doi: 10.1109/IJCNN.2018.8488992
11. Ferdous M., Debnath J., Chakraborty N.R. Machine Learning Algorithms in Healthcare: A Literature Survey. 11th International Conference on Computing, Communication and Networking Technologies (ICCCNT), Kharagpur, India, 2020. P. 1–6. Doi: 10.1109/ICCCNT49239.2020.9225642
12. Guseva A.I., Kuznetsov I.A. The use of entropy measure for higher quality machine learning algorithms in text data processing. Proceedings 2017 5th International Conference on Future Internet of Things and Cloud Workshops (FiCloudW). 2017. P. 47–52, Doi:10.1109/FiCloudW.2017.84
13. Ruiz-Chavez Z., Salvador-Meneses J., Garcia-Rodriguez J. Machine Learning Methods Based Preprocessing to Improve Categorical Data Classification. In: Yin H., Camacho D., Novais P., Tallón-Ballesteros A. (eds) Intelligent Data Engineering and Automated Learning – IDEAL 2018. IDEAL 2018. Lecture Notes in Computer Science. 2018. V. 11314. Springer, Cham. Doi: 10.1007/978-3030-03493-1_32