ИНТЕРПРЕТАЦИЯ ПРОГНОЗА РАННИХ РЕЗУЛЬТАТОВ ОРГАНОСОХРАНЯЮЩИХ ОПЕРАЦИЙ HA ПОЧКЕ C УЧЕТОМ «КРИВОЙ ОБУЧЕНИЯ » ХИРУРГА C ПРИМЕНЕНИЕМ ДОВЕРЕННЫХ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ МЕДИЦИНСКИХ РЕШЕНИЙ

Аннотация:

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. B исследовании использовались результаты 320 последовательных лапароскопических органосохраняющих операций в наблюдениях слокализованными 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. B качестве массива входных данных были использованы три группы факторов. Первая группа — демографические и клиническиехарактеристики пациентов: возраст, пол, индекс коморбидности Чарлъсона, индексмассы тела, скорость клубочковой фильтрации (CК?) до операции. Вторая группа — морфометрические показатели опухоли почки: индексы RENAL (R.E.N.A.L. Nephrometry Score), PADUA (PreoperativeAspects and Dimensions Usedforan Anatomical), C-index (Centrality Indexscor-ing), абсолютный объем опухоли, локализация новообразования по отношению к поверхности почки. A также факторы, связанные с «кривой обучения» оператора: количество проведенных операций, периоперационные результаты последних 10 пособий хирурга. B качестве целевых перемененных были рассмотрены длительность операции; время тепловой ишемии (ВТИ);уровень CK? через 24 ч после операции. Результаты. Метод SНАР позволяет наглядно интерпретировать алгоритммашинного обучения на основе алгоритма экстремального градиентного бустинга для индивидуального прогнозирования ранних периоперационных результатов OCO 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.

Авторы:

Издание: Урология
Год издания: 2024
Объем: 8с.
Дополнительная информация: 2024.-N 2.-С.47-54. Библ. 29 назв.
Просмотров: 5