Ретроспективный анализ с использованием машинного обучения и поиска значимых КТ-признаков для оптимизации предоперационной подготовки пациентов с большими и гигантскими послеоперационными вентральными грыжами

Послеоперационная вентральная грыжа является одним из наиболее распространенных последствий абдоминальных хирургических вмешательств, встречающимся в 9–20 % случаев в течение первого года после операции [1]. Согласно исследованию Fink и соавт. [2], через три года после лапаротомии частота этого осложнения возрастает до 22,4 %. Лечение больших и гигантских вентральных грыж (категория W3, классификация EHS [3]) связано с анатомической сложностью и высоким риском осложнений. У таких пациентов часто наблюдаются атрофия и контрактура мышц передней брюшной стенки, что затрудняет закрытие дефекта без значительного натяжения тканей, повышая риск рецидива. Кроме того, значительный объем содержимого грыжевого мешка при репозиции в брюшную полость может спровоцировать развитие интраабдоминальной гипертензии и развитие абдоминального компартмент-синдрома [4, 5].

В литературе описано множество стратегий для предоперационного и интраоперационного расслабления и увеличения объема брюшной полости, включая прогрессивный пневмоперитонеум (PPP), послеоперационную вентиляцию с использованием релаксации, резекцию органов с реконструкцией брюшной стенки, вытяжение мышечно-фасциальных структур передней брюшной стенки и другие методы [6, 7, 8]. Однако все эти подходы требуют дополнительного инвазивного вмешательства, что сопровождается риском осложнений и увеличением продолжительности пребывания в стационаре [9, 10].

В последнее время для подготовки пациентов с большими вентральными грыжами начала применяться техника «химического разделения компонентов», основанная на использовании ботулотоксина типа А (БТА). БТА вызывает временную релаксацию мышц, увеличивая их длину и эластичность [9]. Однако до сих пор отсутствуют единые протоколы и четко определенные критерии отбора пациентов, что ограничивает объективность принятия решений.

С учетом потенциала методов искусственного интеллекта (ИИ) для анализа медицинских данных, целью данного исследования является применение ИИ для выявления ключевых признаков и пороговых значений, способствующих оптимизации отбора пациентов для предоперационной подготовки. Такой подход позволяет повысить точность и объективность принятия клинических решений.

Цель исследования. Целью статьи является разработка подхода к выявлению ключевых признаков и пороговых значений, необходимых для отбора пациентов с большими и гигантскими вентральными грыжами, требующих предоперационной подготовки. Работа направлена на использование методов искусственного интеллекта для оптимизации принятия решений, повышения объективности критериев и улучшения исходов хирургического лечения.

Материалы и методы

В исследование, проведенное на базе ФГБУЗ КБ № 85 ФМБА России и ЧУЗ «КБ «РЖД-Медицина» имени Н.А. Семашко», включены данные 90 пациентов, прошедших обследование или лечение в период с января 2020 года по сентябрь 2024 года. Сформированы 3 группы: группа 1 (N=30) — пациенты без послеоперационных вентральных грыж. Группа 2 (N=30) – пациенты с диагностированными W-2 ПОВГ, группа 3 (N=30): пациенты с большими или гигантскими вентральными грыжами, которые являются кандидатами для предоперационной ботулотерапии перед хирургическим этапом лечения (рис. 1).

Рис. 1. А – пациент с диагностированной W3 – послеоперационной вентральной грыжей, Б – процесс введения ботулотоксина А в мышцы передней брюшной стенки как этап предоперационной подгтовки пациента Fig. 1. A – a patient with a diagnosed W3 – postoperative ventral hernia, B – the process of injecting botulinum toxin A into the muscles of the anterior abdominal wall as a stage of preoperative adjustment of the patient

Всем пациентам проводилась компьютерная томография органов грудной полости, брюшной полости и органов малого таза (3 зоны). Исследование выполняли на компьютерных томографах GE Optima CT660 или Aqulion lighting SP, СT. В программе Vidar Dicom Viewer с использованием программ измерения «отрезок» и «кривая», и измерялись такие параметры, как толщина, длина (средняя длина, измеренная по внутреннему и наружному контуру), площадь мышц передней брюшной стенки, плотность в единицах HU (m. obliquus externus abdominis, m. obliquus internus abdominis, m. transversus abdominis), а так же оценивались такие показатели как длина окружности стенок брюшной полости, ширина грыжевых ворот или расстояние между прямыми мышцами живота (белой линии живота), доля удаляемой ткани при герниопластике, defect ratio, индекс разделения компонентов (табл. 1, рис. 2).

В исследовании для реализации методов машинного обучения, обработки данных и визуализации использовались библиотеки на языке программирования Python: pandas, numpy, scikit–learn, scipy, а также matplotlib и seaborn для визуализации.

Статистическая обработка данных включала дисперсионный анализ (ANOVA) и критерий Краскела-Уоллиса для выявления статистически значимых различий между исследуемыми группами. Для оценки различий между пациентами, которым была назначена ботулинотерапия, и пациентами без предоперационной подготовки использовались t-критерий Стьюдента для параметрических данных и U-критерий Манна-Уитни для непараметрических данных. Корреляционный анализ проводился с использованием коэффициента Спирмена, что позволило установить силу и направление связи между параметрами.

Рис. 2. КТ– схема измерений мышечного слоя передней брюшной стенки у пациента с ПОВГ: как толщина, площадь мышц передней брюшной стенки, окружность брюшной полости, расстояние между прямыми мышцами живота, угол расхождения

Fig. 2. CT diagram of measurements of the muscle layer of the anterior abdominal wall in patients with ADHD: how thick, the area of the muscles of the anterior abdominal wall, the circumference of the abdominal cavity, the distance between the rectus abdominis muscles, the angle of divergence

Методы машинного обучения включали отбор значимых признаков с использованием алгоритма случайного леса (Random Forest), а также построение модели логистической регрессии для прогнозирования вероятности назначения ботулинотерапии. Оценка предсказательной способности модели осуществлялась на основе метрик точности, полноты, F1 – меры и площади под кривой ROC (AUC–ROC).

Для идентификации естественных групп пациентов использовались алгоритмы кластеризации K-Means и DBSCAN. Метод K-Means позволил выделить группы пациентов с различной вероятностью назначения ботулинотерапии, тогда как алгоритм DBSCAN выявил плотные группы пациентов с характерными параметрами и пациентов с атипичными характеристиками. Для снижения размерности данных и их визуализации применялся метод анализа главных компонент (PCA), позволяющий определить основные оси вариативности параметров.

Результаты

Для оценки различий между группами пациентов был использован дисперсионный анализ (ANOVA) и критерий Кра-скела-Уоллиса. Наиболее значимые различия между группами выявлены для показателей «Defect ratio (%)» (p < 0,001), «Индекс разделения компонентов» (p < 0,001) и «Доля удаляемого сегмента» (p < 0,001). Дополнительно, был проведен сравни- тельный анализ между группами пациентов, которым была выполнена ботулинотерапия, и теми, кому она не назначалась. Для этого использовались t-критерий Стьюдента и U-критерий Манна-Уитни, которые подтвердили статистически значимые различия для тех же ключевых параметров: «Defect ratio (%)» (p < 0,001), «Индекс разделения компонентов» (p < 0,001) и «Доля удаляемого сегмента» (p < 0,001). Эти результаты указывают на то, что указанные параметры могут быть использованы в качестве предикторов для определения необходимости применения ботулинотерапии. Анализ корреляций с использованием коэффициента Спирмена показал, что наиболее высокая связь с назначением ботулинотерапии наблюдается у показателей «Defect ratio (%)» (r = 0,78), «Индекс разделения компонентов» (r = 0,76) и «Доля удаляемого сегмента» (r = 0,78) (рис. 3).

Таблица 1

Параметры КТ-измерений на аксиальных срезах

Table 1

Parameters of CT measurements on axial sections

Показатель Value	Способ измерения Measuring method
Ширина грыжевых ворот или белой линии живота The width of the hernial gate or the white line of the abdomen	Инструмент «отрезок» – максимальное поперечное расстояние на аксиальном срезе, измеренное на уровне наибольшего дефекта The segment tool is the maximum transverse distance on the axial slice, measured at the level of the largest defect.
Доля удаляемой ткани Proportion of tissue being removed	Отношение площади поверхности брюшной полости к площади удаляемой ткани при герниопластике The ratio of the abdominal cavity surface area to the area of the tissue to be removed during hernioplasty
Defect ratio (коэффициент дефекта)	Отношение ширины грыжевых ворот к окружности стенок брюшной полости х 100 The ratio of the width of the hernial gate to the circumference of the abdominal walls x 100
Индекс разделения компонентов Component Separation Index	Угол расхождения (угол между краями прямых мышц на уровне наибольшей ширины дефекта и аортой) разделенный на 360º The angle of divergence (the angle between the edges of the rectus muscles at the level of the largest width of the defect and the aorta) divided by 360 °

Доля удаляемого сегмента

Defect ratio (%)

Индекс разделения компонентов

Площадь мышц (справа)

Средняя справа

Площадь мышц (слева)

Средняя слева

Толщина мышц (справа)

Плотность мышц (справа)

Толщина мышц (слева)

Плотность мышц(слева)

■0.6

Рис. 3. Анализ корреляции Спирмена: ключевые предикторы назначения ботулинотерапии

Fig. 3. Spearman correlation analysis: key predictors of botulinum therapy appointment

Данный факт подтверждает их значимость для необходимости предоперационной подготовки пациентов.

Дополнительно была проведена оценка значимости признаков с использованием метода случайного леса (Random Forest). Наибольший вклад в предсказание назначения ботули-нотерапии внесли те же параметры: «Defect ratio (%)» (весовой коэффициент 0,28), «Индекс разделения компонентов» (0,26) и «Доля удаляемого сегмента» (0,25) (рис. 4).

Рис. 4. Топ -10значимых признаков по Random Forest

Fig. 4. Top 10 significant features according to Random Forest

Таким образом, эти показатели не только статистически значимо различаются между группами, но и обладают высокой предсказательной ценностью при использовании методов машинного обучения.

Результаты анализа влияния мышечных параметров на боту-линотерапию, оцененных по данным компьютерной томографии, показали, что наиболее значимыми предикторами являются «Площадь мышц (справа)» (p < 0,001, r = 0,49), «Средняя длина мышц (слева)» (p < 0,05, r = 0,38) и «Средняя длина мышц (справа)» (p < 0,001, r = 0,47). Эти параметры продемонстрировали статистически значимые различия между группами и высокий уровень предсказательной ценности при моделировании.

Для выявления естественных групп пациентов была проведена кластеризация с использованием алгоритмов машинного обучения: K-Means и DBSCAN. Метод K-Means позволил выделить три кластера (рис. 5).

Рис. 5. Распределение пациентов по кластерам (K-Means)

Fig. 5. Distribution of patients by clusters (K-Means)

В кластере 2 ботулинотерапия назначалась в 83 % случаев, тогда как в кластере 0 её не получали 100 % пациентов. В кластере 1 ботокс был назначен 47 % пациентов, что указывает на смешанный характер группы. Эти результаты подтверждают, что метод K-Means способен автоматически выделять пациентов с высокой вероятностью назначения ботулинотерапии по предложенным параметрам.

Метод DBSCAN выявил плотные группы пациентов со схожими характеристиками, но часть пациентов осталась вне кластеров, что указывает на их атипичные параметры. Визуализация PCA показала четкие границы между группами, что подтверждает информативность использованных признаков.

В рамках анализа предсказательной ценности признаков была выполнена логистическая регрессия, целью которой являлось прогнозирование необходимости ботулинотерапии на основе совокупности изученных параметров (рис. 6).

Анализ метрик показал, что точность классификации пациентов без необходимости предоперационной ботули-нотерапии составила 88 %, а полнота – 93 %, что указывает на высокую надежность модели при выявлении данной категории пациентов. Однако для группы пациентов, которым была назначена ботулинотерапия, показатели были ниже: точность составила 83 %, а полнота – 71 %, что свидетельствует о наличии некоторого количества ложноотрицательных предсказаний.

Модель продемонстрировала высокую точность (86 %), а также значимое качество предсказаний, подтвержденное значением AUC-ROC (0,95), что свидетельствует о высокой дискриминирующей способности модели (рис. 7).

Defect ratio (%)

Доля удаляемого сегмента

Площадь мышц (справа)

Площадь мышц (слева) s Индекс разделения компонентов m Средняя длина мышц (слева) с       Плотность мышц (слева)

Толщина мышц (справа)

Плотность мышц (справа)

Толщина мышц (слева)

Средняя длина мышц (справа)

Рис. 6. Важность признаков в логистической регрессии

Fig. 6. The importance of features in logistic regression

Рис. 7. ROC-кривая логистической регрессии

Fig. 7. ROC-logistic regression curve

Матрица ошибок подтвердила, что модель уверенно идентифицирует пациентов, не нуждающихся в ботулинотерапии, однако демонстрирует ограниченную способность в точном выявлении тех, кому она необходима (рис. 8).

Анализ зависимости F1-score от порога вероятности показал, что максимальное значение метрики достигается при пороге ≈0,6, что свидетельствует о наилучшем балансе между точностью (precision) и полнотой (recall) (рис. 9).

При снижении порога модель чаще классифицирует пациентов как нуждающихся в ботулинотерапии, но увеличивает число ложных положительных результатов. При повышении порога уменьшается количество ошибочно предсказанных случаев ботокса, однако возрастает риск пропуска пациентов, которым терапия необходима.

Обсуждение

На сегодняшний день исследования, посвященные применению машинного обучения в контексте предоперационной подготовки пациентов с большими и гигантскими вентральными грыжами, остаются немногочисленными. В доступной литературе основной акцент сделан на анализ хирургических исходов или оценке риска осложнений. Использование машинного обучения для выявления показаний к ботулотерапии является инновационным подходом, который впервые демонстрирует возможность использования ключевых параметров КТ-абдоменометрии для предсказания необходимости данного вмешательства. Сравнение с предыдущими исследованиями показало, что работы, посвященные использованию машинного обучения для предоперационной подготовки, практически отсутствуют. Это подчеркивает новизну подхода, ориентированного на автоматизацию и повышение объективности принятия решений.

Рис. 8. Матрица ошибок логистической регрессии

Fig. 8. Error matrix of logistic regression

Рис. 9. F1 – score в зависимости от порога классификации

Fig. 9. F1 – score depending on the classification threshold

Основными ограничениями являются небольшой объем выборки и отсутствие внешней валидации модели. Для дальнейших исследований важно расширить базу данных и включить дополнительные параметры, такие как хирургические исходы. Важно отметить так же необходимость дальнейшей оптимизации модели машинного обучения, например, путем использования ансамблевых методов машинного обучения или увеличения размерности выборки. Тем не менее, полученные результаты подтверждают перспективность интеграции машинного обучения в клиническую практику, позволяя оптимизировать процесс предоперационной подготовки и улучшить результаты лечения.

Выводы

Полученные результаты подтверждают, что предложенный комплекс параметров является значимым предиктором и может быть использован для предварительного прогнозирования необходимости ботулинотерапии в предоперационном периоде. Исследование подтвердило потенциал методов машинного обучения для оптимизации предоперационной подготовки пациентов с большими вентральными грыжами. Выявлены ключевые параметры, значимые для принятия решений, что подчеркивает важность многомерного анализа данных в персонализации лечения.

Кластеризация показала возможность выделения подгрупп пациентов, а предсказательные модели продемонстрировали высокую точность и надежность. Разработанный подход открывает перспективы для внедрения автоматизированных систем поддержки решений, повышая объективность и эффективность предоперационной подготовки.

Результаты подчеркивают значимость интеграции машинного обучения в клиническую практику и его вклад в развитие персонализированной медицины.