Российские ученые улучшили прогноз после операций при раке кишечника с помощью ИИ
Модели машинного обучения точнее стандартной системы стадирования предсказали продолжительность жизни и вероятность раннего рецидива у пациентов с колоректальным раком.
МОСКВА, 20 августа /Новости науки/. Российские ученые улучшили прогноз исходов операций при колоректальном раке с помощью ИИ. Модели, созданные на данных 5 136 пациентов, описаны в журнале Scientific Reports.
Точный прогноз особенно важен после удаления опухоли: он помогает оценить риск возвращения болезни и выбрать дальнейшую тактику наблюдения. Применяемая сегодня система TNM учитывает распространенность опухоли, поражение лимфатических узлов и наличие метастазов, но не всегда позволяет различить риски у пациентов с одной стадией заболевания.
«Модели машинного обучения на основе обычных данных электронных медицинских карт значительно лучше разделяли пациентов по прогнозу выживаемости и раннего рецидива, чем стадирование TNM и традиционная регрессия Кокса», — говорится в исследовании.
Авторы проанализировали обезличенные медицинские сведения о 5 136 пациентах с колоректальным раком I–III стадий, перенесших радикальную операцию. В обучающую выборку вошли данные 4 108 человек, еще 1 028 историй болезни использовали для проверки алгоритмов.
Для прогнозирования общей и безрецидивной выживаемости ученые применили градиентный бустинг, а для оценки риска возвращения опухоли — алгоритм CatBoost. Точность моделей оценивали с помощью показателя AUC: чем он ближе к единице, тем лучше система отличает пациентов с разными исходами.
При прогнозировании общей выживаемости показатель AUC у модели машинного обучения достиг 0,82, а безрецидивной — 0,80. Для одной только системы TNM эти значения составили соответственно 0,71 и 0,70. Алгоритм CatBoost предсказывал ранний рецидив с AUC 0,75.
Работа носила ретроспективный характер, а модели проверяли на части исходного массива данных. Поэтому перед внедрением в клиническую практику алгоритмам потребуется независимая проверка на пациентах из других медицинских учреждений и в проспективных исследованиях. В работе участвовали специалисты НМИЦ онкологии имени Н. Н. Блохина, Тюменского медицинского университета, Медицинского города и Сеченовского университета.
Точный прогноз особенно важен после удаления опухоли: он помогает оценить риск возвращения болезни и выбрать дальнейшую тактику наблюдения. Применяемая сегодня система TNM учитывает распространенность опухоли, поражение лимфатических узлов и наличие метастазов, но не всегда позволяет различить риски у пациентов с одной стадией заболевания.
«Модели машинного обучения на основе обычных данных электронных медицинских карт значительно лучше разделяли пациентов по прогнозу выживаемости и раннего рецидива, чем стадирование TNM и традиционная регрессия Кокса», — говорится в исследовании.
Авторы проанализировали обезличенные медицинские сведения о 5 136 пациентах с колоректальным раком I–III стадий, перенесших радикальную операцию. В обучающую выборку вошли данные 4 108 человек, еще 1 028 историй болезни использовали для проверки алгоритмов.
Для прогнозирования общей и безрецидивной выживаемости ученые применили градиентный бустинг, а для оценки риска возвращения опухоли — алгоритм CatBoost. Точность моделей оценивали с помощью показателя AUC: чем он ближе к единице, тем лучше система отличает пациентов с разными исходами.
При прогнозировании общей выживаемости показатель AUC у модели машинного обучения достиг 0,82, а безрецидивной — 0,80. Для одной только системы TNM эти значения составили соответственно 0,71 и 0,70. Алгоритм CatBoost предсказывал ранний рецидив с AUC 0,75.
Работа носила ретроспективный характер, а модели проверяли на части исходного массива данных. Поэтому перед внедрением в клиническую практику алгоритмам потребуется независимая проверка на пациентах из других медицинских учреждений и в проспективных исследованиях. В работе участвовали специалисты НМИЦ онкологии имени Н. Н. Блохина, Тюменского медицинского университета, Медицинского города и Сеченовского университета.
