Серезвин Илья Сергеевич, к. м. н., врачторакальный хирург туберкулезного легочно-хирургического отделения № 3
191036, Санкт-Петербург, Лиговский проспект, 2–4
Ilia S. Serezvin, Cand. Sci. (Med.), Thoracic Surgeon, Tuberculosis Pulmonary Surgery Division No. 3 (Thoracic)
Ligovskii prospekt 2-4, Saint Petersburg, 191036
Аветисян Армен Оникович, к. м. н., врач-торакальный хирург, заведующий туберкулезным легочно-хирургическим отделением (торакальным) № 3
Москва
Armen O. Avetisyan, Cand. Sci. (Med.), Thoracic Surgeon, Head of Tuberculosis Pulmonary Surgery Division No. 3 (Thoracic)
Saint Petersburg
Потиевский Михаил Борисович, руководитель направления цифровых технологий; врач-онколог
Москва
Mikhail B. Potievskiy, Head of the Digital Technologies Division; Oncologist
Moscow
Родин Александр Алексеевич, к. физ.мат. н., доцент
Долгопрудный
Alexandr A. Rodin, Cand. Sci. (Phys.Math.), Associate Professor
Dolgoprudny
Родин Никита Алексеевич, программист
Москва
Nikita A. Rodin, Computer Programmer
Moscow
Савон Галина Константиновна, программист
Москва
Galina K. Savon, Computer Programmer
Moscow
Грабецкий Даниил Константинович, директор по развитию
Москва
Daniil K. Grabetskii, Director of Development
Moscow
Яблонский Петр Казимирович, д. м. н., профессор, директор; проректор по медицинской деятельности, заведующий кафедрой госпитальной хирургии
Санкт-Петербург
Petr K. Yablonskiy, Dr. Sci. (Med.), Professor, Director; ViceRector for Medical Affairs, Head of the Hospital Surgery Department
Saint Petersburg
Введение: Прогнозирование возникновения различных событий, в зависимости от воздействующих факторов, является важной задачей статистического анализа в медицинских исследованиях. Однако построение математических моделей на основании выявленных факторов производится достаточно редко.
Цель исследования: Разработать модель прогнозирования риска развития бронхоплеврального свища после пневмонэктомии, выполненной по поводу деструктивного туберкулеза легких.
Материалы и методы: Проанализированы данные историй болезни 198 пациентов, которым была выполнена пневмонэктомия. Среди них у 6 (3%) больных развился бронхоплевральный свищ. Для построения модели прогнозирования использовались алгоритмы машинного обучения: гребневая регрессия, метод опорных векторов, модели классификации “Random forest” и “CatBoost”. Построение моделей осуществлялось в среде разработки с открытым исходным кодом Jupyter при помощи языка программирования Python 3.6. Для оценки качества бинарной классификации построенных моделей использовался ROCанализ.
Результаты: Построено 4 модели прогнозирования риска формирования бронхоплеврального свища. ROC AUC моделей: гребневая регрессия – 0,88, метод опорных векторов – 0,87, “Catboost” – 0,75, “Random forest” – 0,74. Наилучший показатель ROC AUC продемонстрировала модель, построенная по алгоритму гребневой регрессии. По координатам ROCкривой пороговое значение, равное 1,9%, обеспечивало максимальный суммарный показатель чувствительности и специфичности, равный 100 и 68,8% соответственно.
Выводы: Созданная модель обладает высокой предиктивной способностью, позволяющей в реальной клинической практике акцентировать внимание на группе пациентов с повышенным риском возникновения бронхоплеврального свища и научно обосновать необходимость превентивных мер для предотвращения развития данного осложнения.
Introduction: Predicting various events based on influencing factors is important for statistical analysis in medical research. Unfortunately, mathematical models are rarely built on the identified factors.
Objective: To develop a model to predict the risk of bronchopleural fistula after pneumonectomy for destructive pulmonary tuberculosis.
Materials and methods: We analyzed medical records of 198 patients who underwent pneumonectomy. Of them 6 patients (3%) developed a bronchopleural fistula. We used machine learning algorithms such as ridge regression, support vector machine, random forest, and CatBoost, the Jupyter opensource development environment, and Python 3.6 to build prediction models. ROC analysis was used to evaluate the quality of the binary classification.
Results: We built 4 models to predict the risk of bronchopleural fistula. Their ROC AUC were as follows: ridge regression – 0.88, support vector machine – 0.87, CatBoost – 0.75, and random forest – 0.74. The model based on the ridge regression showed the best ROC AUC. Based on the coordinates of the ROC curve, the threshold value of 1.9% provides the maximum total sensitivity and specificity (100% and 68.8%, respectively).
Conclusions: The developed model has a high predictive ability, which allows focusing on the patient group with an increased risk of bronchopleural fistula and justifying the need for preventive measures.
The authors declare that there are no conflicts of interest present.