Модель прогнозирования риска бронхоплеврального свища после пневмонэктомии, выполненной по поводу деструктивного туберкулеза легких

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.

1. Somocurcio JG, Sotomayor A, Shin S, et al. Surgery for patients with drug-resistant tuberculosis: report of 121 cases receiving community-based treatment in Lima, Peru. Thorax. 2007; 62(5):416–421. PMID: 16928717. PMCID: PMC2117182. https://doi.org/10.1136/thx.2005.051961

2. Wang H, Lin H, Jiang G. Pulmonary resection in the treatment of multidrug-resistant tuberculosis: a retrospective study of 56 cases. Ann Thorac Surg. 2008;86(5):1640–1645. PMID: 19049764. https://doi.org/10.1016/j.athoracsur.2008.07.056

3. Bai L, Hong Z, Gong C, Yan D, Liang Z. Surgical treatment efficacy in 172 cases of tuberculosis-destroyed lungs. Eur J Cardiothorac Surg. 2012;41(2):335–340. PMID: 21684172. https://doi.org/10.1016/j.ejcts.2011.05.028

4. ShiraishiY, NakajimaY, KoyamaA, Takasuna K, Katsuragi N, Yoshida S. Morbidity and mortality after 94 extrapleural pneumonectomies for empyema. Ann Thorac Surg. 2000;70(4):1202–1207. PMID: 11081871. https://doi.org/10.1016/s0003-4975(00)01612-x

5. Kim YT, Kim HK, Sung SW, Kim JH. Long-term outcomes and risk factor analysis after pneumonectomy for active and sequela forms of pulmonary tuberculosis. Eur J Cardiothorac Surg. 2003;23(5):833–839. PMID: 12754042. https://doi.org/10.1016/s1010-7940(03)00031-9

6. Byun CS, Chung KY, Narm KS, Lee JG, Hong D, Lee CY. Early and long-term outcomes of pneumonectomy for treating sequelae of pulmonary tuberculosis. Korean J Thorac Cardiovasc Surg. 2012;45(2):110–115. PMID: 22500281. PMCID: PMC3322180. https://doi.org/10.5090/kjtcs.2012.45.2.110

7. Marfina GY, Vladimirov KB, Avetisian AO, Starshinova AA, Kudriashov GG, Sokolovich EG, Yablonskii PK. Bilateral cavitary multidrug- or extensively drug-resistant tuberculosis: role of surgery. Eur J Cardiothorac Surg. 2018;53(3):618–624. PMID: 29040413. https://doi.org/10.1093/ejcts/ezx350

8. Яблонский П.К., Васильев И.В., Кирюхина Л.Д. и др. Непосредственные результаты пневмонэктомий у больных с односторонней локализацией деструктивного туберкулеза легких. Результаты проспективного нерандомизированного исследования. Медицинский альянс. 2017;(4):103–111.

9. Серезвин И.С., Аветисян А.О., Кудряшов Г.Г., Яблонский П.К. Эффективность и безопасность пневмонэктомии в комплексном лечении больных деструктивным туберкулезом легких. Медицинский альянс. 2022;10(1):47–57. https://doi.org/10.36422/23076348-2022-10-1-47-57

10. Seely AJ, Ivanovic J, Threader J, et al. Systematic classification of morbidity and mortality after thoracic surgery. Ann Thorac Surg. 2010;90(3):936–942. PMID: 20732521. https://doi.org/10.1016/j.athoracsur.2010.05.014

11. Aarts EHL, Korst JHM, Van Laarhoven PJM. Simulated annealing. In: Aarts E, Lenstra K, eds. Local Search in Combinatorial Optimization. Princeton University Press; 2018:91–120.

12. Browne MW. Cross-validation methods. J Math Psychol. 2000;44(1):108–132. PMID: 10733860. https://doi.org/10.1006/jmps.1999.1279

13. Kohavi R. A study of cross-validation and bootstrap for accuracy estimation and model selection. In: IJCAI-95: Proceedings of the Fourteenth International Joint Conference on Artificial Intelligence. Vol 2. IJCAII; 1995:1137–1143.

14. Hastie T, Tibshirani R, Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition. Springer; 2009.

15. Григорьев С.Г., Лобзин Ю.В., Скрипченко Н.В. Роль и место логистической регрессии и ROC-анализа в решении медицинских диагностических задач. Журнал инфектологии. 2016;8(4):36–45. https://doi.org/10.22625/2072-6732-2016-8-436-45

16. Мудров В.А. Алгоритм применения ROC-анализа в биомедицинских исследованиях с помощью пакета программ SPSS. Забайкальский медицинский вестник. 2021;(1):148–153. https://doi.org/10.52485/19986173_2021_1_148

17. Яблонский П.К., Атюков М.А., Пищик В.Г., Буляница А.Л. Выбор лечебной тактики и возможности прогнозирования рецидивов у больных с первым эпизодом спонтанного пневмоторакса. Вестник Санкт-Петербургского университета. Медицина. 2010;(1): 118–129.

18. Беркасова И.В., Верещагин Е.И., Митрофанов И.М. Прогнозирование риска периоперационных осложнений в реконструктивной хирургии пищевода. Медицина и образование в Сибири. 2013;(2):39.

19. Боякова Н.В., Зуков Р.А., Слепов Е.В., Петрова Е.О., Винник Ю.С. Математические модели прогноза послеоперационных инфекционно-воспалительных осложнений у больных раком желудка. Хирургическая практика. 2016:(1):31–35.

20. Sato T, Kondo H, Watanabe A, et al. A simple risk scoring system for predicting acute exacerbation of interstitial pneumonia after pulmonary resection in lung cancer patients. Gen Thorac Cardiovasc Surg. 2015;63(3):164–172. PMID: 25352311. https://doi.org/10.1007/s11748-014-0487-6

21. Meyer A, Zverinski D, Pfahringer B, et al. Machine learning for real-time prediction of complications in critical care: a retrospective study. Lancet Respir Med. 2018;6(12):905–914. PMID: 30274956. https://doi.org/10.1016/S2213-2600(18)30300-X