Применение предиктивных моделей в оценке периоперационных результатов оператив-ного лечения локализованных новообразований паренхимы почки: критический взгляд
Цель обзора – критически оценить применимость предиктивных моделей для планирования органосохраняющих операций при локализованных новообразованиях паренхимы почки. Выполнен нарративный анализ публикаций 2020–2025 гг. из PubMed/MEDLINE и более ранних ключевых работ; рассмотрены нефрометрические шкалы, регрессионные модели, машинное обучение, радиомика и глубокое обучение на данных компьютерной томографии. Нефрометрические шкалы сохраняют ценность как стандарт описания анатомической сложности, но ограничены в индивидуальном прогнозировании осложнений и комплексных исходов. Перспективны мультимодальные модели, объединяющие клинические и визуализационные признаки. Для прогноза функции почки нередко достаточно набора предоперационных показателей; опыт хирурга и кривая обучения остаются существенными, но нередко не учитываются. Для клинического внедрения необходимы внешняя валидация, оценка калибровки и пользы, а также сохранение ведущей роли врача.Магомедов Ц.Г., Сирота Е.С.
Ключевые слова
резекция почки
лапароскопия
периоперационные результаты
машинное обучение
радиомика
нефрометрические шкалы
кривая обучения
поддержка принятия решений
Список литературы
1. Bex A, Abu-Ghanem Y, Albiges L, Bonn S, Campi R, Capitanio U et al. European Association of Urology Guidelines on Renal Cell Carcinoma: The 2025 Update. Eur Urol. 2025;87(6):683–696. DOI: 10.1016/j.eururo.2025.02.020; PMID: 40118739
2. Campbell SC, Clark PE, Chang SS, Karam JA, Souter L, Uzzo RG. Renal Mass and Localized Renal Cancer: Evaluation, Management, and Follow-Up: AUA Guideline: Part I. J Urol. 2021;206(2):199–208. DOI: 10.1097/JU.0000000000001911; PMID: 34115547
3. Salka BR, Boynton D, Nwachukwu C, Lyu B, Noyes SL, Tobert CM et al. Concordance of surgical treatment selection with the AUA guidelines for localized renal masses. Urol Oncol. 2025;43(6):394.e23–394.e29. DOI: 10.1016/j.urolonc.2025.01.008; PMID: 39884897
4. Pak S, Park SG, Park J, Cho ST, Lee YG, Ahn H. Applications of artificial intelligence in urologic oncology. Investig Clin Urol. 2024;65(3):202–216. DOI: 10.4111/icu.20230435; PMID: 38714511; PMCID: PMC11076794
5. Blobel B, Ruotsalainen P, Oemig F, Giacomini M, Sottile PA, Endsleff F. Principles and Standards for Designing and Managing Integrable and Interoperable Transformed Health Ecosystems. J Pers Med. 2023;13(11):1579. DOI: 10.3390/jpm13111579; PMID: 38003894; PMCID: PMC10672117
6. Sciorio C, Prontera PP, Scuzzarella S, Verze P, Spirito L, Romano L et al. Predictors of surgical outcomes of retroperitoneal laparoscopic partial nephrectomy. Arch Ital Urol Androl. 2020;92(3):165–168. DOI: 10.4081/aiua.2020.3.165; PMID: 33016035
7. Larcher A, Muttin F, Peyronnet B, De Naeyer G, Khene ZE, Dell’Oglio P et al. The Learning Curve for Robot-assisted Partial Nephrectomy: Impact of Surgical Experience on Perioperative Outcomes. Eur Urol. 2019;75(2):253–256. DOI: 10.1016/j.eururo.2018.08.042; PMID: 30243798
8. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378. DOI: 10.1136/bmj-2023-078378; PMID: 38626948; PMCID: PMC11019967
9. Moons KGM, Damen JAA, Kaul T, Hooft L, Andaur Navarro C, Dhiman P et al. PROBAST+AI: an updated quality, risk of bias, and applicability assessment tool for prediction models using regression or artificial intelligence methods. BMJ. 2025;388:e082505. DOI: 10.1136/bmj-2024-082505; PMID: 40127903; PMCID: PMC11931409
10. Uleri A, Baboudjian M, Gallioli A, Territo A, Gaya JM, Sanz I et al. A new machine-learning model to predict long-term renal function impairment after minimally invasive partial nephrectomy: the Fundació Puigvert predictive model. World J Urol. 2023;41(11):2985–2990. DOI: 10.1007/s00345-023-04593-8; PMID: 37714966
11. Клинические рекомендации. Рак паренхимы почки. Общероссийская общественная организация «Российское общество онкоурологов»; Ассоциация онкологов России; Общероссийская общественная организация «Российское общество клинической онкологии»; Общероссийская общественная организация «Российское общество урологов». Рубрикатор клинических рекомендаций Минздрава России. 2025. ID: 10. Доступ: https://cr.minzdrav.gov.ru/preview-cr/10_5 (дата обращения – 20.08.2026). [Clinical guidelines. Renal cell carcinoma. Russian Society of Oncourologists; Association of Oncologists of Russia; Russian Society of Clinical Oncology; Russian Society of Urologists. Rubricator of clinical guidelines of the Ministry of Health of Russia. 2025. ID: 10. Available at: https://cr.minzdrav.gov.ru/preview-cr/10_5 (accessed 20.08.2026). (In Russ.)]
12. Buffi NM, Lista G, Larcher A, Lughezzani G, Ficarra V, Cestari A et al. Margin, ischemia, and complications (MIC) score in partial nephrectomy: a new system for evaluating achievement of optimal outcomes in nephron-sparing surgery. Eur Urol. 2012;62(4):617–618. DOI: 10.1016/j.eururo.2012.06.001; PMID: 22704367
13. Ubrig B, Roosen A, Wagner C, Trabs G, Schiefelbein F, Witt JH et al. Tumor complexity and the impact on MIC and trifecta in robot-assisted partial nephrectomy: a multi-center study of over 500 cases. World J Urol. 2018;36(5):783–788. DOI: 10.1007/s00345-018-2191-0; PMID: 29380129
14. Suppanuntaroek S, Garcia K, Combates C, Deal C, Paster I, Morrill CC et al. Best predictive single nephrometry score component to correlate with achievement of trifecta outcome in laparoscopic and robotic surgery. BMC Urol. 2024;24(1):134. DOI: 10.1186/s12894-024-01518-4; PMID: 38943111; PMCID: PMC11212392
15. Sharma G, Tyagi S, Mavuduru R, Bora GS, Sharma AP, Devana SK et al. External validation of SPARE nephrometery score in predicting overall complications, trifecta and pentafecta outcomes following robot-assisted partial nephrectomy. Minerva Urol Nephrol. 2022;74(1):63–71. DOI: 10.23736/S2724-6051.20.03972-7; PMID: 33439569
16. Porpiglia F, Bertolo R, Amparore D, Fiori C. Margins, ischaemia and complications rate after laparoscopic partial nephrectomy: impact of learning curve and tumour anatomical characteristics. BJU Int. 2013;112(8):1125–1132. DOI: 10.1111/bju.12317; PMID: 23937616
17. Celen S, Simsek A, Duran MB, Kucuker K, Saglam B, Celik O et al. Prediction of complications after laparoscopic partial nephrectomy: feasibility of E-PASS score. Int Urol Nephrol. 2025;57(3):701–708. DOI: 10.1007/s11255-024-04246-8; PMID: 39428442
18. Ślusarczyk A, Sharma S, Garbas K, Piekarczyk H, Zapała P, Shi J et al. Prediction of Glomerular Filtration Rate Following Partial Nephrectomy for Localized Renal Cell Carcinoma with Different Machine Learning Techniques. Cancers (Basel). 2025;17(10):1647. DOI: 10.3390/cancers17101647; PMID: 40427144; PMCID: PMC12110722
19. Du L, Cheng J, Shen C, Cheng J, Yang G, He C et al. The CT-based deep learning model outperforms traditional anatomical classification models in preoperatively predicting complications and risk grade in partial nephrectomy. World J Urol. 2025;43(1):626. DOI: 10.1007/s00345-025-05893-x; PMID: 41137930
Об авторах / Для корреспонденции
А в т о р д л я с в я з и: Ц.Г. Магомедов – аспирант Института урологии и репродуктивного здоровья человека ФГАОУ ВО «Первый Московский государственный медицинский университет им. И.М. Сеченова» Минздрава России (Сеченовский Университет), Москва, Россия; e-mail: Sechenova052023@gmail.comТакже по теме
