Интерпретация прогноза ранних результатов органосохраняющих операций на почке с учетом «кривой обучения» хирурга с применением доверенных систем поддержки принятия медицинских решений


DOI: https://dx.doi.org/10.18565/urology.2024.2.47-54

Сирота Е.С., Кузнецов И.А., Глыбочко П.В., Бутнару Д.В., Аляев Ю.Г., Фиев Д.Н., Проскура А.В., Аджиев А.Р., Жолдубаев А.А.

1) Институт урологии и репродуктивного здоровья человека. Первый МГМУ им. И. М. Сеченова Минздрава России (Сеченовский Университет), Москва, Россия; 2) ФГБУН «Центр информационных технологий в проектировании Российской академии наук», Одинцово, Россия
Цель исследования: оценка возможности интерпретации моделей машинного обучения для прогноза ранних результатов лапароскопических органосохраняющих операций (ОСО) на почке в наблюдениях с новообразованиями паренхимы почки с учетом «кривой обучения» хирурга.
Материалы и методы. В исследовании использовались результаты 320 последовательных лапароскопических органосохраняющих операций в наблюдениях с локализованными новообразованиями паренхимы почки, выполненных 4 хирургами. Построение модели машинного обучения с учетом «кривой обучения» хирурга выполнялось на основе алгоритма экстремального градиентного бустинга (eXtreme Gradient Boosting). Для выявления значимых факторов и интерпретации работы модели прогнозирования использовался метод SHapley Additive exPlanations для расчета значения Шепли. В качестве массива входных данных были использованы три группы факторов. Первая группа – демографические и клинические характеристики пациентов: возраст, пол, индекс коморбидности Чарльсона, индекс массы тела, скорость клубочковой фильтрации (СКФ) до операции. Вторая группа –
морфометрические показатели опухоли почки: индексы RENAL (R.E.N.A.L. Nephrometry Score), PADUA (Preoperative Aspects and Dimensions Used for an Anatomical), C-index (Centrality index scoring), абсолютный объем опухоли, локализация новообразования по отношению к поверхности почки.
А также факторы, связанные с «кривой обучения» оператора: количество проведенных операций, периоперационные результаты последних 10 пособий хирурга. В качестве целевых перемененных были рассмотрены длительность операции; время тепловой ишемии (ВТИ); уровень СКФ через 24 ч
после операции.
Результаты. Метод SHAP позволяет наглядно интерпретировать алгоритм машинного обучения на основе алгоритма экстремального градиентного бустинга для индивидуального прогнозирования ранних периоперационных результатов ОСО из лапароскопического доступа у пациентов с новообразованиями паренхимы почки. Для рассчитанных новых признаков «сложность», «угол наклона» и других с помощью метода SHAP была подтверждена высокая значимость при построении прогнозных моделей для целевых переменных, а также дана интерпретация влияния конкретных признаков на целевую переменную в построенных моделях машинного обучения.
Заключение. Рассмотренный метод интерпретации показал хорошие практические результаты, которые совпадают с наблюдениями специалистов. Использование подобных решений позволит в дальнейшем внедрить модели машинного обучения для формирования доверенных систем поддержки принятия врачебных решений.
Ключевые слова: доверенный искусственный интеллект, «кривая обучения», 3D-технологии, рак паренхимы почки, машинное обучение, лапароскопия, прогнозирование
Полный текст статьи доступен
в "Библиотеке Врача"

Литература

1. Kaprin A.D., Starinsky V.V., Shakhzadova A.O. The state of oncological care for the population of Russia in 2022. M.: P.A. Herzen Moscow State Medical Research Institute − branch of the Federal State Budgetary Institution «NMIC of Radiology» of the Ministry of Health of Russia, 2022. fig. 239 p. Russian (Каприн А.Д., Старинский В.В., Шахзадова А.О. Состояние онкологической помощи населению России в 2022 году. М.: МНИОИ им. П.А. Герцена − филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2022. илл. 239 с.).


2. Bukavina L., Bensalah K., Bray F., Carlo M., Challacombe B., Karam J.A., Kassouf W., Mitchell T., Montironi R., O’Brien T, Panebianco V., Scelo G., Shuch B., van Poppel H., Blosser C.D., Psutka S.P. Epidemiology of Renal Cell Carcinoma: 2022 Update. Eur Urol. 2022; 82(5):529–542. Doi: 10.1016/j.eururo.2022.08.019.


3. Vasudev N.S., Wilson M., Stewart G.D., et al Challenges of early renal cancer detection: symptom patterns and incidental diagnosis rate in a multicentre prospective UK cohort of patients presenting with suspected renal cancer. BMJ Open. 2020;10:e035938. Doi:10.1136/bmjopen-2019-035938.


4. Ljungberg B., Albiges L., Abu-Ghanem Y., Bedke J., Capitanio U., Dabestani S., Fernández-Pello S., Giles R.H., Hofmann F., Hora M., Klatte T., Kuusk T., Lam T.B., Marconi L., Powles T., Tahbaz R., Volpe A., Bex A. European Association of Urology Guidelines on Renal Cell Carcinoma: The 2022 Update. Eur Urol. 2022;82(4):399–410. Doi: 10.1016/j.eururo.2022.03.006.


5. Campbell R.A., Scovell J., Rathi N., Aram P., Yasuda Y., Krishnamurthi V., Eltemamy M., Goldfarb D., Wee A., Kaouk J., Weight C., Haber G.P., Campbell S.C. Partial Versus Radical Nephrectomy: Complexity of Decision-Making and Utility of AUA Guidelines. Clin Genitourin Cancer. 2022;20(6):501–509. Doi: 10.1016/j.clgc.2022.06.003.


6. Clinical recommendations – Cancer of the renal parenchyma. 2021–2022–2023 (01/20/2023) – Approved by the Ministry of Health of the Russian Federation http://disuria.ru/load/zakonodatelstvo/klinicheskie_rekomendacii_protokoly_lechenija/54. Russian (Клинические рекомендации – Рак паренхимы почки. 2021–2022–2023 (20.01.2023) – Утверждены Минздравом РФ http://disuria.ru/load/zakonodatelstvo/klinicheskie_rekomendacii_protokoly_lechenija/54)


7. Castelvecchi D. Can we open the black box of AI? Nature News. 2016;538(7623):20.


8. Cacciamani G.E., Gill T., Medina L., Ashrafi A., Winter M., Sotelo R., Artibani W., Gill I.S. Impact of Host Factors on Robotic Partial Nephrectomy Outcomes: Comprehensive Systematic Review and Meta-Analysis. J Urol. 2018;200(4):716–730. Doi: 10.1016/j.juro.2018.04.079.


9. Shapley L.S. et al. A value for n-person games. 1953.


10. Alyaev Yu.G., Sirota E.S., Bezrukov E.A., Sukhanov R.B. Computer-assisted laparoscopic operations in the surgical treatment of kidney cancer. Urology. 2018;3:30–38. Russian (Аляев Ю.Г., Сирота Е.С., Безруков Е.А., Суханов Р.Б. Компьютер-ассистированные лапароскопические операции при хирургическом лечении рака почки. Урология. 2018;3:30–38).


11. Gridin V.N., Kuznetsov I.A., Gazov A.I., Sirota E.S. Prediction of perioperative parameters of laparoscopic organ-preserving interventions on the kidney taking into account the «learning curve» of the surgeon. Biomedical radio electronics. 2021;24(2):13–20. Day: https://doi.org/10.18127/j15604136-202102-02. Russian (Гридин В.Н., Кузнецов И.А., Газов А.И., Сирота Е.С. Прогнозирование периоперационных параметров лапароскопических органосохранных вмешательств на почке с учетом «кривой обучения» хирурга. Биомедицинская радиоэлектроника. 2021;24(2):13–20. Doi: https://doi.org/10.18127/j15604136-202102-02).


12. Fero K., Hamilton Z.A., Bindayi A., Murphy J.D., Derweesh I.H. Utilization and quality outcomes of cT1a, cT1b and cT2a partial nephrectomy: analysis of the national cancer database. BJU Int. 2018;121(4):565–574. Doi: 10.1111/bju.14055.


13. MacLennan S. et al. Systematic review of oncological outcomes following surgical management of localised renal cancer. Eur. Urol. 2012;61(5):972–993. Doi: 10.1016/j.eururo.2012.02.039.


14. Eden C.G., Arora A., Hutton A. Cancer control, continence, and potency after laparoscopic radical prostatectomy beyond the learning and discovery curves. J Endourol. 2011;25(5):815–819. Doi: 10.1089/end.2010.0451.


15. Alimi Q., Peyronnet B., Sebe P., Cote J.F., Kammerer-Jacquet S.F., Khene Z.E., Pradere B., Mathieu R., Verhoest G., Guillonneau B., Bensalah K. Comparison of Short-Term Functional, Oncological, and Perioperative Outcomes Between Laparoscopic and Robotic Partial Nephrectomy Beyond the Learning Curve. J Laparoendosc Adv Surg Tech A. 2018;28(9):1047–1052. Doi: 10.1089/lap.2017.0724.


16. Abboudi H., Khan M.S., Guru K.A., Froghi S., de Win G., Van Poppel H., Dasgupta P., Ahmed K. Learning curves for urological procedures: a systematic review. BJU Int. 2014;114(4):617–629. Doi: 10.1111/bju.12315.


17. Sirota E.S., Rapoport L.M., Gridin V.N., Tsarichenko D.G., Kuznetsov I.A., Sirota A.E, Alyaev Y.G. Analysis of the learning curve in laparoscopic partial nephrectomy in patients with localized renal parenchymal lesions depending on the nephrometric score. Urologiia. 2020;(6):11–18. Russian. Doi: 10.18565/urology.2020.6.11-18.


18. Zhang Z., Beck M.W., Winkler D.A., Huang B., Sibanda W., Goyal H.; written on behalf of AME Big-Data Clinical Trial Collaborative Group. Opening the black box of neural networks: methods for interpreting neural network models in clinical applications. Ann Transl Med. 2018;6(11):216. Doi: 10.21037/atm.2018.05.32.


19. Buzink S.N., Botden S.M., Heemskerk J., Goossens R.H., de Ridder H., Jakimowicz J.J. Camera navigation and tissue manipulation; are these laparoscopic skills related? Surg Endosc. 2009;23(4):750–757. Doi: 10.1007/s00464-008-0057-z.


20. Lee S.M., Robertson I., Stonier T., Simson N., Amer T., Aboumarzouk O.M. Contemporary outcomes and prediction of adherent perinephric fat at partial nephrectomy: a systematic review. Scand J Urol. 2017;51(6):429–434. Doi: 10.1080/21681805.2017.1357656.


21. Thompson R.H., Lane B.R., Lohse C.M., Leibovich B.C., Fergany A., Frank I., Gill I.S,. Blute M.L., Campbell S.C. Every minute counts when the renal hilum is clamped during partial nephrectomy. Eur Urol. 2010;58(3):340–345. Doi: 10.1016/j.eururo.2010.05.047.


22. Simone G., Gill I.S., Mottrie A., Kutikov A., Patard J.-J., Alcaraz A., et al. Indications, techniques, outcomes, and limitations for minimally ischemic and off clamp partial nephrectomy: a systematic review of the literature. Eur Urol. 2015;68(4):632–640. Doi: 10.1016/j.eururo.2015.04.020.


23. Bianchi L., Schiavina R., Bortolani B., Cercenelli L., Gaudiano C., Mottaran A., Droghetti M., Chessa F., Boschi S., Molinaroli E., Balestrazzi E., Costa F., Rustici A., Carpani G., Piazza P., Cappelli A., Bertaccini A., Golfieri R., Marcelli E., Brunocilla E. Novel Volumetric and Morphological Parameters Derived from Three-dimensional Virtual Modeling to Improve Comprehension of Tumor’s Anatomy in Patients with Renal Cancer. Eur Urol Focus. 2022;8(5):1300–1308. Doi: 10.1016/j.euf.2021.08.002.


24. Hu C., Sun J., Zhang Z., Zhang H., Zhou Q., Xu J., Ling Z., Ouyang J. Parallel comparison of R.E.N.A.L., PADUA, and C-index scoring systems in predicting outcomes after partial nephrectomy: A systematic review and meta-analysis. Cancer Med. 2021;10(15):5062–5077. Doi: 10.1002/cam4.4047.


25. Veccia A., Antonelli A., Uzzo R.G., Novara G., Kutikov A., Ficarra V., Simeone C., Mirone V., Hampton L.J., Derweesh I., Porpiglia F., Autorino R. Predictive Value of Nephrometry Scores in Nephron-sparing Surgery: A Systematic Review and Meta-analysis. Eur Urol Focus. 2020;6(3):490–504. Doi: 10.1016/j.euf.2019.11.004.


26. Mir M.C., Ercole C., Takagi T., Zhang Z., Velet L., Remer E.M., Demirjian S., Campbell S.C. Decline in renal function after partial nephrectomy: etiology and prevention. J Urol. 2015;193(6):1889–1898. Doi: 10.1016/j.juro.2015.01.093.


27. Bravi C.A., Vertosick E., Benfante N., Tin A., Sjoberg D,. Hakimi A.A, Touijer K., Montorsi F., Eastham J., Russo P., Vickers A. Impact of Acute Kidney Injury and Its Duration on Long-term Renal Function After Partial Nephrectomy. Eur Urol. 2019;76(3):398–403. Doi: 10.1016/j.eururo.2019.04.040.


28. Campbell S.C. A nonischemic approach to partial nephrectomy is optimal. No. J Urol. 2012;187(2):388–90.


29. Volpe A., Blute M.L., Ficarra V., Gill I.S., Kutikov A., Porpiglia F., Rogers C., Touijer K.A., Van Poppel H., Thompson R.H. Renal Ischemia and Function After Partial Nephrectomy: A Collaborative Review of the Literature. Eur Urol. 2015;68(1):61–74. Doi: 10.1016/j.eururo.2015.01.025.


Об авторах / Для корреспонденции

А в т о р д л я с в я зи : Е. С. Сирота, e-mail: essirota@mail.ru


Похожие статьи

К содержанию номера

Бионика Медиа