Корочанская Наталья Всеволодовна — доктор медицинских наук, профессор кафедры хирургии № 3; руководитель гастроэнтерологического центра
350087, г. Краснодар, ул. им. Митрофана Седина, 4
Natalia V. Korochanskaya — Dr. Sci. (Med.), Professor of the Department of Surgery No. 3; Head of the Gastroenterology Center
350087, Krasnodar, Mitrofana Sedina str., 4
Дурлештер Владимир Моисеевич — доктор медицинских наук, профессор, заведующий кафедрой хирургии № 3; заместитель главного врача по хирургии
350087, г. Краснодар, ул. им. Митрофана Седина, 4
Vladimir M. Durleshter — Dr. Sci. (Med.), Professor, Head of the Department of Surgery No. 3; Deputy Chief Physician for Surgery
350087, Krasnodar, Mitrofana Sedina str., 4
Басенко Михаил Андреевич — ассистент кафедры хирургии № 3; врач-хирург хирургического отделения № 5
350087, г. Краснодар, ул. им. Митрофана Седина, 4
Mihail A. Basenko — Assistant Professor at the Department of Surgery No. 3; Surgeon, Surgical Department No. 5
350087, Krasnodar, Mitrofana Sedina str., 4
Мурашко Дмитрий Сергеевич — кандидат медицинских наук, ассистент кафедры хирургии № 3; врач-хирург хирургического отделения № 5
350087, г. Краснодар, ул. им. Митрофана Седина, 4
Dmitriy S. Murashko — Cand. Sci. (Med.), Assistant Professor at the Department of Surgery No. 3; Surgeon, Surgical Department No. 5
350087, Krasnodar, Mitrofana Sedina str., 4
Халафян Алексан Альбертович — доктор технических наук, профессор кафедры анализа данных и искусственного интеллекта
350040, г. Краснодар, ул. Ставропольская, 149
Aleksan A. Khalafyan — Dr. Sci. (Techn.), Professor of the Department of Data Analysis and Artificial Intelligence
350040, Krasnodar, Stavropolskaya str., 149
Цель: создать нейросетевую прогностическую модель риска послеоперационных осложнений и летальности у пациентов с циррозом печени, перенесших малоинвазивные хирургические вмешательства.
Материал и методы. У 90 пациентов с циррозом печени выполнены операции, направленные на коррекцию осложнений портальной гипертензии (лигирование варикозно расширенных вен пищевода (n = 57), трансъюгулярное внутрипеченочное портосистемное шунтирование (n = 6)) и хирургическое лечение коморбидной патологии (n = 30). Трем пациентам было выполнено две операции в течение одной госпитализации. Летальность составила 2,2 %, послеоперационные осложнения выявлены у 16 (17,8 %) человек. У всех пациентов рассчитывали и включали в прогностическую модель шкалы, разработанные для пациентов с циррозом печени и приведенные в клинических рекомендациях: шкалу Чайлда — Тюркотта — Пью, модель для оценки терминальной стадии заболеваний печени (индекс MELD), а также шкалы, предложенные для оценки риска хирургических вмешательств у пациентов с циррозом печени (Mayo Postoperative Surgical Risk Score, VOCAL-Penn). С использованием автоматизированных нейронных сетей Data mining пакета Statistica построены комплексные модели прогноза хирургических осложнений и летальности.
Результаты. Созданы комплексные прогностические модели, включающие оценку клинических, биохимических показателей и параметров качества жизни, обладающие высокой прогностической ценностью, на основе которых предложены два калькулятора для расчета риска послеоперационных осложнений и летального исхода у пациентов с циррозом печени. Для предсказания риска послеоперационных осложнений наиболее значимыми оказались следующие показатели: индексы MELD и Mayo Postoperative Surgical Risk Score, число перенесенных ранее лигирований варикозно расширенных вен пищевода и трансъюгулярных внутрипеченочных портосистемных шунтирований, параметры нутритивного статуса пациентов, курение, данные биохимического и клинического анализов крови, показатели качества жизни пациентов. Для предсказания риска летального исхода прогностическое значение имели: шкалы Чайлда — Тюркотта — Пью, VOCAL-Penn, индекс MELD, параметры базовой функциональной активности и нутритивного статуса пациентов, число этапов лигирования варикозно расширенных вен пищевода, количество выкуриваемых сигарет в сутки и длительность анамнеза курения; данные биохимического и клинического анализов крови.
Выводы. Интеграция малоинвазивных технологий коррекции осложнений портальной гипертензии и прогностических моделей, созданных на основании машинного обучения, открывает новые возможности в улучшении исходов хирургических вмешательств у пациентов с циррозом печени.
Aim: to develop neural network predictive model for the risk of postoperative complications and mortality in patients with liver cirrhosis undergoing minimally invasive surgical interventions.
Material and methods. Surgical interventions were performed on 90 patients with liver cirrhosis to correct complications of portal hypertension (ligation of esophageal varices (n = 57), transjugular intrahepatic portosystemic shunting (n = 6)) and for surgical treatment of comorbid conditions (n = 30). Two operations were performed on three patients during a single hospitalization. Mortality was 2.2 %, and postoperative complications were identified in 16 (17.8 %) individuals. For all patients, internationally recognized scales developed for patients with liver cirrhosis were calculated and included in the predictive model: Child — Turcotte — Pugh, MELD, Mayo Postoperative Surgical Risk Score, and VOCAL-Penn. Using automated neural networks and the Data Mining package in Statistica, comprehensive models for predicting surgical complications and mortality were developed.
Results. Comprehensive predictive models were created, incorporating the assessment of clinical, biochemical parameters, and quality of life indicators, which possess high predictive value. Based on these models, two calculators were proposed for calculating the risk of postoperative complications and mortality in patients with liver cirrhosis.
Conclusion. The integration of minimally invasive technologies for correcting complications of portal hypertension and predictive models developed through machine learning opens new possibilities for improving the outcomes of surgical interventions in patients with liver cirrhosis.
The authors declare that there are no conflicts of interest present.