Искусственный интеллект в прогнозировании рисков хирургических вмешательств у пациентов с циррозом печени

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.

1. Министерство здравоохранения Российской Федерации. Клинические рекомендации. Цирроз и фиброз печени. 2023.

2. Huang D.Q., Terrault N.A., Tacke F., Gluud L.L., Arrese M., Bugianesi E., et al. Global epidemiology of cirrhosis — aetiology, trends and predictions. Nat Rev Gastroenterol Hepatol. 2023;20(6):388–98. DOI: 10.1038/s41575-023-00759-2

3. Liu Y.B., Chen M.K. Epidemiology of liver cirrhosis and associated complications: Current knowledge and future directions. World J Gastroenterol. 2022;28(41):5910–30. DOI: 10.3748/wjg.v28.i41.5910

4. Бакулин И.Г., Оганезова И.А., Скалинская М.И., Сказываева Е.В. Цирроз печени и управление рисками осложнений. Терапевтический архив. 2021;93(8):963–8. DOI: 10.26442/00403660.2021.08.200917

5. Kaplan D.E., Bosch J., Ripoll C., Thiele M., Fortune B.E., Simonetto D.A., et al. AASLD practice guidance on risk stratification and management of portal hypertension and varices in cirrhosis. Hepatology. 2023;79(5):1180–211. DOI: 10.1097/HEP.0000000000000647

6. Kim W.R., Mannalithara A., Heimbach J.K., Kamath P.S., Asrani S.K., Biggins S.W., et al. MELD 3.0: The model for end-stage liver disease updated for the modern era. Gastroenterology. 2021;161(6):1887–95. DOI: 10.1053/j.gastro.2021.08.050

7. Jadaun S.S., Saigal S. Surgical risk assessment in patients with chronic liver diseases. J Clin Exp Hepatol. 2022;12(4):1175–83. DOI: 10.1016/j.jceh.2022.03.004

8. Teh S.H., Nagorney D.M., Stevens S.R., Offord K.P., Therneau T.M., Plevak D.J., et al. Risk factors for mortality after surgery in patients with cirrhosis. Gastroenterology. 2007;132(4):1261–9. DOI: 10.1053/j.gastro.2007.01.040

9. Mahmud N., Fricker Z., Hubbard R.A., Ioannou G.N., Lewis J.D., Taddei T.H., et al. Risk prediction models for post-operative mortality in patients with cirrhosis. Hepatology. 2021;73(1):204–18. DOI: 10.1002/hep.31558

10. Mahmud N., Fricker Z., Panchal S., Lewis J.D., Goldberg D.S., Kaplan D.E. External validation of the VOCALPenn cirrhosis surgical risk score in 2 large, independent health systems. Liver Transpl. 2021;27(7):961–70. DOI: 10.1002/lt.26060

11. Canillas L., Pelegrina A., Colominas-González E., Salis A., Enríquez-Rodríguez C.J., Duran X. Comparison of surgical risk scores in a European cohort of patients with advanced chronic liver disease. J Clin Med. 2023;12(18):6100. DOI: 10.3390/jcm12186100

12. Chang J., Hoffstall S., Gödiker J., Lehmann J., Schwind L., Lingohr P., et al. Surgical site infections are independently associated with the development of postoperative acuteon-chronic liver failure in liver cirrhosis. Liver Transpl. 2023;29(9):928–39. DOI: 10.1097/LVT.0000000000000135

13. Ostojic A., Mahmud N., Reddy K.R. Surgical risk stratification in patients with cirrhosis. Hepatol Int. 2024;18(3):876– 91. DOI: 10.1007/s12072-024-10644-y

14. Bou Jaoude J., Al Bacha R., Abboud B. Will artificial intelligence reach any limit in gastroenterology? Artif Intell Gastroenterol. 2024;5(2):91336. DOI: 10.35712/aig.v5.i2.91336

15. Министерство здравоохранения Российской Федерации. Клинические рекомендации. Старческая астения. 2021.

16. Халафян А.А., Темердашев З.А., Абакумов А.Г. Влияние кластерной структуры данных на прогностические свойства нейросетевой модели. Искусственный интеллект и принятие решений. 2025;2:19–31. DOI: 10.14357/20718594250202

17. Veerankutty F.H., Jayan G., Yadav M.K., Manoj K.S., Yadav A., Nair S.R., et al. Artificial Intelligence in hepatology, liver surgery and transplantation: Emerging applications and frontiers of research. World J Hepatol. 2021;13(12):1977–90. DOI: 10.4254/wjh.v13.i12.1977

18. Zhou X.Q., Huang S., Shi X.M., Liu S., Zhang W., Shi L., et al. Global trends in artificial intelligence applications in liver disease over seventeen years. World J Hepatol. 2025;17(3):101721. DOI: 10.4254/wjh.v17.i3.101721

19. Zhang G., Li Y., Zhang X., Huang L., Cheng Y., Shen W. Identifying mild hepatic encephalopathy based on multilayer modular algorithm and machine learning. Front Neurosci. 2020;14:627062. DOI: 10.3389/fnins.2020.627062

20. Bhat M., Rabindranath M., Chara B.S., Simonetto D.A. Artificial intelligence, machine learning, and deep learning in liver transplantation. J Hepatol. 2023;78(6):1216–33. DOI: 10.1016/j.jhep.2023.01.006

21. Tandon P., Montano-Loza A.J., Lai J.C., Dasarathy S., Merli M. Sarcopenia and frailty in decompensated cirrhosis. J Hepatol. 2021;75(Suppl 1):147–62. DOI: 10.1016/j.jhep.2021.01.025

22. Lai J.C., Tandon P., Bernal W., Tapper E.B., Ekong U., Dasarathy S., et al. Malnutrition, frailty, and sarcopenia in patients with cirrhosis: 2021 Practice Guidance by the American Association for the Study of Liver Diseases. Hepatology. 2021;74(3):1611–44. DOI: 10.1002/hep.32049