Прогнозирование осложнений в хирургии желудка

Abstract

Ранние послеоперационные осложнения остаются серьезной и нерешенной проблемой в абдоминальной хирургии, приводя к неблагоприятным исходам лечения, значительному увеличению сроков госпитализации, росту стоимости лечения. Существующие традиционные шкалы прогнозирования хирургического риска зачастую обладают недостаточной специфичностью и точностью, что ограничивает их клиническую применимость для индивидуальной оценки пациента. В этой связи разработка современных, персонализированных инструментов прогноза на основе методов искусственного интеллекта и машинного обучения представляется высоко актуальной и перспективной задачей для современной медицины. В проспективном когортном исследовании, которое включало 132 пациента после резекции желудка, разработан ансамблевый метод нейросетевого прогнозирования ранних послеоперационных осложнений. Общая точность метода составила 87,2 %, он успешно предсказывал риск как гнойных, так и негнойных осложнений, а также системных воспалительных реакций вне зоны операции. Ансамблевый нейросетевой подход обладает высокой клинической ценностью для идентификации пациентов высокого риска. Полученные результаты обосновывают внедрение метода в клиническую практику и необходимость дальнейших многоцентровых исследований Early postoperative complications remain a serious and unresolved problem in abdominal surgery, leading to adverse treatment outcomes, a significant increase in hospital stays, and an increase in treatment costs. Existing traditional surgical risk prediction scales often lack sufficient specificity and accuracy, which limits their clinical applicability for individual patient assessment. In this regard, the development of modern, personalized prediction tools based on artificial intelligence and machine learning methods appears to be a highly relevant and promising task for modern medicine.In a prospective cohort study that included 132 patients after gastric resection, an ensemble neural network-based method for predicting early postoperative complications was developed. The overall accuracy of the method was 87.2 %, and it successfully predicted the risk of both purulent and non-purulent complications, as well as systemic inflammatory reactions outside the surgical area. The ensemble neural network approach has high clinical value for identifying high-risk patients. The obtained results justify the implementation of this method into clinical practice and the need for further multicenter studies