Разработка и валидация модели машинного обучения для прогнозирования необходимости эндоскопического вмешательства у пациентов с острым кровотечением из верхних отделов ЖКТ

Введение

Острое кровотечение из верхних отделов желудочно-кишечного тракта (UGIB) часто встречается в клинической практике и имеет широкий спектр тяжести. Наряду с медикаментозной терапией, эндоскопическое вмешательство является основным методом достижения гемостаза при высокорисковых поражениях с риском повторного кровотечения. Прогнозирование необходимости эндоскопического вмешательства могло бы быть полезным в регионах с ограниченными ресурсами для селективного направления пациентов в эндоскопические центры. Существующие системы стратификации риска обладают ограниченной точностью. В данной работе разработана модель машинного обучения для прогнозирования необходимости эндоскопического вмешательства у пациентов с острым UGIB.

Цель

Разработка и валидация модели машинного обучения, способной прогнозировать необходимость эндоскопического гемостаза у пациентов с острым UGIB.

Методы

Ретроспективно проанализирована проспективно собранная база данных пациентов с UGIB за период с 2011 по 2020 год. В исследование включены пациенты старше 18 лет с диагнозом UGIB, которым была проведена эндоскопия. Данные включали демографические характеристики, клинические проявления и лабораторные параметры. Очищенные данные использовались для разработки и валидации модели в Python. Данные были разделены на обучающую (80%) и тестовую (20%) выборки. Обучающая выборка использовалась для обучения 15 моделей с применением стратифицированной 5-кратной кросс-валидации. Модель с наивысшим показателем AUROC была затем валидирована на тестовой выборке.

Результаты

Из 1389 пациентов 615 (44,3%) получили эндоскопическое вмешательство (293 при варикозных и 336 при неварикозных кровотечениях). В качестве входных параметров для 15 моделей машинного обучения были отобраны 18 признаков, включая демографические, клинические и лабораторные данные. Наилучшие результаты показала модель линейного дискриминантного анализа с AUROC 0,74. При валидации на тестовой выборке показатель AUROC увеличился до 0,81. Модель была внедрена в виде веб-приложения с использованием Streamlit.

Выводы

Разработанная модель машинного обучения демонстрирует хорошую точность в прогнозировании необходимости эндоскопического вмешательства у пациентов с острым UGIB. Это может помочь врачам первичного звена в приоритизации пациентов для направления в специализированные центры и оптимизации распределения ресурсов в условиях их ограниченности. Дальнейшее развитие модели и включение более специфических признаков может улучшить ее прогностическую способность.

Термины и сокращения

• UGIB (Upper Gastrointestinal Bleeding) – кровотечение из верхних отделов желудочно-кишечного тракта.
• AUROC (Area Under the Receiver Operating Characteristic curve) – площадь под ROC-кривой, показатель эффективности модели.
• LDA (Linear Discriminant Analysis) – линейный дискриминантный анализ.