Построение и валидация моделей машинного обучения для прогнозирования перфорации аппендикса при консервативном лечении аппендицита, связанного с фекалитом: ретроспективный многосайтовый анализ с 20 алгоритмами

Почему это важно для людей с болью в животе

Аппендицит — одна из самых частых причин экстренной хирургии, но сегодня многих пациентов сначала лечат антибиотиками, а не сразу оперируют. Для тех, у кого в аппендиксе имеется твердый каловый камень — фекалит, — такой подход может быть рискованным, потому что вероятность разрыва органа выше. В этом исследовании ставится важный для каждого пациента и врача вопрос: можно ли на раннем этапе надежно определить, кто может оставаться на медикаментозном лечении, а кто действительно под угрозой опасной перфорации?

Проблема заблокированного аппендикса

Врачи давно знают, что аппендицит протекает иначе, когда узкий канал аппендикса закупорен фекалитом. Закупорка повышает давление, нарушает кровоснабжение и способствует инфекции, что увеличивает вероятность разрыва даже при быстром назначении антибиотиков. Между тем общие клинические шкалы для аппендицита разработаны для всех пациентов, а не специально для тех с фекалитом, и они плохо предсказывают перфорацию в этой группе с повышенным риском. Такая неопределенность заставляет клиницистов выбирать между избыточными операциями с их собственными рисками и расходами или слишком долгим ожиданием и риском разрыва аппендикса.

Использование закономерностей в больничных данных

Исследователи собрали записи о 1 247 взрослых, лечившихся без немедленной операции при аппендиците с фекалитом в четырех крупных больницах в период с 2018 по 2023 год. Примерно один из семи пациентов перенес перфорацию в течение трех дней. Для каждого пациента команда собрала простые данные, уже имеющиеся в рутинной практике: возраст, жизненные показатели, анализы крови, отражающие воспаление, и измерения на КТ размера аппендикса и фекалита. Затем они обучили 20 разных компьютерных алгоритмов находить связи между этими признаками и исходом — произошла ли перфорация, при этом часть данных была отложена для честного тестирования моделей.

Победивший инструмент прогнозирования риска

Из всех подходов лучше всего показала себя группа методов, объединяющая множество деревьев решений, известная как градиентный бустинг. После этапа отбора признаков финальный инструмент опирался на восемь легко доступных показателей, включая размер фекалита, уровни С-реактивного белка и лейкоцитов в крови, а также толщину и ширину аппендикса по КТ. В основной тестовой группе модель правильно разделила пациентов на группы высокого и низкого риска с отличной мерой точности (AUC примерно 0,89). Особенно примечательно, что когда модель относила пациента к низкому риску, она более чем в 96 процентах случаев оказывалась права — у таких пациентов не наступала перфорация, что дает сильное основание для продолжения консервативного лечения.

Перевод чисел в понятные группы риска

Чтобы сделать инструмент удобным у постели больного, команда перевела сырые вероятностные оценки модели в три простых уровня. Пациентов с прогнозируемым риском ниже 30 процентов пометили как низкий риск — у них фактическая частота перфорации составила всего 3,8 процента. Те, у кого риск был между 30 и 60 процентами, отнесены к среднему риску, при этом примерно каждый четвертый терпел перфорацию. Выше 60 процентов — группа высокого риска: более семи из десяти таких пациентов в итоге перенесли перфорацию. Предложенные действия соответствуют этой шкале: рутинное наблюдение для низкого риска, более внимательное наблюдение и повторные обследования для среднего риска, и ранняя или срочная операция для пациентов с наивысшим риском. Отдельная когорта из 225 пациентов из пятой больницы, не участвовавшей в создании модели, показала очень похожие результаты, что указывает на применимость подхода за пределами исходных центров.

Что это значит для пациентов и врачей

Проще говоря, исследование демонстрирует, что компьютер, обученный на обычных лабораторных тестах и данных КТ, может дать врачам гораздо более ясное раннее предупреждение о том, какие пациенты с закупоренным аппендиксом действительно рискуют при продолжении только антибиотикотерапии. Инструмент не идеален, но особенно слабых мест у него немного: он надежно выделяет людей, за которыми безопасно наблюдать и лечить без спешки в операционную. При дальнейшем тестировании в разных больницах и при использовании в реальном времени такие модели могут помочь принимать более персонализированные решения, позволяя многим пациентам избежать ненужных операций и при этом обеспечивая своевременное вмешательство для тех, кто в наибольшей опасности.

Цитирование: Zhu, Y., Feng, J., Liu, R. et al. Building and validating machine learning models to predict appendiceal perforation during conservative treatment of fecalith-associated appendicitis: a 20-algorithm multicenter retrospective analysis. Sci Rep 16, 11728 (2026). https://doi.org/10.1038/s41598-026-47372-2

Ключевые слова: аппендицит, машинное обучение, прогнозирование риска, консервативное лечение, градиентный бустинг