Причинно‑следственная и интерпретируемая платформа машинного обучения для прогнозирования рисков после краниопластики и поддержки хирургических решений

Почему важно прогнозировать риски хирургии

Когда тяжелая черепно‑мозговая травма или инсульт вынуждают хирургов временно удалить часть черепа, чтобы спасти жизнь пациента, впоследствии требуется вторичная операция — краниопластика — для восстановления дефекта. Хотя эта повторная операция часто возвращает защитную функцию и косметический вид, она сопряжена с удивительно высокой вероятностью осложнений, таких как инфекция или накопление жидкости вокруг мозга. В исследовании, представленном здесь, поставлен прагматичный вопрос: можно ли использовать данные больниц и современные вычислительные методы, чтобы предсказать, какие пациенты находятся в наибольшей группе риска, и даже предложить более безопасные варианты проведения операции?

Закрыть череп — но не без риска

После декомпрессивной краниотомии — когда часть черепа удаляют для снижения опасного внутричерепного давления — мозг остается уязвимым. Краниопластика восстанавливает форму черепа и может улучшить функцию мозга и внешний вид, поддерживая восстановление и уверенность пациента. Тем не менее более чем у одного из четырех пациентов развиваются проблемы после операции, включая инфекцию, кровотечение, судороги или скопления воздуха и жидкости. Эти осложнения удлиняют время госпитализации, увеличивают затраты и могут свести на нет достигнутые результаты восстановления. Врачи знают некоторые факторы риска из предыдущих исследований, но до сих пор у них не было надежных инструментов для индивидуального прогноза осложнений.

Обучение компьютеров выявлять проблемы заранее

Чтобы восполнить этот пробел, исследователи собрали подробные записи о 1 368 пациентах, прошедших краниопластику в трех крупных больницах Китая в течение почти десяти лет. Они сосредоточились на информации, которая уже была бы доступна до или во время операции — например, уровень сознания пациента, размер дефекта черепа, время с момента первой операции, признаки инфекции или скопления жидкости вокруг мозга и технические решения, принятые в операционной. На основе этих данных они обучили и сравнили 15 различных методов машинного обучения — семейство алгоритмов, которые извлекают закономерности из примеров, а не опираются на написанные человеком правила.

В ходе тщательного отбора признаков команда выделила девять ключевых предикторов, которые последовательно несли наибольшую информацию в нескольких статистических методах. Затем были построены модели для оценки вероятности любых осложнений, а также отдельные модели для специфических проблем, таких как инфекция, скопление жидкости, судороги или необходимость повторной операции. Модель на основе случайного леса — метод, объединяющий множество деревьев решений — показала себя лучшей в целом, обеспечив хорошее сочетание точности и надежности.

Насколько хорошо работали цифровые риск‑оценки

Исследователи протестировали основную модель не только на исходной выборке пациентов, но и на пациентах из другой больницы и на более поздней когорте, пролеченной в другой временной период. Во всех случаях модель успешно разделяла пациентов на группы высокого и низкого риска с впечатляющей работоспособностью, правильно ранжируя пациентов более чем в 93 из 100 случаев. Она также оставалась точной в разных возрастных группах и для мужчин и женщин, а предсказанные вероятности хорошо соответствовали фактическим исходам. Отдельные модели для конкретных осложнений также показали хорошие результаты, хотя они были менее точны для редких событий, таких как судороги или некоторые типы кровотечений.

От прогноза к изменению самой операции

Помимо простого отнесения пациентов к группам высокого или низкого риска, команда хотела понять, могут ли конкретные хирургические решения действительно изменить эти риски. С помощью инструментов «каузального» машинного обучения они изучили два решения, которые контролируют хирурги во время краниопластики: установка под кожу небольшого дренажа с отрицательным давлением для удаления крови и жидкости, и использование титановой сетки вместо других искусственных материалов. Анализы показали, что и дренаж, и титаная сетка были связаны с заметно меньшим числом осложнений в целом, особенно в большинстве возрастных и половых подгрупп. В некоторых случаях виртуальные «что‑если» эксперименты продемонстрировали, что изменение даже одного из этих решений могло по модели превратить случай высокого риска в случай низкого риска.

Превращение сложной математики в прикроватный инструмент

Чтобы сделать результаты применимыми в загруженных клиниках, авторы упаковали модели в бесплатное веб‑приложение. Клиникисты могут ввести несколько данных о пациенте и планируемых операциях, чтобы получить мгновенную оценку общего риска и риска по типам осложнений, а также объяснение факторов, влияющих на предсказание. Для пациентов и их семей это может способствовать более ясным разговорам о плюсах и минусах различных хирургических подходов. Для хирургов это предлагает путь от интуиции к решениям, основанным на данных и индивидуализированным для конкретного пациента. Хотя необходимы дальнейшие проверки в других странах и долгосрочные последующие исследования, эта платформа демонстрирует, как тщательно спроектированные инструменты машинного обучения могут как прогнозировать риски хирургии, так и указывать на конкретные шаги, которые могут сделать операции на мозге безопаснее.

Цитирование: Li, W., Wang, B., Li, T. et al. A Causal and interpretable machine learning framework for postcranioplasty risk prediction and surgical decision support. npj Digit. Med. 9, 184 (2026). https://doi.org/10.1038/s41746-026-02370-6

Ключевые слова: краниопластика, последоперационные осложнения, машинное обучение, поддержка хирургического принятия решений, титановые сетки