Prediktionsmodell för behov av ytterligare ingrepp vid flexibel ureteroskopi med förklarbar artificiell intelligens

Varför det är viktigt att förutsäga en andra stenoperation

Njurstenskirurgi beskrivs ofta som en engångslösning, ändå behöver mer än en fjärdedel av patienterna som genomgår en modern titthålsmetod kallad flexibel ureteroskopi fortfarande en andra behandling. Denna studie undersöker om artificiell intelligens kan hjälpa läkare att förutse vilka patienter som sannolikt behöver ytterligare ingrepp, genom att använda information från skanningar och själva operationen för att vägleda planeringen och skona patienter från extra stress, kostnad och återhämtningstid.

Hur njursten behandlas idag

Flexibel ureteroskopi gör det möjligt för kirurger att nå stenar inne i njuren genom att föra in en tunn kamera och laser via urinvägarna. Metoden är mindre invasiv än äldre kirurgiska tekniker och har blivit förstahandsval för många stenar. Fullständig borttagning är ändå inte alltid möjlig. Vissa patienter lämnas med fragment som senare orsakar smärta, infektion eller hindring, vilket tvingar fram upprepad endoskopi, stötvågsterapi eller mer invasiv kirurgi. Befintliga poängsystem försöker förutsäga framgång, men de använder ofta bara ett fåtal mätvärden och kan ha svårt när patienter skiljer sig mycket i anatomi och stenegenskaper.

Ett nytt sätt att lära av tidigare patienter

Forskarna analyserade journaler från 656 personer som genomgick flexibel ureteroskopi under en tioårsperiod. För varje patient samlade de ålder, kön, stenos storlek och läge, uppgifter från datortomografi, blod- och urinprov samt tekniska val såsom storleken på åtkomstslangen och om ett sugassisterat instrument användes. De tränade och jämförde sedan fjorton olika datorinlärningsmetoder, från enkel logistisk regression till mer komplexa träd- och boostningsmodeller, för att förutsäga om en patient slutligen behövde ett oplanerat ytterligare ingrepp.

En avgörande böjning inne i njuren

Det mest framträdande fyndet var inte ett laboratorievärde eller stenstorlek, utan en vinkel inne i njuren där det centrala samlingssystemet möter den smala tuben som dränerar urin till blåsan. När denna böjning, kallad ureteropelvic junction pelvis angle, var skarp snarare än öppen ökade risken för att behöva ytterligare ingrepp dramatiskt. Patienter med en vinkel under 110 grader hade en frekvens av ytterligare kirurgi på mer än fyra av fem, medan de med en bredare vinkel sällan behövde mer behandling. Detta mönster gällde över olika stenlägen inom njuren, vilket tyder på att denna enskilda anatomiska egenskap fångar hur lätt instrument och stenfragment kan passera.

Verktyg och inställningar som kan påverka oddsen

Utöver anatomiska förhållanden påverkade vissa val under operationen också utfallet. Större åtkomstslangar, som förbättrar vätskeflödet och hjälper till att avlägsna fragment, var kopplade till färre ytterligare ingrepp, särskilt i njurar med en skarpare böjning. En nyare sugförsedd åtkomstanordning verkade också skyddande, sannolikt eftersom den hjälper till att rensa skräp mer effektivt. Studiens AI-modeller lyfte konsekvent fram dessa faktorer som inflytelserika, samtidigt som de bekräftade att större eller multipla stenar fortfarande ökar svårigheterna. Genom att använda förklarbara tekniker kunde författarna visa inte bara hur korrekta modellerna var, utan vilka indata som drev varje prediktion och i vilken riktning.

Vad detta innebär för patienter och läkare

Arbetet tyder på att en enkel mätning från en preoperativ CT-skanning, kombinerad med några viktiga kirurgiska val, kan ge en tydlig bild av vem som sannolikt kommer att behöva mer än ett njurstensingrepp. För patienter kan detta innebära bättre rådgivning om risker, mer skräddarsydd val av behandlingstyp och smartare användning av nyare verktyg som kan kompensera svår anatomi. För kliniker kan en lättanvänd kalkylator baserad på dessa modeller stödja beslutsfattande utan att ersätta omdöme, och hjälpa till att matcha varje patient med den mest lämpliga planen från början.

Citering: Çoban, F., Kutlu, H. & Kalyenci, B. Prediction model for additional procedure requirement in flexible ureterorenoscopy using explainable artificial intelligence. Sci Rep 16, 15292 (2026). https://doi.org/10.1038/s41598-026-46898-9

Nyckelord: njursten, flexibel ureteroskopi, ureteropelvic vinkel, maskininlärning, kirurgisk planering