Протасов Андрей Витальевич, доктор медицинских наук, профессор, заведующий кафедрой оперативной хирургии и клинической анатомии имени И.Д. Кирпатовского
117198, ул. Миклухо-Маклая, д. 8, г. Москва
Protasov Andrey Vitalievich, Doctor of Medical Sciences, Professor, Head of the Department of Operative Surgery and Clinical Anatomy named after I.D. Kirpatovsky
117198, Miklukho-Maklaya St. 8, Moscow
Канахина Лия Бекетаевна, аспирант кафедры оперативной хирургии и клинической анатомии имени И.Д. Кирпатовского
117198, ул. Миклухо-Маклая, д. 8, г. Москва
Kanakhina Liya Beketaevna, Postgraduate student of the Department of Operative Surgery and Clinical Anatomy named after I.D. Kirpatovsky
117198, Miklukho-Maklaya St. 8, Moscow
Мазурова Ольга Игоревна, кандидат медицинских наук, ассистент кафедры оперативной хирургии и клинической анатомии имени И.Д. Кирпатовского
117198, ул. Миклухо-Маклая, д. 8, г. Москва
Mazurova Olga Igorevna, Candidate of Medical Sciences, Assistant Professor of the Department of Operative Surgery and Clinical Anatomy named after I.D. Kirpatovsky
117198, Miklukho-Maklaya St. 8, Moscow
Чорбаджи Андрей Павлович, ординатор кафедры оперативной хирургии и клинической анатомии имени И.Д. Кирпатовского
117198, ул. Миклухо-Маклая, д. 8, г. Москва
Chorbadzhi Andrey Pavlovich, Resident of the Department of Operative Surgery and Clinical Anatomy named after I.D. Kirpatovsky
117198, Miklukho-Maklaya St. 8, Moscow
Введение. Цель: разработать методику выявления ключевых признаков КТ-абдоменометрии, помогающих хирургу принимать решения о предоперационной подготовке пациентов с большими послеоперационными вентральными грыжами (W3) с использованием алгоритмов машинного обучения.
Материал и методы. В ретроспективное исследование включено 90 пациентов (2020-2024 гг.), разделенных на три группы: без послеоперационных вентральных грыж (ПОВГ) (N=30), с W2 ПОВГ (N=30) и с W3 ПОВГ (N=30). Анализировались параметры мышц передней брюшной стенки, окружность брюшной полости, ширина грыжевых ворот, Defect ratio (%) и индекс разделения компонентов. Применялись ANOVA, критерий Краскела-Уоллиса, t-критерий Стьюдента, U-критерий Манна-Уитни, Random Forest, логистическая регрессия и кластеризация (K-Means, DBSCAN). Результаты. Логистическая регрессия показала точность 86 % (AUC-ROC = 0,95). Значимыми предикторами ботулинотерапии оказались Defect ratio (%), индекс разделения компонентов и площадь мышц (справа). Кластеризация методом K-Means позволила выделить группы пациентов, одна из которых на 83 % состояла из пациентов, получавших ботулинотерапию, что подтверждает объективную дифференциацию по клиническим показаниям. Оптимальный порог вероятности предсказания ботулинотерапии составил 0,6, что снижает количество ложных отрицательных предсказаний.
Выводы. Использование машинного обучения позволило объективизировать процесс принятия решений и персонализировать предоперационное планирование, снижая субъективный фактор и повышая точность прогнозирования ботулинотерапии.
Introduction. Purpose: this study aimed to develop a machine learning-based approach for identifying key CT abdominometry features to assist in the preoperative planning of patients with large and giant postoperative ventral hernias.
Materials and methods of research. A retrospective analysis was conducted on 90 patients examined between 2020 and 2024. Patients were divided into three groups: those without postoperative ventral hernias (n=30), patients with W2 hernias (n=30), and patients with large or giant hernias who underwent preoperative botulinum therapy (n=30). CT scans of the abdomen, retroperitoneum, and pelvis were performed, and parameters such as anterior abdominal wall muscle characteristics, abdominal circumference, hernia gate width, defect ratio, and component separation index were measured. Statistical analyses included ANOVA, the Kruskal-Wallis test, Student’s t-test, and the Mann-Whitney U test. Feature selection was performed using a random forest algorithm, logistic regression was utilized for predicting the need for botulinum therapy, and clustering methods (K-Means, DBSCAN) were applied to identify distinct patient subgroups.
Treatment results. Logistic regression achieved an accuracy of 86 % (AUC-ROC = 0,95). 'The defect ratio, component separation index, and right muscle area were identified as significant predictors for botulinum therapy. K-Means clustering delineated a subgroup in which 83 % of patients underwent botulinum therapy, underscoring the objective differentiation based on CT features. An optimal predictive threshold of 0.6 was established to minimize false negatives.
Conclusion. The application of machine learning techniques facilitates objective and personalized preoperative planning, thereby enhancing surgical decision-making in the management of postoperative ventral hernias.
The authors declare that there are no conflicts of interest present.