vitjВрач и информационные технологииMedical Doctor and Information Technologies1811-01932413-5208Pirogov National Medical and Surgical Center10.25881/18110193_2026_3_118vitj-412Research ArticleОРИГИНАЛЬНЫЕ ИССЛЕДОВАНИЯORIGINAL RESEARCHПредварительная оценка кровопотери при хирургическом лечении эндокринных заболеваний ансамблевыми методами решающих деревьевPreliminary assessment of blood loss during surgical treatment of endocrine diseases using decision treesПаршаковаМ. С.ParshakovaM. S.

г. Санкт-Петербург

St. Petersburg

mary.parshakova@mail.ruСеменовА. А.SemenovA. A.

к.м.н.

г. Санкт-Петербург

Ph.D.

St. Petersburg

arseny@thyro.ruЛаскинМ. Б.LaskinM. B.

к.ф.-м.н., д.э.н.

г. Санкт-Петербург

DSc.

St. Petersburg

laskin.m@iias.spb.suФГБОУ «СПИИРАН ФИЦ РАН (СПИИРАН)РоссияFSBIS "SPC RAS (SPIIRAS) "Russian FederationФГБОУ ВО «СПбГУ»РоссияFSBEI HE "SPbSU",Russian FederationФГБОУ «СПИИРАН ФИЦ РАН (СПИИРАН)РоссияFSBIS "SPC RAS (SPIIRAS)"Russian Federation20261710202603118131Copyright © Паршакова М.С., Семенов А.А., Ласкин М.Б., 20262026Паршакова М.С., Семенов А.А., Ласкин М.Б.Parshakova M.S., Semenov A.A., Laskin M.B.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vit-j.ru/jour/article/view/412

В медицинских учреждениях и клиниках накапливается значительный объем информации, который может и должен быть использован при планировании лечебной и организационной деятельности. При этом между влияющими факторами и целевыми KPI имеются интуитивно понятные связи, которые не могут быть описаны функциональными зависимостями. В таких условиях возникает богатый спектр различных задач, для решения которых могут привлекаться методы машинного обучения и искусственного интеллекта.

В настоящей статье рассматривается задача прогнозирования кровопотери при хирургическом лечении заболеваний органов эндокринной системы. Для оценки кровопотерь применяются методы машинного обучения, основанные на решающих деревьях. Данные для исследования предоставлены одной из ведущих мировых клиник.

Medical institutions and clinics accumulate a significant amounts of data that can and should be used in planning clinical and operational activities. There are intuitive connections between influencing factors and target KPIs that cannot be described by functional dependencies. Such conditions give rise to a wide range of tasks that can be addressed using machine learning and artificial intelligence methods. This article examines the task of predicting blood loss during the surgical treatment of endocrine system disorders. Machine learning methods based on decision trees are used to estimate blood loss. The data for the study were provided by one of the world’s leading clinics of endocrine surgery from St. Petersburg.

решающие деревьяансамблевые методымашинное обучение в медицинепрогнозирование кровопотеридлительность операцииdecision treesensemble methodsmachine learning in medicinesurgery durationblood loss estimationduration of surgeryReferencesКобринский Б.А. Системы искусственного интеллекта в хирургии: возможности, ограничения и перспективы. Обзор литературы // Российский вестник детской хирургии, анестезиологии и реаниматологии. – 2023. – Т.13. – №3. – С.385-404. doi: 10.17816/psaic1547.Kobrinskii BA. Artificial intelligence systems in surgery: A review of opportunities, limitations, and prospects. Review. Russian Journal of Pediatric Surgery, Anesthesia and Intensive Care. 2023; 13(3): 385-404. (In Russ.) doi: 10.17816/psaic1547.Болдина Ю.С., Ившин А.А. Возможности машинного обучения в прогнозировании акушерских кровотечений // Акушерство, Гинекология и Репродукция. – 2024. – №18(3). – С.365-381. doi: 10.17749/2313-7347/ob.gyn.rep.2024.491.Boldina YS, Ivshin AA. Machine learning opportunities to predict obstetric haemorrhages. Akusherstvo, Ginekologia i Reprodukcia = Obstetrics, Gynecology and Reproduction. 2024; 18(3): 365-381. (In Russ.) doi: 10.17749/2313-7347/ob.gyn.rep.2024.491.Аль-Юсеф Н., Булатова Л.Р., Гуров О.Н. Искусственный интеллект в сосудистой хирургии: этико- философский анализ технологического прогресса // Искусственные общества. – 2025. – T.20. – Выпуск 2. doi: 10.18254/S207751800034958-2.Al-Yusef N, Bulatova L, Gurov O. Artificial Intelligence in Vascular Surgery: an Ethico- Philosophical Analysis of Technological Advancement. Artificial societies. 2025; 20(2). (In Russ.) doi: 10.18254/S207751800034958-2.Гельцер Б.И., Шахгельдян К.И., Рублев В.Ю. и др. Методы машинного обучения в прогнозировании летальных исходов в стационаре у больных ишемической болезнью сердца после коронарного шунтирования // Кардиология. – 2020. – №60(10). – С.38-46.Geltser BI, Shahgeldyan KJ, Rublev VY, et al. Machine Learning Methods for Prediction of Hospital Mortality in Patients with Coronary Heart Disease after Coronary Artery Bypass Grafting. Kardiologiia. 2020; 60(10): 38-46 (In Russ.)Овчаренко Е.А., Клышников К.Ю., Кутихин А.Г., Фролов А.В. Машинное обучение в задаче прогнозирования неблагоприятных сердечно-сосудистых событий у пациентов после коронарного шунтирования // Клиническая и экспериментальная хирургия. Журнал имени академика Б.В. Петровского. – 2023. – Т.11. – №3. – С.16-28. doi: 10.33029/2308-1198-2023-11-3-16-28.Ovcharenko EA, Klyshnikov KYu, Kutikhin AG, Frolov AV. Machine learning in the problem of adverse cardiovascular events prognosis in patients after coronary artery bypass surgery. Clinical and Experimental Surgery. Petrovsky Journal. 2023; 11(3): 16-28. (In Russ.) doi: 10.33029/2308-1198-2023-11-3-16-28.Баранов А.А., Намазова-Баранова Л.С., Смирнов И.В. и др. Методы и средства комплексного интеллектуального анализа медицинских данных // Труды Института системного анализа Российской академии наук. – 2015. – Т.65. – №2. – С.81-93.Baranov AA, Namazova-Baranova LS, Smirnov IV, et al. Methods and means of complex intellectual analysis of medical data. Proceedings of the Institute of System Analysis of the Russian Academy of Sciences. 2015; 65(2): 81-93. (In Russ.)Гусев А.В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения // Врач и информационные технологии. – 2017. – №3. – С.92-105.Gusev AV. Perspectives of neural networks and deep machine learning in the creation of solutions for health care. Physician and information technologies. 2017; 3: 92-105.(In Russ.)Сахибгареева М.В., Заозерский А.Ю. Разработка системы прогнозирования диагнозов заболевания на основе искусственного интеллекта // Вестник Российского государственного медицинского университета. – 2017. – №6. – С.42-46.Sakhibgareeva MV, Zaozersky AYu. Development of the system of forecasting disease diagnoses on the basis of artificial intelligence. Bulletin of the Russian State Medical University. 2017; 6: 42-46. (In Russ.)Медников Д.А., Протасова З.У., Крикунова Е.В. Интеллектуальные системы поддержки принятия врачебных решений в кардиологической практике. В сборнике: Юность и знания – гарантия успеха-2021. Сборник научных трудов 8-й Международной молодежной научной конференции. В 3 т. – Курск, 2021. – С.225-245.Mednikov DA, Protasova ZU, Krikunova EV. Intellectual systems to support medical decision-making in cardiology practice. In Collection: Youth and knowledge – guarantee of success-2021. Collection of scientific papers of the 8th International Youth Scientific Conference. In 3 v. Kursk, 2021. Р.225-245.(In Russ.)Boulitsakis LS, Green D, Holland M, Al Moubayed N. Predicting acute clinical deterioration with interpretable machine learning to support emergency care decision making. Sci. Rep. 2023; 13: 13563.Boulitsakis LS, Green D, Holland M, Al Moubayed N. Predicting acute clinical deterioration with interpretable machine learning to support emergency care decision making. Sci. Rep. 2023; 13: 13563.Nohara Y, Matsumoto K, Soejima H, Nakashima N. Explanation of machine learning models using shapley additive explanation and application for real data in hospital. Comput. Methods Programs Biomed. 2022; 214: 106584.Nohara Y, Matsumoto K, Soejima H, Nakashima N. Explanation of machine learning models using shapley additive explanation and application for real data in hospital. Comput. Methods Programs Biomed. 2022; 214: 106584.Feretzakis G, Sakagianni A, Anastasiou A, et al. Integrating Shapley Values into Machine Learning Techniques for Enhanced Predictions of Hospital Admissions. Appl. Sci. 2024; 14: 5925. 13. Зюзин В.С. Предоперационная оценка риска кровотечения у кардиохирургических пациентов // Хирургическая практика. – 2024. – №9(2). – С.80-96. dоi: 10.5922/2223-2427-2024-9-2-6.Feretzakis G, Sakagianni A, Anastasiou A, et al. Integrating Shapley Values into Machine Learning Techniques for Enhanced Predictions of Hospital Admissions. Appl. Sci. 2024; 14: 5925. 13. Зюзин В.С. Предоперационная оценка риска кровотечения у кардиохирургических пациентов // Хирургическая практика. – 2024. – №9(2). – С.80-96. [Zyuzin VS. Preoperative bleeding risk assessment in cardiac surgery patients. Surgical practice. 2024; 9(2): 80-96. (In Russ.)] dоi: 10.5922/2223-2427-2024-9-2-6.Матинян Н.В., Гьокова Е.В., Иванова Т.Е. и др. Массивная кровопотеря при высокотравматичных операциях в детской онкологии (проспективное рандомизированное исследование) // Анестезиология и реаниматология. – 2024. – №1. – С.31-40. doi: 10.17116/anaesthesiology202401131.Matinyan NV, Gyokova EV, Ivanova TE, et al. Massive blood loss in pediatric cancer surgery. Anesteziologiya i Reanimatologiya. 2024; 1: 31-40. (In Russ.) doi: 10.17116/anaesthesiology202401131.Болдина Ю.С., Ившин А.А. Возможности машинного обучения в прогнозировании акушерских кровотечений // Акушерство, Гинекология и Репродукция. – 2024. – №18(3). – С.365-381. doi: 10.17749/2313-7347/ob.gyn.rep.2024.491.Boldina YS, Ivshin AA. Machine learning opportunities to predict obstetric haemorrhages. Akusherstvo, Ginekologia i Reprodukcia. 2024; 18(3): 365-381.(In Russ.) doi: 10.17749/2313-7347/ob.gyn.rep.2024.491.Абдуалимов Т.П., Обрезан А.Г. Выявление поражения коронарных артерий при помощи алгоритмов глубокого обучения // Кардиология: новости, мнения, обучение. – 2021. – Т.9. – №2(27). – С.9-13.Abdualimov TP, Obrezan AG. Detection of coronary arterial lesions using deep learning algorithms. Cardiology: news, opinions, training. 2021; 9(2): 9-13. (In Russ.)Драпкина Ю.С., Макарова Н.П., Васильев Р.А., Амелин В.В., Калинина Е.А. Сравнение прогностических моделей, построенных с помощью разных методов машинного обучения, на примере прогнозирования результатов лечения бесплодия методом вспомогательных репродуктивных технологий // Акушерство и гинекология. – 2024. – №2. – С.97-105.Drapkina YS, Makarova NP, Vasiliev RA, Amelin VV, Kalinina EA. Comparison of prognostic models built using different methods of machine learning, by the example of predicting the results of infertility treatment by assisted reproductive technologies. Obstetrics and Gynecology. 2024; 2: 97-105. (In Russ.)Корчагин М.П., Говоров А.В., Васильев А.О., Грицков И.О., Пушкарь Д.Ю. Нейросети в онкоурологии // Вестник урологии. – 2024. – Т.12. – №4. – С.91-101.Korchagin MP, Govorov AV, Vasiliev AO, Gritskov IO, Pushkar DYu. Neural networks in oncourology. Vestnik urologii. 2024; 12(4): 91-101.(In Russ.)Драпкина Ю.С., Макарова Н.П., Васильев Р.А. и др. Изучение аналитической обработки клинико-анамнестических и эмбриологических данных пациентов в программе вспомогательных репродуктивных технологий различными методами машинного обучения // Акушерство и гинекология. – 2024. – №3. – С.96-107.Drapkina YS, Makarova NP, Vasiliev RA, et al. Study of analytical processing of clinical-anamnestic and embryological data of patients in the program of assisted reproductive technologies by different methods of machine learning. Obstetrics and Gynecology. 2024; 3: 96-107. (In Russ.)Huang T, Le D, Yuan L, Xu S, Peng X. Machine learning for prediction of in-hospital mortality in lung cancer patients admitted to intensive care unit. PLoS ONE. 2023; 18: e0280606.Huang T, Le D, Yuan L, Xu S, Peng X. Machine learning for prediction of in-hospital mortality in lung cancer patients admitted to intensive care unit. PLoS ONE. 2023; 18: e0280606.Xie F, Zhou J, Lee JW, et al. Benchmarking emergency department prediction models with machine learning and public electronic health records. Sci. Data. 2022; 9: 658.Xie F, Zhou J, Lee JW, et al. Benchmarking emergency department prediction models with machine learning and public electronic health records. Sci. Data. 2022; 9: 658.Tschoellitsch T, Seidl P, Böck C, et al. Using emergency department triage for machine learning-based admission and mortality prediction. Eur. J. Emerg. Med. 2023; 30: 408-416.Tschoellitsch T, Seidl P, Böck C, et al. Using emergency department triage for machine learning-based admission and mortality prediction. Eur. J. Emerg. Med. 2023; 30: 408-416.GotoT, Camargo CA, Faridi MK, et al. Machine learning-based prediction of clinical outcomes for children during emergency department triage. JAMA Netw. Open. 2019; 2: e186937.GotoT, Camargo CA, Faridi MK, et al. Machine learning-based prediction of clinical outcomes for children during emergency department triage. JAMA Netw. Open. 2019; 2: e186937.Feretzakis G, Sakagianni A, Loupelis E, et al. Predicting Hospital Admission for Emergency Department Patients: A Machine Learning Approach. Stud. Health Technol. Inform. 2022; 289: 297-300.Feretzakis G, Sakagianni A, Loupelis E, et al. Predicting Hospital Admission for Emergency Department Patients: A Machine Learning Approach. Stud. Health Technol. Inform. 2022; 289: 297-300.Гафанович Е.Я., Соколов И.М., Конобеева Е.В., Каширина И.Л., Фирюлина М.А. Исследование основных факторов влияния приверженности лечению статинами с использованием «деревьев решений» // Моделирование, оптимизация и информационные технологии. – 2021. – Т.9. – №3(34).Gafanovich EY, Sokolov IM, Konobeeva EV, Kashirina IL, Firyulina MA. Study of the main factors of influence of adherence to treatment with statins using “decision trees”. Modeling, optimization and information technologies. 2021; 9(3). (In Russ.)Голубков А.В., Гаврилова М.П. Классификация эпидемиологических прогнозов и применение градиентного бустинга в профилактической медицине // Medline.ru. Российский биомедицинский журнал. – 2021. – Т.22. – С.328-343.Golubkov AV, Gavrilova MP. Classification of epidemiologic forecasts and application of gradient bousting in prophylactic medicine. Medline.ru. Russian Biomedical Journal. 2021; 22: 328-343.(In Russ.)Миронов Д.С., Спирин И.А., Усынина А.А., Постоев В.А. Возможности применения методов машинного обучения для повышения качества пренатальной диагностики врожденных пороков развития: обзор предметного поля // Врач и информационные технологии. – 2025. – №3. – С.22- 35. doi: 10.25881/18110193_2025_3_22.Mironov DS, Spirin IA, Usynina AA, Postoev VA. Possibilities of applying machine learning methods to improve the quality of prenatal diagnosis of congenital malformations: scoping review. Medical Doctor and Information Technologies. 2025; 3: 22-35. (In Russ.) doi: 10.25881/18110193_2025_3_22.Friedman JH. Greedy Function Approximation: A Gradient Boosting Machine. Ann. Stat. 2001; 29: 1189-1232.Friedman JH. Greedy Function Approximation: A Gradient Boosting Machine. Ann. Stat. 2001; 29: 1189-1232.Джеймс Г, Уиттон Д, Хасти Т, Тибширани Р. Введение в статистическое обучение с примерами на языке R. Москва: ДМК-пресс, 2018.James G, Whitton D, Hastie T, Tibshirani R. Introduction to statistical learning with examples in R. Moscow: DMK-press, 2018. (In Russ.)Кабаков Р.И. R в действии. Анализ и визуализация данных на языке R. Москва: ДМК-пресс, 2014.Kabakov RI. R in action. Data analysis and visualization in the R language. Moscow: DMK-press, 2014. (In Russ.)Паршакова М.С., Семенов А.А., Ласкин М.Б. Оценка длительности операции ансамблевыми методами решающих деревьев // Информатизация и связь. – 2025. – №3. – С.89-97. doi: 10.34219/2078-8320-2025-16-3-89-97.Parshakova MS, Semenov AA, Laskin MB. Operation duration estimation by ensemble methods of decision trees. Informatization and communication. 2025; 3: 89-97. (In Russ.) doi: 10.34219/2078-8320-2025-16-3-89-97.

The authors declare that there are no conflicts of interest present.