Предварительная оценка кровопотери при хирургическом лечении эндокринных заболеваний ансамблевыми методами решающих деревьев

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.

1. Кобринский 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.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. Гусев А.В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения // Врач и информационные технологии. – 2017. – №3. – С.92-105.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.

13. 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.

14. 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.

15. 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.

16. 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.

17. 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.

18. 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.

19. 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.

20. 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.

21. 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.

22. 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.

23. 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.

24. 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).

25. 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.

26. 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.

27. Friedman JH. Greedy Function Approximation: A Gradient Boosting Machine. Ann. Stat. 2001; 29: 1189-1232.

28. Джеймс Г, Уиттон Д, Хасти Т, Тибширани Р. Введение в статистическое обучение с примерами на языке R. Москва: ДМК-пресс, 2018.

29. Кабаков Р.И. R в действии. Анализ и визуализация данных на языке R. Москва: ДМК-пресс, 2014.

30. 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.