В мире медицины артериовенозный (AV) доступ играет ключевую роль в обеспечении долгосрочного гемодиализа. Однако значительная часть таких доступов не достигает успеха из-за недостаточной зрелости или других осложнений. В связи с этим разработка инструментов, способных предсказать долгосрочный успех AV доступа, становится все более актуальной.
Недавнее исследование, проведенное с использованием алгоритмов машинного обучения, направлено на предсказание успешного клинического использования AV доступа в течение года. Для этого были проанализированы данные пациентов, которые прошли операцию по созданию AV фистулы или графта в период с 2011 по 2024 год. В результате было выявлено 111 предоперационных демографических, клинических и анатомических характеристик.
В исследовании были обучены шесть моделей машинного обучения с использованием 10-кратной кросс-валидации. Из 59,674 пациентов, которым был создан AV доступ, 28,304 (47.4%) смогли успешно использовать его в течение года. Наилучшей моделью оказалась XGBoost, которая достигла значения AUROC 0.90, что значительно превышает результаты логистической регрессии с AUROC 0.70.
Эти результаты подчеркивают потенциал машинного обучения в области медицины, особенно в предсказании исходов хирургических вмешательств. Использование таких моделей может значительно улучшить клиническое принятие решений и повысить качество медицинской помощи пациентам, нуждающимся в гемодиализе.