военный врач
military doctor
военный врач
military physician
военный врач
military physician
военный врач
military doctor
военный врач
military doctor
военный врач, главный хирург Херсонской области
military physician
военный врач
military doctor
военный врач
military doctor
военный врач
military doctor
военный врач
military doctor
военный врач
military doctor
военный врач
military physician
военный врач
military physician
Актуальность. При огнестрельных ранениях магистральных артерий выбор стратегии реваскуляризации остается субъективным. Отсутствие точных интраоперационных критериев может приводить к реконструкциям с высоким риском тромбоза и ампутаций.
Цель. Разработать и валидировать алгоритм выбора стратегии реваскуляризации на основе интраоперационной ультразвуковой ангиометрии с применением методов машинного обучения.
Материалы и методы. В проспективное исследование включено 32 пациента (34 поврежденные артерии). Интраоперационно измеряли пиковую систолическую скорость кровотока, объемный кровоток и индекс резистентности. Применены различные методы статистического и машинного обучения, включая ROC-анализ, LASSO-регуляризацию, кластерный анализ и XGBoost.
Результаты. Разработанный алгоритм продемонстрировал высокую прогностическую точность. XGBoost достиг площади под ROC-кривой 0,989. Оптимальные пороговые значения: PSV > 41,2 см/с, Q > 48,7 мл/мин. Тридцатидневная проходимость зоны реконструкции составила 92,8% при прямом анастомозе и 87,5% при аутовенозном протезировании. Частота ампутаций снижена с 21,9% до 6,25%.
Заключение. Интраоперационная ультразвуковая ангиометрия с применением методов машинного обучения позволяет снизить частоту ампутаций более чем в три раза.
Background. The choice of revascularization strategy for gunshot wounds to major arteries remains subjective. The lack of precise intraoperative criteria can lead to reconstructions with a high risk of amputation thrombosis.
Aim. To develop and validate an algorithm for selecting a revascularization strategy based on intraoperative ultrasound angiometry using machine learning methods.
Materials and Methods. This prospective study included 32 patients (34 injured arteries). Peak systolic blood flow velocity, volumetric blood flow, and resistance index were measured intraoperatively. The following methods were used: ROC analysis with the delta method, LASSO regularization, k-means clustering (silhouette estimation, Davis-Boldin index, Gap index), Ward hierarchical clustering, principal component analysis, random forest with variable importance calculation (Gini impurity reduction and permutation-based importance), XGBoost gradient boosting with 10-fold cross-validation and grid hyperparameter search, Bayesian logistic regression with Cauchy priors (Gelman-Rubin statistic for convergence assessment), Kaplan-Meier survival analysis, Cox regression with proportional hazards testing, nomogram construction with bootstrap validation (1000 samples), and calculation of the in-house predictive accuracy index.
Results. The developed algorithm demonstrated the area under the ROC curve of 0.978 (95 % confidence interval 0.942–1.000). The XGBoost method achieved the area under the ROC curve of 0.989 (95 % confidence interval 0.965–1.000). Optimal threshold values: peak systolic velocity greater than 41.2 cm/s (sensitivity 96.4 %, specificity 92.3 %), volume blood flow greater than 48.7 ml/min (sensitivity 92.9 %, specificity 100 %). Cluster analysis revealed three phenotypes (average silhouette width 0.73). Thirty-day patency of the reconstruction zone was: with direct anastomosis - 92.8 %, with autovenous grafting - 87.5 %. The amputation rate was reduced from 21.9 % to 6.25% (p=0.018 by Fisher's exact test). The C-index of the prognostic nomogram was 0.965.
Conclusion. Intraoperative ultrasound angiometry using machine learning methods reduces the amputation rate by more than threefold.
The authors declare that there are no conflicts of interest present.