Прогнозирование осложнений после установки кава-фильтра с помощью машинного обучения

Имплантация кава-фильтра в нижнюю полую вену (НПВ) связана с рисками долгосрочных осложнений. Прогностические модели, оценивающие осложнения после установки кава-фильтра, могут быть полезны для клинического принятия решений, однако они имеют свои ограничения. Авторы статьи “ Predicting inferior vena cava filter complications using machine learning ” разработали алгоритмы c помощью ML (machine learning) , которые позволяют прогнозировать неблагоприятные события, связанные с установкой кава-фильтра в НПВ, на основе предоперационных данных. [1].

Методы

• На основании базы данных VQI в исследование были включены все пациенты, которым с 2013 по 2024 был установлен кава-фильтр.
• Показания к установке КФ — противопоказание к АКТ, а также рецидивирующая тромбоэмболия на фоне антикоагулянтной терапии. [2]
• Входные данные — 77 предоперационных характеристик:

1. Демографические данные (возраст, пол, раса, этническая принадлежность, место жительство)
2. Сопутствующие заболевания (гипертония, СД, ИБС, ХСН и ХОБЛ)
3. Факторы тромботического риска (тромбофилия, предшествующее ВТЭО, семейный анамнез ВТЭО, ЗНО, беременность)
4. Функциональный статус
5. Принимаемые лекарства (антитромбоцитарные препараты, антикоагулянты)
6. Клиническая картина (локализация ТГВ и / или ТЭЛА, флотирующий  тромб, планируемый венозный тромболизис или тромбэктомия, возможность проведения терапевтической антикоагуляции, противопоказания к антикоагуляции, рецидив ВТЭО во время приема антикоагулянтов)
7. Анатомические характеристики и свойства фильтра (планируемая продолжительность фильтра, место установки, аномальная анатомия вен).

• Конечные точки — осложнения, связанные с использованием кава-фильтра, в течение 1 года после его установки.

Авторы сравнивали следующие модели машинного обучения

• XGBoost
•  Random Forest
•  SVM
•  Naive Bayes
•  Neural Network
•  Logistic Regression

Метрики:

 • AUROC (основная)

 • Brier score (калибровка)

Данные были случайным образом разделены на обучающую (70 %) и тестовую (30 %) выборки. Тестовые данные использовались только для оценки модели и не применялись для обучения, чтобы обеспечить объективность оценки.

Результаты

В исследование было включено 14476 пациентов. Среднее время наблюдения составило 13,3 ± 1,2 месяца.

Осложнения развились у 584 (4,0%) пациентов:

• тромбоз фильтра (n = 140 [1,0%]);
• миграция (n = 12 [0,08%]);
• искривление (n = 62 [0,4%]);
• перелом (n = 6 [0,04%]);
• фрагментация (n = 2 [0,01%]);
• перфорация вены (n = 48 [0,3%]);
• тромбоз НПВ или подвздошной вен (n = 75 [0,5%]);
• ТЭЛА (n = 112 [0,8%]);
• тромбоз в сосудистом доступе (n = 56 [0,4%]);
• неудачное извлечение (n = 205 [1,4%]).

Осложнения редкие, но клинически значимые.

 Лучшая модель — XGBoost:

 • AUROC: 0.93 (0.92–0.94) — очень высокая точность

 • Accuracy: 0.85

 • Sensitivity: 0.85

 • Specificity: 0.86

 • Brier score: 0.07 (хорошая калибровка)

ML существенно превосходит традиционные статистические методы.

В 37,0 % случаев КФ были удалены в течение года после установки. После установки 48,5 % получали антикоагулянтную терапию до выписки из стационара.

Пациенты, у которых в течение года развились осложнения, связанные с использованием фильтра, были моложе (59,3 ± 16,7 года против 63,8 ± 16,0 года; P <0,001) и имели более высокий средний индекс массы тела (31,9 ± 9,8 против 30,8 ± 9,4; P = 0,005). При этом группы не различались по полу, расе, этнической принадлежности и месту проживания. У большей доли пациентов с неблагоприятным исходом была выявлена тромбофилия, в частности наличие антифосфолипидных антител, мутация фактора V Лейдена, мутация протромбина и дефицит антитромбина. У них также чаще наблюдались другие факторы риска тромбоза, в том числе ранее перенесенная венозная тромбоэмболия и семейный анамнез по ВТЭО, но реже диагностировалось активное злокачественное новообразование.

Авторы определи топ-10 предикторов развития осложнений при установке кава-фильтра (рис.1).

Рис.1. Оценка значимости переменных (прирост) для 10 основных предикторов осложнений, связанных с установкой кава-фильтра, в течение 1 года после установки кава-фильтра в модели.

Выводы

1. ML-модели могут точно предсказывать осложнения — возможна персонализированная оценка риска до операции только на основании предоперационных данных.
2. Машинное обучение значительно лучше классических методов, так как позволяет учитывать сложные нелинейные зависимости.
3. Ограничения исследования — ретроспективное исследование, нет данных о типах фильтров, используются только предоперационные переменные, низкая частота отдельных осложнений.

Заключение

В статье представлено исследование на достаточно большой выборке пациентов. Авторы предлагают использовать прогностические модели оценки рисков осложнений, разработанные на основе ML для более инновационного подхода к клинической практике применения КФ. Но важно понимать, какие шаги следует предпринимать, когда риски осложнений высоки, но установка КФ остается необходимой.

Список литературы

1. Li B, Eisenberg N, Beaton D, Lee DS, Al-Omran L, Wijeysundera DN, Hussain MA, Rotstein OD, de Mestral C, Mamdani M, Roche-Nagle G, Al-Omran M. Predicting inferior vena cava filter complications using machine learning. J Vasc Surg Venous Lymphat Disord. 2024 Nov;12(6):101943. doi: 10.1016/j.jvsv.2024.101943. Epub 2024 Jul 29. PMID: 39084408; PMCID: PMC11523346.