Андреенков Вячеслав Сергеевич, врач анестезиолог-реаниматолог отделения анестезиологии-реанимации № 79,
Москва.
Andreenkov Vyacheslav S., Anesthesiologist-Resuscitator at Anesthesiology-Resuscitation Dept No. 79,
Moscow.
Власенко Алексей Викторович, д. м. н., проф., зав. кафедрой анестезиологии, реаниматологии и неотложной медицины; зав. отделением анестезиологии-реанимации № 32,
Москва.
Vlasenko Alexey V., DM Sci (habil.), Professor, Head of Dept of Anesthesiology, Resuscitation and Emergency Medicine; Head of Anesthesiology-Resuscitation Dept No. 32,
Moscow.
Корниенко Андрей Николаевич, д. м. н., зав. отделением анестезиологии-реанимации № 79,
Москва.
Kornienko Andrey N., DM Sci (habil.), Head of Anesthesiology-Resuscitation Dept No. 79,
Moscow.
Казаков Андрей Сергеевич, к. м. н., врач анестезиолог-реаниматолог отделения анестезиологии-реанимации № 23,
Москва.
Kazakov Andrey S., PhD Med, Anesthesiologist-Resuscitator at Anesthesiology and Resuscitation Dept No. 23,
Moscow.
Родионов Евгений Петрович, к. м. н., доцент, заместитель главного врача по анестезиологии-реанимации; доцент кафедры анестезиологии, реаниматологии и неотложной медицины,
Москва.
Rodionov Evgeny P., PhD Med, Honored Doctor of the Russian Federation, Associate Professor at Dept of Anesthesiology, Resuscitation and Emergency Medicine; Deputy Chief Physician for Anesthesiology and Resuscitation,
Moscow.
Колонтарев Константин Борисович, д. м. н., проф., заместитель руководителя Московского урологического центра,
Москва.
Kolontarev Konstantin B., DM Sci (habil.), Professor, Moscow Urology Center Deputy Head,
Moscow.
Евдокимов Евгений Александрович, д. м. н. проф., заслуженный врач РФ, почетный заведующий кафедрой, проф. кафедры,
Москва.
Evdokimov Evgeny A., DM Sci (habil.), Professor, Honored Doctor of the Russian Federation, Honorary Head of Dept, Professor at Dept.,
Moscow.
Актуальность. Робот-ассистированная радикальная простатэктомия является одним из ведущих методов лечения рака предстательной железы. Частым осложнением общей анестезии при этой операции является интраоперационная гипотензия. В последние годы набирает популярность применение предоперационного ультразвукового обследования для прогнозирования этого состояния и проведения его персонифицированной профилактики. Точность прогноза ультразвукового обследования возможно повысить за счет использования дополнительных предикторов, объединенных методами машинного обучения.
Цель исследования. Улучшить результаты лечения пациентов с раком предстательной железы путем оптимизации их волемического статуса в периоперационном периоде перед робот-ассистированной простатэктомией.
Материалы и методы. В проспективное исследование было включено 64 пациента, планирующихся к проведению робот-ассистированной радикальной простатэктомии. Перед проведением операции пациентам было выполнено прикроватное ультразвуковое исследование с определением диаметров и индексов коллабируемости нижней полой и подключичной вен, скорригированного времени систолического потока (cCFT) и вариабельности пикового систолического потока (ΔV) на сонной артерии. Эти данные были использованы для построения прогностических моделей машинного обучения с целью более эффективного предсказания развития интраоперационной гипотензии.
Результаты. Наибольшей прогностической ценностью обладал показатель вариабельности пикового систолического потока на сонной артерии (AUROC 0,843, безошибочность 75 %). Оптимальным пороговым значением этого показателя для предсказания интраоперационной гипотензии было 8,33 %. Создание модели машинного обучения на основе градиентного бустинга с использованием дополнительных предикторов позволило увеличить точность прогноза (AUROC 0,933, безошибочность 95 %).
Выводы. Определение вариабельности пикового систолического потока на сонной артерии является наиболее прогностически ценным показателем для предсказания интраоперационной гипотензии при робот-ассистированной радикальной простатэктомии. Использование методов машинного обучения для прогнозирования интраоперационной гипотензии позволяет увеличить точность предсказания.
Introduction. Robot-assisted radical prostatectomy is one of the leading methods of prostate cancer treatment. A common complication of general anesthesia during this operation is intraoperative hypotension. In recent years, the use of preoperative ultrasound examinations to predict this condition and carry out personalized prevention has been gaining popularity. Machine learning methods trained with additional predictors
can improve the accuracy of these predictions.
Objective. To improve the treatment outcomes of patients with prostate cancer by optimizing their volemic status in the perioperative period before robot-assisted prostatectomy.
Materials and methods. The prospective study included 64 patients scheduled for robot-assisted radical prostatectomy. Before surgery, patients underwent bedside ultrasound examination to determine the diameters and collapsibility indices of the inferior vena cava and subclavian veins, corrected carotid flow time (cCFT), and respiratory variation of blood flow peak velocity (ΔV). These data were used in the training of machine learning predictive models to ameliorate intraoperative hypotension prediction efficacy.
Results. The respiratory variation of blood flow peak velocity had the highest predictive value (AUROC 0.843, accuracy 75 %). The indicator’s optimal threshold for intraoperative hypotension prediction was 8.33 %. The accuracy of the prediction has been increased using the machine learning model based on gradient boosting with additional predictors (AUROC 0.933, accuracy 95 %).
Conclusions. Determining the respiratory variation of blood flow peak velocity is the most prognostically valuable indicator for intraoperative hypotension prediction during robot-assisted radical prostatectomy. The use of machine learning methods to predict intraoperative hypotension increases the accuracy of prediction.
The authors declare that there are no conflicts of interest present.