Использование машинного обучения для прогнозирования осложнений при реконструкции головы и шеи свободными лоскутами
The Use of Machine Learning for Predicting Complications of Free-Flap Head and Neck Reconstruction
Ретроспективное когортное исследование в журнале Annals of surgical oncology (2023)
Аннотация
BACKGROUND: Machine learning has been increasingly used for surgical outcome prediction, yet applications in head and neck reconstruction are not well-described. In this study, we developed and evaluated the performance of ML algorithms in predicting postoperative complications in head and neck free-flap reconstruction. METHODS: We conducted a comprehensive review of patients who underwent microvascular head and neck reconstruction between January 2005 and December 2018. Data were used to develop and evaluate nine supervised ML algorithms in predicting overall complications, major recipient-site complication, and total flap loss. RESULTS: We identified 4000 patients who met inclusion criteria. Overall, 33.7% of patients experienced a complication, 26.5% experienced a major recipient-site complication, and 1.7% suffered total flap loss. The k-nearest neighbors algorithm demonstrated the best overall performance for predicting any complication (AUROC = 0.61, sensitivity = 0.60). Regularized regression had the best performance for predicting major recipient-site complications (AUROC = 0.68, sensitivity = 0.66), and decision trees were the best predictors of total flap loss (AUROC = 0.66, sensitivity = 0.50). CONCLUSIONS: ML accurately identified patients at risk of experiencing postsurgical complications, including total flap loss. Predictions from ML models may provide insight in the perioperative setting and facilitate shared decision making.
Аннотация взята из PubMed (NCBI) для цитируемой записи и приводится на языке оригинала. Авторитетной является версия в исходной публикации.
Аннотация оставлена без перевода, чтобы сохранить собственные формулировки авторов.
Резюме
Оценены 9 алгоритмов машинного обучения на данных 4000 пациентов после реконструкции головы и шеи свободными лоскутами (2005–2018): осложнения у 33,7 %, крупные осложнения зоны реципиента — у 26,5 %, полная потеря лоскута — у 1,7 %. Метод k-ближайших соседей лучше предсказывал любые осложнения (AUROC = 0,61; чувствительность 0,60), регуляризованная регрессия — крупные осложнения (AUROC = 0,68; чувствительность 0,66), решающие деревья — полную потерю лоскута (AUROC = 0,66; чувствительность 0,50). Модели точно выявляют группы риска и могут поддержать совместное принятие решений.
Почему это важно для гирудотерапии
На основе ретроспективного обзора 4000 пациентов с микрососудистыми свободными лоскутами в области головы и шеи в этом исследовании были разработаны и протестированы девять алгоритмов машинного обучения с учителем для прогнозирования осложнений; согласно аннотации, у 33,7% отмечалось любое осложнение, у 26,5% — тяжёлое осложнение в области реципиентного участка и у 1,7% — полная потеря лоскута, при этом дискриминационная способность моделей была умеренной (наилучшие значения AUROC составили 0,61 для любого осложнения, 0,68 для тяжёлого осложнения реципиентного участка и 0,66 для полной потери лоскута). Для гирудотерапии это имеет значение, поскольку медицинские пиявки являются признанной мерой спасения при венозном застое в скомпрометированных свободных лоскутах, так что инструменты, выявляющие лоскуты с повышенным риском несостоятельности, относятся к тому же клиническому пути, на котором рассматривается терапия пиявками. Честная оговорка: это исследование прогностического моделирования лишь с умеренной точностью и без анализа собственно терапии пиявками; оно не устанавливает, что применение пиявок изменяет какой-либо из этих исходов.
Цитирование
The Use of Machine Learning for Predicting Complications of Free-Flap Head and Neck Reconstruction.
Asaad et al. · Annals of surgical oncology, 2023
Связанный клинический контекст
Узнайте, как это исследование связано с клинической практикой
Похожие исследования
Другие рецензируемые исследования в разделе «Клинические исследования».
- Leech Therapy for Knee Osteoarthritis — The Landmark RCT — Michalsen et al. (2003)
- Leech-Assisted Flap Salvage — Systematic Review of 277 Cases — Whitaker et al. (2012)
- Влияние гирудотерапии на функции печени, липидный профиль и чувствительность к инсулину у крыс с метаболическим синдромом — Bilden A et al. (2026)
- Эффективность и безопасность гирудотерапии для улучшения показателей качества спермы при мужском бесплодии: рандомизированное контролируемое исследование — Abtahi-Forooshani M et al. (2026)
- Успешное лечение венозного застоя в реверсивном суральном лоскуте эноксапарином у мужчины с травматическим размозжением стопы: клинический случай — Velasco-Bustamante J et al. (2026)
- Исследование терапевтических эффектов лечения медицинскими пиявками при ишемически-реперфузионном повреждении нижних конечностей — Ünal K et al. (2026)
- Эффективность лечения медицинскими пиявками в различных клинических применениях: комплексное исследование из Азербайджана — Farzali S et al. (2025)
- Гирудотерапия в реконструктивной хирургии: описания случаев и обзор — Heinz P et al. (2020)
- Гирудотерапия при заживлении ран — Nair H et al. (2022)
- Улучшение ухода за пациентами с помощью гирудотерапии и обращение с пиявками от их получения до утилизации во Франции — Vaesken C et al. (2023)
Добавлено в библиотеку ASH: 28 мая 2026 г. · Последнее обновление сайта: 18 июня 2026 г.