Введение. Важное значение для выбора как инвазивных методов лечения иочекаменной болезни (МКБ), так и методов предупреждения повторного камнеобразования имеют данные о химическом составе мочевого камня, точнее о его метаболическом типе. Однако мочевые камни не всегда доступны для анализа, что затрудняет выбор оптимальных методов лечения и приводит к необходимости поиска (разработки) способов оценки химического состава мочевых камней у пациента in vivo. Одним из направлений поиска является всесторонняя анализ литогенных метаболических факторов, длительное воздействие которых ведет к образованию мочевого камня.

Цель данной работы оценить возможность некоторых алгоритмов машинного обучения в прогнозировании метаболического типа мочевого камня in vivo по комплексу метаболических показателей.

Материал и методы. Исследован минеральный состав 708 мочевых конкрементов (от 305 мужчин и 403 женщин в возрасте от 16 до 81 лет), а также биохимические показатели сыворотки крови (кальций, мочевая кислота, фосфаты, магний) и показатели суточной экскреции с мочой кальция, мочевой кислоты, фосфатов, магния. Определяли удельный вес мочи, ее pH, суточный объем. Рассчитывали Индекс массы тела пациентов.

Результаты и обсуждение. Использование программного построителя моделей IBM SPSS Modeler v18.0 и подготовленного набора данных (n=708) позволило определить, что алгоритм С5.0 является лучшим для более точного предсказания химического типа мочевого камня по метаболическим показателям.

Совпадения предсказаний, сделанных моделью (алгоритм С5.0), в сравнении с фактическим распределением типов камней было практически абсолютным. Неверное определение типа камня наблюдалось лишь в 2-х случаях из 708 (0,28%).

При дальнейшем тестировании модели С5.0 с разделением основного набора данных (n=708) на две рандомизированные выборки Обучающую (70%, n=499) и Проверочную (30%, n=209) отмечено высокое качество предикции модели. В Проверочной выборке верное определение типа камня наблюдалось в 207 случаях из 209 (99,04%).

Точности прогнозирования других моделей машинного обучения при классификации типов мочевых камней была заметно ниже (45-80%), что свидетельствует о явных преимуществах модели, построенная на алгоритме С5.0. Эта же модель показывала самый высокий процент верных распознаваний типов камней (100%), в то время как в других моделях машинного обучения верные предсказания типов камней составляли 34,8-90,2%.

Для практического применения в клинике модели С5.0 имеется возможность построения диагностического дерева решений или набора решающих правил, позволяющих выполнять модельный прогноз метаболического типа камня in vivo.

Заключение. Предлагаемая модель машинного обучения, построенная на алгоритме С5.0 и использующая метаболические показатели мочи и крови пациента с МКБ, может использоваться в клинике для достаточно надежного диагностического прогнозирования in vivo химического состава мочевых камней наиболее распространенных метаболических типов. Эта модель может быть использована для оценки химического состава мочевого камня перед выполнением литотрипсии, а также при мониторинге больных после удаления у них камня с целью прогнозирования риска формирования камня конкретного метаболического типа и своевременного начала проведения целенаправленной метафилактики.

Авторы заявляют об отсутствии конфликта интересов.