Прогнозирование риска в хирургии позвоночника: обзор традиционных моделей, искусственного интеллекта и проблемы клинической трансляции

Risk prediction in spine surgery: a scoping review of traditional models, artificial intelligence, and the challenge of clinical translation
Samer G. Salman, Rohan A. Phadke, Rahul Kumar, Arbaz A. Momin, Alireza Tavakkoli
2026-04-13

искусственный интеллектклиническая трансляциявнешняя валидацияпериоперационное прогнозирование рискахирургия позвоночника
ОБОСНОВАНИЕ: Точная периоперационная стратификация риска имеет ключевое значение для безопасности пациентов и информированного согласия при хирургических вмешательствах на позвоночнике. Традиционные показатели риска, основанные на регрессионных моделях, широко применяются, однако обладают умеренной прогностической эффективностью, тогда как методы искусственного интеллекта и машинного обучения (ИИ/МО) все чаще используются для прогнозирования хирургического риска. В этом обзоре обобщены данные о моделях прогнозирования риска в хирургии позвоночника, сопоставлены традиционные подходы с методами ИИ/МО и выявлены основные препятствия для трансляции результатов в клиническую практику. МЕТОДЫ: Проведен структурированный поиск литературы в основных биомедицинских базах данных с использованием сочетаний терминов, связанных с хирургией позвоночника, прогнозированием риска, периоперационными исходами и ИИ, а также дополнительных концептуальных поисковых запросов, ориентированных на объяснимость, валидацию и клиническую трансляцию. В анализ включались исследования, соответствующие тематике прогнозирования риска у взрослых пациентов при хирургии позвоночника, разработки или валидации моделей, а также методологических или трансляционных аспектов. С учетом значительной неоднородности дизайна исследований и исходов результаты были качественно синтезированы с использованием нарративного подхода. РЕЗУЛЬТАТЫ: Традиционные специфичные для хирургии позвоночника модели риска демонстрируют удовлетворительную или хорошую дискриминационную способность для распространенных исходов; типичные значения площади под кривой рабочих характеристик приемника (AUC) составляют приблизительно от 0,64 до 0,78. В моделях ИИ/МО часто сообщается об умеренном улучшении дискриминации по сравнению с регрессионными подходами, особенно для распространенных исходов, таких как госпитализация в отделение интенсивной терапии (ОИТ) и летальный исход, однако эти преимущества непостоянны и зависят от контекста. Для обоих типов моделей существенными проблемами остаются внешняя валидация, дрейф калибровки, ограниченность проспективных данных об исходах, а также вопросы интерпретируемости и интеграции в рабочие процессы. ВЫВОДЫ: Традиционные модели риска сохраняют интерпретируемость, доверие клиницистов и конкурентоспособную прогностическую эффективность для многих исходов хирургии позвоночника. Хотя методы ИИ/МО расширяют возможности интеграции данных и моделирования взаимодействий, их клиническое влияние ограничивается валид...
1
Методы ИИ/МО позволяют шире интегрировать данные и моделировать взаимодействия, но их клиническое влияние ограничено нерешёнными проблемами валидации и внедрения.
2
Модели ИИ/МО часто обеспечивают лишь умеренное улучшение дискриминации по сравнению с регрессионными моделями, особенно для госпитализации в ОИТ и летальности, однако эффект непостоянен и зависит от контекста.
3
И традиционные модели, и модели ИИ/МО сталкиваются с существенными барьерами клинического внедрения, включая ограниченную внешнюю валидацию, дрейф калибровки, недостаток проспективных данных об исходах, проблемы интерпретируемости и интеграции в рабочие процессы.
4
Традиционные модели остаются интерпретируемыми, вызывают доверие и сохраняют конкурентоспособную эффективность для многих исходов хирургии позвоночника.
5
Традиционные модели риска в хирургии позвоночника демонстрируют удовлетворительную или хорошую дискриминацию, при этом типичные значения AUC для распространённых исходов составляют примерно 0,64–0,78.

модели прогнозирования периоперационного риска у взрослых пациентов при операциях на позвоночнике

сравнительная прогностическая эффективность, валидация, калибровка, интерпретируемость и клиническая трансляция традиционных моделей риска и моделей на основе ИИ/ML

Publication Details
Publication Date
2026-04-13
Journal
Publisher
ISSN
Cited by
24
Access Type
Author Information
Authors
Samer G. Salman
Rohan A. Phadke
Rahul Kumar
Arbaz A. Momin
Alireza Tavakkoli
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%