A prediction method for orthopedic complications in surgical treatment of proximal femoral fractures

Full Text

ВВЕДЕНИЕ

Ежегодно в мире неуклонно растет число переломов проксимального отдела бедренной кости (ПОБК), и, согласно эпидемиологическим прогнозам, к 2050 г. их число возрастет до 4,5 млн случаев в год, прежде всего, за счет старения населения и роста распространенности остеопороза [1]. Несмотря на совершенствование методов лечения, частота осложнений остается высокой: после внутренней фиксации переломов шейки бедренной кости несращение развивается примерно у 33% пациентов [2], аваскулярный некроз головки — у 4,7–20,7% [3], тогда как при чрез- и межвертельных переломах неудачи фиксации составляют, по данным разных авторов, 9,6–18,1% наблюдений [4, 5]. Инфекционные осложнения у оперированных по поводу закрытых переломов длинных костей в среднем встречаются в 1–2% случаев, а при открытых переломах — в 15–30% [6, 7], преимущественно при наличии неблагоприятных локальных и системных факторов. На этом фоне летальность в течение года после перелома ПОБК у пациентов пожилого возраста составляет от 16 до 34% [8, 9, 10]. По данным литературы, на риск как возникновения самого перелома, так и неблагоприятных исходов существенно влияют пожилой возраст, женский пол, наличие системного остеопороза и выраженной полиморбидности (сердечно-сосудистые заболевания, сахарный диабет, когнитивные нарушения и др.) [9, 10].

Исследования показывают, что соматический статус, возраст и качество костной ткани формируют единый континуум риска ортопедических и общесоматических осложнений после оперативного лечения переломов ПОБК. Высокая коморбидность и выраженный остеопороз ассоциированы с увеличением частоты инфекции области хирургического вмешательства, раневых осложнений, несостоятельности имплантатов и повторных операций. Шкала ASA (American Sosiety of Anaesthesiologists score) и индекс коморбидности Чарлсона (Charlson Comorbidity Index, CCI) демонстрируют устойчивую связь с летальностью, частотой медицинских и хирургических осложнений, а также с риском повторных операций и госпитализаций; высокий класс ASA (III–IV) и CCI ≥ 4 ассоциированы с существенным ростом 30-дневной и годовой смертности [11, 12]. В то же время сравнительные исследования показывают, что «универсальные» индексы коморбидности уступают по дискриминационной способности специализированным шкалам и многофакторным моделям, которые сочетают клинические и периоперационные переменные [13, 14].

Возраст является самостоятельным предиктором неблагоприятного послеоперационного течения: увеличение возраста связано с ростом общей смертности, частоты медицинских осложнений и механических неудач остеосинтеза даже после поправки на тип перелома, метод фиксации и качество репозиции [9, 10, 15].

Существующие методы прогнозирования послеоперационных осложнений в основном опираются на соматические осложнения в послеоперационном периоде с использованием стандартных математических моделей, однако сейчас набирает популярность машинное обучение для обеспечения большей точности прогноза [16, 17]. Таким образом, необходим метод, позволяющий врачам прогнозировать вероятность послеоперационных осложнений и тем самым снижать риск их развития.

Цель исследования — разработать модель прогнозирования ортопедических осложнений в течение одного года после оперативного лечения переломов проксимального отдела бедренной кости и оценить ее эффективность.

МАТЕРИАЛ И МЕТОДЫ

Дизайн исследования

Тип — ретроспективное когортное исследование. Материалом для исследования послужили данные пациентов, перенесших оперативное лечение переломов ПОБК в период с 2018 по 2025 г. Исследование проведено в период 2018–2026 гг. на базе двух многопрофильных стационаров г. Санкт-Петербурга. Внешняя валидация модели была выполнена в тех же многопрофильных стационарах в более позднее время — с 2024 по 2026 г. Первичной конечной точкой считали развитие ортопедических осложнений в течение 12 мес. после операции. К осложнениям относили: миграцию металлоконструкции, глубокую инфекцию области хирургического вмешательства, поверхностную инфекцию, несращение перелома, посттравматический коксартроз.

Критерии соответствия

В исследование были включены все пациенты обоих полов с переломами ПОБК, код диагноза по МКБ-10 S72.0/S72.1.

Окончательный отбор участников проводился путем исключения ряда пациентов из числа кандидатов при наличии следующих критериев исключения:

• острые инфекционно-воспалительные заболевания любой этиологии, не связанные с перенесенным хирургическим вмешательством, или сопутствующие хронические инфекционные заболевания в активной фазе (например, туберкулез, вирусные гепатиты, ВИЧ-инфекция и пр.);
• перелом ПОБК контралатеральной стороны в течение 1 года;
• тяжелая сопутствующая соматическая патология со значительным нарушением функции соответствующих органов (неконтролируемая артериальная гипертензия, декомпенсированный сахарный диабет, гемодинамически значимые нарушения ритма и проводимости сердца, недавно перенесенный инфаркт миокарда или инсульт, тяжелые пороки сердца, острые и хронические заболевания легких, печени в стадии обострения с развитием сердечной, дыхательной, печеночной недостаточности);
• наличие тяжелых психических расстройств или неврологических заболеваний;
• смерть пациента до клинической оценки результатов лечения в течение года;
• отсутствие согласия пациента на опрос через год после оперативного лечения.

После отбора в исследование было включено 850 пациентов обоего пола (рис. 1). Их средний возраст составил 73,6±13,3 года. Соотношение мужчин и женщин — 1:3 (211 и 639 пациентов соответственно). Характеристика пациентов представлена в таблице 1.

 

Рисунок 1. Схема отбора пациентов

Figure 1. Patient selection flow diagram

 

Таблица 1. Характеристика пациентов

Параметр	Тренировочный сет (n = 651)	Валидационный сет (n = 199)	Всего (n = 850)	p
Возраст, лет, М±SD	72,9±13,8	75,7±11,5	73,6±13,3	0,13
Пол, n (%):				0,553
мужской	163 (25,0)	48 (24,1)	211 (24,8)
женский	488 (75,0)	151 (75,9)	639 (75,2)
Сторона повреждения, n (%):				0,312
правая	337 (51,8)	115 (57,8)	452 (53,2)
левая	314 (48,2)	84 (42,2)	398 (46,8)
Причина повреждения, n (%):				0,036
высокоэнергетическая	93 (14,3)	40 (20,1)	133 (15,6)
низкоэнергетическая	558 (85,7)	159 (79,9)	717 (84,4)
ИМТ, кг/м2, М±SD	25,8±4,8	25,9±4,9	25,9±4,8	0,419
Индекс Чарлсона, М±SD	6,02±2,18	4,48±2,54	5,66±2,37	< 0,001
Койко-день до операции, М±SD	8,0±8,6	5,1±6,1	7,3±8,2	0,223
Индекс Сингха, М±SD	2,48±0,77	2,59±0,83	2,51±0,79	0,121
Кортикальный индекс, М±SD	0,44±0,093	0,47±0,077	0,44±0,091	< 0,001
Код перелома по МКБ-10, n (%):				< 0,001
S72.0	294 (45,2)	144 (72,4)	438 (51,5)
S72.1	357 (54,8)	55 (27,6)	412 (48,4)
Класс ASA, М±SD	2,50±0,5	2,51±0,5	2,50±0,5	0,834
Осложнения, n (%):
да	149 (22,9)	35 (17,6)	184 (21,6)	0,004
нет	502 (77,1)	164 (82,4)	666 (78,4)

 

В тренировочную выборку для создания модели калькулятора риска осложнений были включены данные 651 пациента с переломами ПОБК: мужчин — 163 (25,0%), женщин — 488 (75,0%), пролеченных в стационарах с 2020 по 2024 г. (тренировочный сет). Средний возраст составил 72,9±13,8 года. Соотношение мужчин и женщин — 1:3.

Внешняя валидация проходила на базе этих же стационаров в более поздний период (2024–2025 гг.) и включила данные 199 пациентов обоего пола (валидационный сет). Средний возраст составил 75,7±11,5 года. Соотношение мужчин и женщин — 1:3 (48 и 151 соответственно).

Пациентам были выполнены различные варианты остеосинтеза переломов ПОБК. Срок наблюдения составил 12 мес.

Всего было собрано 19 клинико-анамнестических признаков, в которых пропущенные значения составляли менее 5%. Для заполнения пропущенных значений использовался метод множественной импутации K-ближайших соседних данных, поскольку этот способ позволяет хорошо сохранять структуру данных. Такой сокращенный список переменных связан с неоднородностью назначаемых анализов в приемном отделении стационара вне зависимости от требований клинических рекомендаций. Выбранные предикторы отражают наиболее полно и стабильно собираемые в рутинной практике данные.

Статистический анализ

Статистическая обработка результатов исследования проводилась с использованием программы Jamovi v.2.6, Python 3.7.4 (Anaconda 4.9.2).

Количественные данные представлены в виде среднего значения (M) и стандартного отклонения (SD). Проверка нормальности распределения количественных признаков выполнялась с применением критерия Шапиро – Уилка в модификации J.P. Royston. Для выявления статистически значимых различий при нормально распределенных показателях использовался t-критерий Стьюдента для независимых и парных выборок, при отклонении от нормального распределения применялся критерий Манна – Уитни. Для анализа качественных признаков использовался критерий χ². Для построения модели с целью оценки влияния предикторов на развитие осложнений применялись логистическая регрессия и четыре алгоритма машинного обучения: CatBoost, LightGBM (LGBM), метод опорных векторов (SVM) и XGBoost. Выбор данных моделей обусловлен их высокой эффективностью в решении задач классификации, способностью работать с разнородными данными и устойчивостью к переобучению. Коэффициент детерминации Нэйджелкерка R² (R² Nagelkerke) использовался для оценки доли дисперсии зависимой переменной, объясняемой моделью; значения > 0,2 рассматривались как приемлемые для медицинских исследований. Кривая рабочей характеристики (ROC-кривая, C-статистика) применялась для определения прогностической чувствительности и специфичности модели: при значении C-статистики > 0,8 ее прогностическая способность оценивалась как хорошая, при значении 0,5 модель считалась неспособной к дискриминации (неспецифичной и нечувствительной). Показатель Брайера определяли как среднеквадратичную разницу между прогнозируемой вероятностью события у пациента и фактическим исходом (1 или 0 в зависимости от наличия или отсутствия события); при хорошей калибровке модели значение показателя стремится к 0,0. Тест Хосмера – Лемешоу применяется для оценки общего согласия / калибровки модели логистической регрессии, при значениях p > 0,05 логистическая регрессия не показывает признаки некалиброванности. F1-мера (гармоническая средняя между точностью (Precision) и чувствительностью (Recall)) использовалась для интегральной оценки качества модели. Значения > 0,5 расценивались как свидетельство нормальной эффективности прогноза. Порог чувствительности логистической регрессии определялся по порогу Юдена.

Все предоперационные факторы риска сравнивались отдельно для факта осложнения. Значение p < 0,05 считалось статистически значимым, при котором предиктор отбирался для построения логистической регрессии и использования в машинном обучении. Модели сравнивались с помощью значений ROC AUC и данных, рассчитанных с помощью матрицы ошибок (точность, чувствительность, специфичность, F1-мера)

РЕЗУЛЬТАТЫ

Ортопедические осложнения в тренировочной выборке в течение года после оперативного лечения выявлены у 149 (22,9%) пациентов, в том числе: миграция металлоконструкции — 23,5%, глубокая инфекция области хирургического вмешательства — 14,1%, поверхностная инфекция — 16,9%, несращение — 18,8%, посттравматический коксартроз — 26,8%. При сравнительном анализе выявлены статистически значимые различия между группами с ортопедическими осложнениями и без них. По ряду показателей группы статистически значимо не различались (табл. 2, 3).

 

Таблица 2. Количественные факторы, влияющие на осложнения

Факторы	Осложнения	М±SD	р
Койко-день до операции	нет	6,44±4,85	< 0,001
	да	13,37±14,50
Возраст, лет	нет	72,26±13,88	0,012
	да	75,13±13,32
ИМТ, кг/м2	нет	25,53±4,92	0,003
	да	26,76±4,25
Индекс Чарлсона	нет	5,79±2,15	< 0,001
	да	6,77±2,14
Класс ASA	нет	2,48±0,50	0,064
	да	2,57±0,49
Кортикальный индекс	нет	0,44±0,08	< 0,001
	да	0,39±0,11
Гемоглобин при поступлении, г/л	нет	104,7±19,5	0,024
	да	101,7±30,8
Лейкоциты при поступлении, ×109/л	нет	8,71±3,06	< 0,001
	да	10,84±3,42
Общий белок при поступлении, г/л	нет	65,76±8,52	0,012
	да	68,73±6,28
Креатинин при поступлении, мкмоль/л	нет	89,82±53,32	0,081
	да	100,86±43,89
Глюкоза при поступлении, ммоль/л	нет	8,24±2,60	0,084
	да	7,72±2,04
АЛТ при поступлении, ед./л	нет	25,26±15,21	0,254
	да	23,09±12,74
АСТ при поступлении, ед./л	нет	34,31±13,89	0,733
	да	34,74±16,14
Фибриноген при поступлении, мг/дл	нет	400,20±139,08	0,075
	да	425,24±144,86
Индекс Сингха	нет	2,46±0,77	0,458
	да	2,52±0,77
Тромбоциты при поступлении, ×109/л	нет да	209,50±43,17 204,66±41,32	0,322

Примечание: осложнения выявлены у 149 пациентов, не выявлены — у 502.

 

Таблица 3. Качественные факторы, влияющие на осложнения

Осложнение	Пол		Сторона повреждения		Причина травмы
	ж	м	правая	левая	низкоэнергетическая	высокоэнергетическая
Нет	364	138	258	244	433	69
Да	124	25	79	70	125	24
p	< 0,001		0,771		0,470

 

На основании клинико-лабораторных параметров выделены следующие предикторы ортопедических осложнений: возраст, пол, ИМТ, индекс коморбидности Чарлсона, кортикальный индекс, длительность предоперационного койко-дня, гемоглобин, общий белок, лейкоциты при поступлении и код диагноза по МКБ-10. Влияние факторов оценено в многофакторной логистической регрессии (метод максимального правдоподобия) с учетом категориальных предикторов через фиктивные переменные; результаты представлены в таблице 4.

 

Таблица 4. Характеристика компонентов логистической регрессии

Предиктор	β	p	OR = exp(β)	95% ДИ OR
Константа	–3,984	0,009	0,019	0,001–0,378
Пол: м (1): ж (0)	–0,452	0,105	0,637	0,368–1,099
МКБ: S72.1(1): S72.0 (0)	0,172	0,462	1,187	0,752–1,874
Возраст, лет	0,012	0,185	1,012	0,994–1,030
Койко-день до операции	0,126	< 0,001	1,134	1,093–1,176
ИМТ, кг/м2	0,073	0,002	1,075	1,026–1,127
Индекс Чарлсона	0,218	< 0,001	1,24	1,115–1,387
Кортикальный индекс	–7,341	< 0,001	0,0006	0,0001–0,0080
Гемоглобин, г/л	–0,005	0,361	0,995	0,986–1,005
Лейкоциты, ×109/л	0,259	< 0,001	1,295	1,205–1,392
Общий белок, г/л	–0,023	0,086	0,977	0,951–1,003

ДИ — доверительный интервал, OR = exp(β) — рассчитанное отношение шансов.

 

Диагностическая эффективность логистической модели на тренировочной выборке составила: AUC = 0,849, R² Нэйджелкерка = 0,425, показатель Бриера = 0,115; тест Хосмера – Лемешоу: p = 0,19, что указывает на удовлетворительную калибровку модели. Оптимальный порог классификации, определенный по индексу Юдена, составил 0,2819; при данном пороге чувствительность равнялась 70,5%, специфичность — 85,5%; F1-мера — 0,642.

Внутренняя валидация выполнена методом бутстрэп-ресэмплинга (B = 1000) с оценкой оптимизма и корректировкой дискриминации: бутстрэп-оценка AUC составила 0,842 (95% ДИ 0,830–0,848); показатель Бриера — 0,12; калибровочный интерсепт — –0,0717; калибровочный наклон — 0,9240 (рис. 2).

 

Рисунок 2. ROC-кривые логистической регрессии для прогнозирования осложнений: аппаратная оценка (обучение и оценка на одной выборке), бутстрэп-тест ROC (B = 1000) с 95% полосой неопределенности после бутстрэп

Figure 2. Logistic regression ROC curves for predicting complications: hardware evaluation (training and evaluation on a single sample), bootstrap ROC test (B = 1000) with a 95% uncertainty band after bootstrapping

 

Для сравнения алгоритмов машинного обучения данные тренировочной выборки были разделены на обучающую и проверочную части в соотношении 9:1 (585/66). После подбора гиперпараметров были обучены и протестированы модели CatBoost, LGBM, XGBoost и SVM; логистическая регрессия использована как базовый алгоритм. В целом три модели (логистическая регрессия, CatBoost, LGBM) обеспечили AUC > 0,8, при этом LGBM имел максимальную дискриминацию.

Внешняя валидация выполнена на независимой когорте из 199 пациентов (средний возраст 75,7±11,5 года; мужчины — 48, женщины — 151). Частота ортопедических осложнений составила 17,58%. Структура осложнений: миграция металлоконструкции — 25,71%, глубокая инфекция — 14,09%, поверхностная инфекция — 14,29%, несращение — 20,00%, посттравматический коксартроз — 25,91%.

По результатам внешней валидации модели продемонстрировали различный профиль ошибок (табл. 5). С учетом баланса ошибок и устойчивости на внешних данных предпочтительным классификатором для прогнозирования ортопедических осложнений выбран CatBoost.

 

Таблица 5. Метрики классификаторов на наборах данных

Параметры		Логистическая регрессия	СatBoost	LGBM	XGBoost	SVM
AUC	Трен.	0,842	0,863	0,876	0,839	0,762
	Вал.	0,794	0,811	0,775	0,781	0,826
Точность	Трен.	0,820	0,803	0,848	0,758	0,712
	Вал.	0,874	0,859	0,864	0,789	0,729
Чувствительность	Трен.	0,705	0,800	0,800	0,733	0,733
	Вал.	0,457	0,657	0,514	0,629	0,771
Специфичность	Трен.	0,855	0,804	0,863	0,765	0,706
	Вал.	0,963	0,902	0,939	0,823	0,720
F1-мера	Трен.	0,642	0,649	0,706	0,579	0,537
	Вал.	0,561	0,622	0,571	0,512	0,500

 

Анализ важности признаков в модели CatBoost показал, что наибольший вклад в прогноз вносили показатели гемоглобина, общего белка и лейкоцитов, а также длительность предоперационного койко-дня и кортикальный индекс (рис. 3).

 

Рисунок 3. Сводная информация и ранжирование важности для каждого признака в классификаторе CatBoost

Figure 3. Summary and importance ranking for each feature in the CatBoost classifier

 

На основе выбранного алгоритма было разработано прикладное программное решение для упрощения расчета оценки развития ортопедического осложнения в процентах без указания на конкретное осложнение (рис. 4).

 

Рисунок 4. Пример приложения

Figure 4. Example of the application

 

ОБСУЖДЕНИЕ

В этом исследовании мы сравнили применение различных алгоритмов машинного обучения для клинического прогнозирования ортопедических осложнений после внутренней фиксации переломов ПОБК и получили модель CatBoost c 10 переменными. Эта модель была преобразована нами в приложение — калькулятор риска для оценки вероятности развития ортопедических осложнений после внутренней фиксации переломов ПОБК. К предикторам мы отнесли: возраст, пол, ИМТ, индекс коморбидности Чарлсона, кортикальный индекс, длительность предоперационного койко-дня, а также лабораторные параметры при поступлении (гемоглобин, общий белок, лейкоциты) и клиническую классификацию диагноза по МКБ-10. Эта модель прогнозирования продемонстрировала хорошую дискриминацию и калибровку, а также высокую эффективность обобщения на внешних данных.

Универсальные шкалы, такие как статус по ASA и индекс коморбидности Чарлсона, традиционно применяются для оценки хирургического риска развития соматических осложнений, однако их прогностическая ценность в когортах пациентов с переломом бедренной кости ограничена. В работе K. Haugan с соавторами (размер выборки — 3651 пациент) модели на основе шкал ASA и CCI для 30-дневной смертности показали одинаковые AUC 0,726, чувствительность 0,66 и спе-цифичность около 0,68, что соответствует лишь умеренной дискриминационной способности [18]. Валидация CCI в исследовании E. de Haan с соавторами также продемонстрировала AUC ни-же (0,674), чем у специализированных моделей для пациентов с переломами бедра [12]. На этом фоне наш калькулятор, демонстрирующий AUC 0,811 для ортопедических осложнений, превосходит «универсальные» индексы, хотя и использует ASA и CCI как составные предикторы.

Специализированные шкалы для пациентов с переломами ПОБК, такие как Nottingham Hip Fracture Score (NHFS) и его модификации, показывают более высокий уровень дискриминации. В работе M.J. Maxwell с соавторами NHFS для 30-дневной смертности продемонстрировала AUC 0,719 [19], а в последующих исследованиях AUC для 30-дневной и годичной летальности находилась в диапазоне 0,72–0,77 [13, 20]. Для Almelo Hip Fracture Score (AHFS) AUC для ранней (30-дневной) смертности достигала 0,82, тогда как в последующей внешней валидации показатели снизились до 0,72 [14, 21]. Аналогично испанская модель HULP-HF (Hospital Universitario La Paz — Hip Fracture) для годичной смертности продемонстрировала несколько более высокую AUC по сравнению с другими балльными системами: 0,79 против 0,66 для NHFS; 0,61 — для сокращенного индекса Чарлсона и 0,59 — для шкалы ASA, но также была ориентирована преимущественно на летальность, а не на ортопедические осложнения [22].

Новейшие комплексные и модели машинного обучения достигают еще более высоких значений AUC. Так, шкала ASAgeCoGeCC, предложенная C. Trevisan с соавторами для пациентов с переломами бедренной кости, показала AUC между 0,804 и 0,820 для 4-летней смертности без расчета риска ортопедических осложнений [23]. Алгоритмы Dutch Hip Fracture Audit на основе машинного обучения в когорте 74 396 пациентов обеспечили AUC около 0,82 для 30-дневной и 0,80 — для годичной смертности [24]. Систематический обзор G. Ba-dosa-Collell с соавторами показал, что большинство моделей для пациентов с переломом бедра демонстрируют AUC в диапазоне 0,70–0,80, тогда как лишь отдельные шкалы (AHFS, ASAgeCoGeCC) достигают AUC ≥ 0,80 [25]. На этом фоне AUC 0,811 нашей модели, ориентированной на специфические ортопедические осложнения, сопоставима с международными инструментами, разработанными для прогнозирования смертности.

Среди российских разработок близкой по концепции к представленной модели является прогностическая шкала, предложенная Г.М. Кавалерским с соавторами для оценки хирургического риска у пациентов с переломами ПОБК. Эта шкала также является многофакторной и включает интегральные показатели (Revised Trauma Score, индекс коморбидности Чарлсона, коэффициенты двигательной активности) для расчета суммарного балла и последующей оценки риска неблагоприятного исхода, в первую очередь смертности. Однако данная модель ограничена преимущественно пожилыми пациентами, не использует лабораторные показатели и не ориентирована на прогнозирование ортопедических осложнений (миграция имплантата, несращение, инфекция), что принципиально отличает ее от нашего калькулятора [26].

Еще более сопоставимой по целям является модель, предложенная Д.Д. Устьянцевым с соавторами, ориентированная на прогнозирование послеоперационных осложнений при переломах ПОБК. Указанная модель учитывает возраст, пол, класс ASA, коморбидность и тип перелома, однако не включает лабораторные показатели, характеристики качества кости и рентгенологические индексы. Кроме того, расчет риска осуществляется с использованием номограмм, что усложняет применение в условиях многопрофильного стационара без специализированного программного обеспечения. Авторам удалось уменьшить частоту послеоперационных осложнений с 15,2 до 8,8% и улучшить функциональные результаты по шкалам Harris и Goodwin через год после операции [27]. Номограмма прошла внешнюю валидацию — в исследовании P.P. Якубджанова с соавторами при использовании той же номограммы число осложнений уменьшилось примерно в 1,9 раза, а до-ля отличных и хороших функциональных исходов возросла более чем в 1,3–1,4 раза, пусть и ценой увеличения длительности госпитализации [28].

Наша модель отличается, во-первых, целевым исходом: она ориентирована не на соматические осложнения, а именно на ортопедические события в течение одного года. Во-вторых, набор предикторов более широкий: помимо возраста, пола и коморбидности (индекс Чарлсона), учитываются ИМТ, кортикальный индекс, длительность предоперационного койко-дня, лабораторные показатели (гемоглобин, общий белок, лейкоциты) и нозологическая принадлежность по МКБ-10. Такой состав переменных позволяет отразить не только общую тяжесть состояния и тип повреждения, как в номограмме Д.Д. Устьянцева [27], но и нутритивный статус, выраженность остеопороза и органную дисфункцию. Разработанный калькулятор продемонстрировал высокую прогностическую точность (AUC 0,811, точность 86,4%, чувствительность 65,7% и специфичность 90,2).

Использование калькулятора существенно повышает эффективность прогнозирования послеоперационных ортопедических осложнений в течение года за счет раннего выявления пациентов из группы риска, что позволяет уделить более пристальное внимание предоперационному планированию и послеоперационному ведению этих пациентов.

Ограничения исследования

Во-первых, выборка пациентов относительно невелика, что повышает риск переобучения модели при большом числе предикторов. Во-вторых, ретроспективный дизайн и двухцентровый характер исследования могут обуславливать систематические различия, связанные с особенностями ведения пациентов и техническими аспектами операций в каждой клинике. В-третьих, в анализ не были включены некоторые потенциально значимые факторы (когнитивный статус, исходный уровень функциональной активности, точные характеристики типа фиксации), что могло ограничить полноту оценки факторов, влияющих на риск. Наконец, модель пока прошла только внешнюю валидацию во времени. Для подтверждения ее полной универсальности и клинической применимости необходима внешняя валидация на более объемных выборках и, по возможности, в других регионах.

ЗАКЛЮЧЕНИЕ

Определение вероятности развития послеоперационных осложнений по разработанному в результате исследования калькулятору позволяет провести быструю оценку факторов риска с точностью 86,4%, чувствительностью 65,7% и специфичностью 90,2%, не выполняя дополнительных расчетов, что может быть полезно в клинической практике.

ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ

Заявленный вклад авторов

Цед А.Н. — концепция исследования, написание текста рукописи.

Жуковец И.Ю. — сбор и анализ данных, статистическая обработка данных, построение математической модели, написание текста рукописи.

Муштин Н.Е. — сбор и анализ данных, редактирование текста рукописи.

Дулаев А.К. — научное руководство, редактирование текста рукописи.

Котов В.И. — сбор и анализ данных, редактирование текста рукописи.

Богданов А.Н. — сбор и анализ данных, редактирование текста рукописи.

Все авторы прочли и одобрили финальную версию рукописи статьи. Все авторы согласны нести ответственность за все аспекты работы, чтобы обеспечить надлежащее рассмотрение и решение всех возможных вопросов, связанных с корректностью и надежностью любой части работы.

Источник финансирования. Авторы заявляют об отсутствии внешнего финансирования при проведении исследования.

Возможный конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.

Этическая экспертиза. Не применима.

Информированное согласие на публикацию. Не требуется.

Генеративный искусственный интеллект. При создании статьи технологии генеративного искусственного интеллекта не использовали.

DISCLAIMERS

Author contribution

Tsed A.N. — study concept, drafting the manuscript.

Zhukovets I.Yu. — data acquisition, analysis and interpretation, mathematical modelling, drafting the manuscript.

Mushtin N.Ye. — data acquisition and analysis, editing the manuscript.

Dulaev A.K. — scientific guidance, editing the manuscript.

Kotov V.I. — data acquisition and analysis, editing the manuscript.

Bogdanov A.N. — data acquisition and analysis, editing the manuscript.

All authors have read and approved the final version of the manuscript of the article. All authors agree to bear responsibility for all aspects of the study to ensure proper consideration and resolution of all possible issues related to the correctness and reliability of any part of the work.

Funding source. This study was not supported by any external sources of funding.

Disclosure competing interests. The authors declare that they have no competing interests.

Ethics approval. Not applicable.

Consent for publication. Not required.

Use of artificial intelligence. No generative artificial intelligence technologies were used in the preparation of this manuscript.

About the authors

Aleksander N. Tsed

Pavlov First Saint Petersburg State Medical University

Email: tsed@mail.ru
ORCID iD: 0000-0001-8392-5380
SPIN-code: 8458-9436

Dr. Sci. (Med.)

Russian Federation, Saint Petersburg

Igor Yu. Zhukovets

Pavlov First Saint Petersburg State Medical University

Author for correspondence.
Email: torra1840@yandex.ru
ORCID iD: 0000-0003-1160-3045
SPIN-code: 3969-1790
Russian Federation, Saint Petersburg

Nikita Ye. Mushtin

Pavlov First Saint Petersburg State Medical University

Email: mushtin.nikita@yandex.ru
ORCID iD: 0000-0002-7264-7861
SPIN-code: 9000-7630

Cand. Sci. (Med.)

Russian Federation, Saint Petersburg

Aleksander K. Dulaev

Pavlov First Saint Petersburg State Medical University

Email: akdulaev@gmail.com
ORCID iD: 0000-0003-4079-5541
SPIN-code: 4663-1741

Dr. Sci. (Med.), Professor

Russian Federation, Saint Petersburg

Vladimir I. Kotov

Clinical Hospital No 15, Saint Petersburg

Email: kotovvladimir1959@mail.ru
ORCID iD: 0000-0003-1882-940X
SPIN-code: 3973-8710

Cand. Sci. (Med.)

Russian Federation, Saint Petersburg

Andrey N. Bogdanov

Clinical Hospital No 26, Saint Petersburg

Email: bogdanovdr62@mail.ru
ORCID iD: 0009-0008-9445-3487

Cand. Sci. (Med.)

Russian Federation, Saint Petersburg

References

Supplementary files