Материал и методы. Проведено ретроспективное когортное исследование 225 пациентов с резектабельным раком пищевода (n=179) и кардиоэзофагеального перехода Siewert i (n=46). Проведен анализ 79 предоперационных показателей. Отбор факторов риска выполняли на основании однои многомерной логистической регрессии. Выборка случайным образом была разделена на основную и контрольную группы (70/30). Разработка прогностической шкалы осуществлялась с использованием модели множественной логистической регрессии с l1-регуляризацией и нейросети TabNet, реализующей полосвязную архитектуру с механизмом внимания и позволяющей получать оценки важности отдельных признаков. Дискриминационная способность и калибровка модели оценивались по AUC-ROC и тесту Хосмера–Лемешова.

Результаты. Госпитальная летальность составила 8,9 % (n=20), 30-дневная летальность – 1,3 % (n=3), 90-дневная летальность – 6,2 % (n=14). Наиболее значимыми предикторами летального исхода явились такие факторы, как снижение массы тела более 10 % до операции, 3–4 степень дисфагии, ECOG статус ≥2, ХОБЛ, одышка до операции, обширные торакальные операции в анамнезе, N2 по классификации TNM, тесное прилежание опухоли или ее инвазия в трахею/главные бронхи, цереброваскулярные заболевания в анамнезе, сахарный диабет, осложнения в процессе или после лучевой терапии. При оценке дискриминационной способности модели логистической регрессии AUC ROC в основной группе составила 0,86 (95 % ДИ 0,79–0,92) и в контрольной группе – 0,77 (95 % ДИ 0,72–0,83). С точки зрения калибровки модель была поддержана незначимым тестом χ2 Хосмера–Лемешова в обеих когортах: χ2=1,98, df=8 (p=0,98) в основной группе и χ2=4,72, df=8 (p=0,78) в контрольной группе. В результате использования нейросети TabNet удалось достичь улучшенных показателей по метрике AUC-ROC, составивших 0,95 (ДИ 95 % 0,92–0,98) для основной группы и 0,86 (95 % ДИ 0,82–0,96) для контрольной группы, калибровка модели – χ2=8,38, df=8 (p =0,39) и χ2=9,46, df=8 (p=0,30) соответственно. Модель реализована в виде прикладного приложения и может быть использована в реальных сценариях.

Заключение. Разработана модель предоперационного прогнозирования 90-дневной летальности на базе технологии машинного обучения, продемонстрировавшая хорошую валидность и высокий уровень дискриминационной способности. Полученные результаты подтверждают перспективность применения методов машинного обучения для решения задач клинического прогнозирования в онкологической хирургии и подчеркивают потенциал их использования в практическом здравоохранении.