MODEL FOR PREDICTING THE AESTHETICS OF POSTOPERATIVE SCAR IN PEDIATRIC SURGERY. ORIGINAL STUDY.

Abstract

Keywords

ОБОСНОВАНИЕ.

На сегодняшний день все более очевидным в детской хирургии становится тот факт, что успех оперативного вмешательства определяется уровнем качества жизни пациента. Кожный рубец - видимый и неизбежный исход хирургического лечения [1]. Согласно многочисленным исследованиям кожный рубец является одним из составляющих удовлетворённости перенесённым хирургическим вмешательством вне зависимости от возраста пациента [2-4].

Наличие на теле ребёнка рубца может привести к снижению уровня качества жизни. Это может проявиться дисгармонией в психологической и возрастной адаптации, чувством неудовлетворённости собственным телом, явлениями буллинга в коллективах[5]. Помимо этого, в зависимости от своих объективных параметров рубец может приносить физические неудобства носителю в виде боли, зуда, шелушения и т.д. Так же он может значимо отличаться по своим цветовым характеристикам от неизменённой кожи [6].

Проблеме комплексной оценки характеристик рубца на данном этапе развития науки посвящено значимое количество исследований, разработано по меньшей мере десять шкал - инструментов оценки[7]. Они имеют как достоинства, так и недостатки. Все объединены одной целью - узнать насколько рубец влияет на жизнь пациента, насколько важна проблема наличия кожных изменений для носителя.

Данное исследование посвящено проблеме послеоперационного кожного рубца в детской хирургии. Основной исследовательский вопрос данной работы: “Возможно ли до операции прогнозирование эстетичности послеоперационного рубца у ребёнка с учётом заранее известных предикторов?”.

В исследуемой нами литературе, электронных базах данных мы не нашли исследований, посвящённых прогнозному моделированию послеоперационного рубца в детской практике.

ЦЕЛЬ.

Создать предиктивную модель прогноза эстетичности послеоперационного рубца в детской хирургии с применением методов машинного обучения.

ДИЗАЙН ИССЛЕДОВАНИЯ.

Данное обсервационное одноцентровое выборочное ретроспективное исследование проводилось на базе кафедры хирургии детского возраста СГМУ им В.И. Разумовского, детского хирургического отделения УКБ №1 им С.Р. Миротворцева г. Саратов в период 2022 - 2024 год.

Критериями включения в исследование выступили: возраст ребёнка от 7 до 17 лет включительно, наличие кожного послеоперационного рубца, время от момента перенесенного оперативного вмешательства более года. Критериями исключения являлись: возраст ребёнка менее 7 лет, отсутствие письменного согласия законного представителя на участие в исследовании, значимые интеллектуальные нарушения в когнитивном статусе ребёнка, подтверждённые документально, срок от момента перенесённого оперативного вмешательства менее года.

МЕТОДЫ.

Понятие эстетичность субъективно - это не вызывает сомнений. Оно многогранно, и на наш взгляд не ограничивается лишь пропорциональными размерами и “идеальными” объективными характеристиками кожного рубца. Эстетичность напрямую связана с субъективными характеристиками и переживаниями ребенка, на теле которого находится кожный рубец. Неслучайно слово “эстетика” происходит от греческого “чувство, чувствующий” [8].

Мы создали педиатрическую шкалу оценки эстетичности послеоперационного рубца в детской хирургии (Subjective pediatric assessment scar scale - SPASS). Она являлась первым клиническим опытом подобной оценки в детской практике. Данный инструмент был разработан многопрофильной командой с привлечением педагогов и детских психологов. Шкала и вопросы SPASS были разделены в строгом соответствии с возрастной психологической периодизацией Л.С. Выготского, а вопросы, несмотря на различную синтаксическую конструкцию, объединены семантически. Итоговый балл шкалы содержал комплексную информацию о проблемах социального плана, физических неудобствах вызванных наличием рубца, проблемах самовосприятия и возможного лечения. Сочетание данных характеристик, на наш взгляд, формировало понятие “эстетичность послеоперационного рубца”. Данная факторная структура не случайна, она была подтверждена, проведённой на этапе разработки, процедурой эксплораторного факторного анализа на основе опроса детей в фокус группах. Таким образом, в качестве прогнозируемой переменной исхода мы использовали итоговый балл листа опросника для ребёнка по шкале SPASS. Прогнозировали бинарный исход: семь баллов и ниже - “неудовлетворительный эстетический результат”, восемь баллов и выше - “превосходный эстетический результат”. Целевым исходом при прогнозировании считали неудовлетворительный эстетический результат.

Мы эмпирически считали, что наибольший вклад в вариабельность понятия “эстетичность” вносят следующие характеристики: длина кожного рубца, локализация кожного рубца, возраст ребёнка, цветовой градиент относительно неизмененной кожи. Выбор данных предикторов был основан, в том числе, на ранее проведённых исследованиях при разработке инструментов оценки зарубежными хирургами, дерматологами, комбустиологами. Специалисты высказывали предположения о важности этих объективных характеристик.

Три предиктора имели порядковый характер: длина кожного рубца, возраст ребёнка, цветовой градиент. Локализация рубца являлась номинальным предиктором. Для нормализации выборки относительно предиктора мы условно выделили три топографические зоны рубцов. Первая зона – голова, включая лицо и волосистую часть головы; вторая зона - туловище (живот, спина) и третья зона – конечности. При статистическом анализе данных выделенные зоны были закодированы значениями «1», «2» и «3».

Длину рубца измеряли во время осмотра ребёнка при помощи линейки (шаг деления 0,1 см) и фиксировали в сантиметрах с округлением до миллиметра. Возраст был зафиксирован в листе - опроснике и измерялся в годах.

С целью определения цветового градиента рубцовой ткани мы использовали фотофиксацию кожного рубца, с соблюдением заранее заданных условий, при помощи цифровой камеры мобильного устройства (iPhone 7, камера 12 Мп, ƒ/1.8, оптическая стабилизация изображения, контроль экспозиции; с расстояния 30 см и углом к объекту съемки в 45 градусов) с последующей оценкой в цифровом графическом редакторе Photoshop CS6. Ранее мы показали, что при таком расположении камеры и объекта относительные величины цветовых координат в системе RGB постоянны и не зависят от условий внешней среды, что позволяло избегать явлений метамеризма [9]. Координаты для анализа цвета были представлены в системе RGB и оценены при помощи инструмента “цветовой эталон” по следующему алгоритму. Три “точки” (пиксельный забор 3×3) выбирали на равноудалённом расстоянии друг от друга в пределах исследуемого рубца, затем проводили параллельные прямые, проходящие через зону забора цветовых координат и повторяли процедуру оценки на расстоянии три сантиметра на участке неизменённой кожи (рисунок 1). Такой алгоритм был продиктован желанием уменьшить статистическую погрешность измерений. Таким образом, для оценки цветового градиента одного рубца анализировали 18 цветовых координат (R = 6, G = 6, B = 6). Путем суммирования полученных значений определяли общую цветовую яркость рубца и неизмененной кожи. Затем вычисляли градиент цвета при помощи стандартных процедур в программе Microsoft Excel 2019. Результат отражал отличие в цветовосприятии рубца от неизмененной кожи в процентах.

В качестве алгоритма прогнозирования был выбран метод деревьев решений (decision tree) в программе SPSS Statistic 23. Деревья решений являются методом изучения статистически значимой взаимосвязи между одной зависимой (исход) и несколькими независимыми переменными (предикторы). Основным отличием этого метода от логистической регрессии и других методов прогнозирования, является представление данных в виде иерархичной древовидной структуры, которая строится после выделения связей и сегментации данных [10]. Этот метод способен выявить нелинейные связи которые нельзя обнаружить, применяя стандартные статистические тесты. Деревья решений устойчивы к выбросам данных, поскольку основаны на определении диапазонов значений внутри выборки. На сегодняшний день выделяют четыре основных модели деревьев решений: модель CHAID (Chi - square automatic interaction detector) автоматический обнаружитель взаимодействий, модель исчерпывающий CHAID, модель CRT (Classification and regression tree), модель QUEST (Quick, unbiased efficient statistical tree) быстрое несмещённое статистическое дерево. В качестве алгоритмов машинного обучения и применения к выборке, мы предпочли модели CHAID, исчерпывающий CHAID а так же CRT. Прогнозирование по методу QUEST не проводилось, так как наиболее достоверные результаты данный метод показывает на выборке 1000 случаев и более [11].

Таким образом, прогнозируемым исходом в проведённом исследовании являлся совокупный балл по листу-опроснику для ребёнка шкалы оценки эстетичности послеоперационного рубца в детской хирургии (SPASS). Предикторами выступили возраст ребёнка, длина кожного рубца, локализация кожного рубца, цветовой градиент относительно неизменённой кожи. Методом прогнозного моделирования был выбран метод деревьев решений. Статистический анализ данных осуществляли при помощи программ Microsoft Office Excel 2019, IBM SPSS Statistic 23 (Chicago Il.).

РЕЗУЛЬТАТЫ.

В проведённом исследовании приняло участие 219 детей, которые полностью удовлетворяли уже обозначенным критериям включения. Согласно формуле расчета числа исходов (событий) на основе количества предикторов (Events Per Predictor - EPP) - количество исходов достаточно для проведения расчетов [12]. Для определения статистической мощности исследования с бинарным исходом воспользовались правилом F Harrell - 10-20 EPV (Events per variable) [13]. В нашем исследовании на один предиктор выпадало 17 наблюдений, что подтвердило предположение о репрезентативности выборки. Сводная характеристика выборки представлена в таблице (таблица 1).

Изучаемые данные были сбалансированы по частоте интересующего явления. Частота неудовлетворительного эстетического результата в послеоперационном периоде составила 30, 1%.

Далее последовательно построили диаграммы деревьев решений в вышеописанных моделях.

При построении дерева решений по методу CHAID, для повышения репрезентативности выборки, мы провели прогнозное моделирование с изменёнными критериями. Минимальное возможное количество наблюдений в родительском и дочернем узле было установлено 8 и 4. В качестве критерия статистической значимости предпочтен χ2 отношения правдоподобия. Уровень значимости для разбиения узлов составил 0,05 (p = 0,05). Для объединения узлов выбран аналогичный порог вероятности. Максимальное количество итераций установлено на отметке 1000. Минимальное изменение в ожидаемых частотах и ячейках 0,001. Установлена отметка о необходимости корректировки полученного результата при помощи поправки Бонферрони. После построения диаграммы дерева получена прогностическая модель с глубиной дерева в три уровня. В модель были включены следующие зависимые переменные: длина рубца, возраст ребёнка, цветовой градиент относительно неизмененной кожи. Отметим, что переменная «локализация» не участвовала в построении модели, так как иерархические связи были незначимыми. Модель включала в себя 32 узла, 25 из которых являлись терминальными, то есть такими, после которых дерево останавливало рост. Наилучшим предиктором, который участвовал в построении модели и внёс наибольший статистический вклад выступил “длина рубца”. С помощью него генеральная выборка была разделена на семь подгрупп, три из которых имели дальнейшее продолжение. Оценка риска модели составила 0,146, а стандартная ошибка вычислений 0,24. Иными словами вероятность неверно предсказанного исхода целевой переменной составила 14,6%. Далее оценена таблица классификаций полученных результатов (таблица 2).

При анализе данных работоспособность модели выглядела оптимистично, поскольку общая правильность классификации составляла 85,4%. Общая процентная доля в предиктивном построении также была близка к идентичному показателю в исходной выборке - 30,1% и 33,8% соответственно.

При построении дерева решений по методу исчерпывающий CHAID были применены статистические критерии идентичные вышеописанной модели, так как алгоритмы расчётов схожи. Мы получили структуру, включающую в себя 34 узла, 25 из которых являлись терминальными. В построении диаграммы приняли участие три предиктора: длина рубца, возраст ребёнка, локализация рубца. Предиктор цветовой градиент был проигнорирован и признан статистически незначимым. Оценка риска модели составила 0,215, при величине среднеквадратичной ошибки - 0,28. Таким образом, вероятность неверно предсказанного исхода составила 21,5%. В качестве критерия возможной работоспособности Мы оценили таблицу классификаций полученных значений (таблица 3).

Общая правильность классификации, несмотря на увеличение количества родительских узлов, оказалась ниже и составила 78,5%. Предсказанное значение целевой переменной так же отличалось в худшую сторону от метода CHAID, однако было ближе к искомому исходу в генеральной совокупности.

При построении дерева решений по методу CRT уровень минимального изменения неоднородности установлен по умолчанию в 0,001. Установлен критерий отсечения ветвей для избегания переобучения модели. Количество минимально возможного числа наблюдений в родительском и дочернем узле установлено на отметках шесть и три. Многие исследователи рекомендуют выбирать наименьшее значение данных параметров, ввиду того, что алгоритм самостоятельно улучшает модель используя суррогаты валидных значений. Мы получили диаграмму, которая включала в себя 29 узлов, 15 из которых являлись терминальными. В построении приняли участие все заявленные ранее предикторы, а глубина дерева составила пять уровней. Анализ таблицы классификаций полученных результатов показал, что “общая правильность классификации” была хорошей и составила 80,4%, (таблица 4). Однако предсказанное значение целевой переменной значительно отличалось в худшую сторону и составило всего 13,2%. Правильность прогноза сместилась в сторону большего количества наблюдений.

Анализ таблиц классификаций моделей деревьев решений позволил нам сделать предварительный вывод о реалистичности прогноза целевого исхода.

Сравнительный анализ всех построений по элементу отчета “сводка для модели” представлен в таблице (таблица 5).

В целях объективизации полученных результатов, для определения наиболее точного бинарного классификатора среди построенных моделей, воспользовались методом построения ROC кривой. Данный метод позволил определить дискриминирующую способность и выбрать порог отсечения. В нашем случае – способность модели правильно определять неудовлетворительный косметический результат на основе заданных предикторов. При построении графика, переменной состояния выступила “эстетичность”, а целевым значением 0 (рисунок 2). Анализ ROC кривых позволил сделать вывод о том, какая из построенных моделей наиболее реалистично прогнозирует необходимый исход и пригодна для использования.

При визуальной оценке ROC кривых наибольшую специфичность продемонстрировала модель CHAID. Для сравнения двух и более кривых применили стандартный для таких случаев параметр AUC - площадь под кривой. Сводные значения данного параметра представлены в таблице 6.

Наибольшей площадью под кривой обладала предиктивная модель построенная по методу CHAID, показав отличную «дискриминирующую способность» конструкции. Помимо этого доверительный интервал данной модели содержал наиболее высокие значения и не пересекался со значениями интервалов других моделей. Ширина доверительного интервала CHAID составляла 0,032 - “хорошая точность оценки”.

В качестве проверки работоспособности модели использовали кросс-проверку, с установленным значением по умолчанию в 10 случайных выборок. Оценка кросс валидации по методу повторной подстановки составила 0,118 при стандартной ошибке в 0,011. А оценка по методу перекрестной проверки составила 0,121 при стандартной ошибке в 0,013. Это показывало работоспособность модели CHAID с хорошей обобщающей функцией.

Таким образом, предиктивная прогностическая модель по методу CHAID - работоспособна, а предсказанные значения репрезентативны и применимы к реальным данным. Полная диаграмма дерева решений по методу CHAID представлена в приложении 1.

Отметим, что клиническое прогнозирование в диаграммах по типу деревьев решений осуществляется “снизу вверх” от терминального узла к родительскому с учетом данных каждой пересекаемой по пути ветви [10]. Для того, чтобы узнать какие из терминальных узлов пригодны для интерпретации, построили таблицу выигрышей для узлов (таблица 7).

В данной таблице представлена информация о терминальных узлах в модели, которые содержат прогноз искомого результата (балл по шкале-опроснику менее 7). В столбце «отклик» содержался процент искомого результата, внутри одного узла. Например, для узла номер 27, отклик составляет 71,4%. Это значит, что из 14 исходов, которые включены в узел – 10 целевые. Значение параметра «отклик» для всех узлов можно проверить по диаграмме дерева. Параметр «индекс», выраженный в процентах, представлял собой отношение доли отклика в каждом из узлов к идентичному параметру в контрольной выборке. Например, индекс для узла 16 равен 284,4%, тогда как доля целевого исхода для всей выборки составляет 30,1%. Индекс для каждого из терминальных узлов показывал вероятность попадания в целевую категорию внутри узла относительно аналогичной вероятности для всей выборки. Если данный параметр принимает значение более 100%, значит вероятность выбрать нужное значение внутри узла выше, чем в общей выборке. Если значение менее 100%, то преимущества выбора отсутствуют.

Таким образом, пригодные для анализа терминальные узлы с целевым исходом “неудовлетворительный эстетический результат” находятся под номерами 6, 16, 18, 22, 2, 27, 13, 11, 29.

ОБСУЖДЕНИЕ.

В настоящее время среди научного медицинского сообщества предиктивное моделирование с использованием алгоритмов машинного обучения находит все больший отклик и используется для прогнозирования как клинических исходов, так и вероятности наступления того или иного события. Например, в открытой базе данных PubMed по запросу “predictive model”, “machine learning” мы можем найти 1697 опубликованных статей датируемых 2024 годом, при том что количество научных статей на аналогичную тему за 2020 год составляет 584 [14]. Прогнозированию подвергается вероятность сердечно-сосудистых заболеваний, строятся модели исходов при онкологических заболеваний и т.д. Внимание исследователей привлекает возможность предсказать вероятность события, на основе исходных данных, задолго до его наступления. При этом используют выборки от нескольких десятков до нескольких сотен тысяч, а количество предикторов, от единиц до сотен [15, 16]. Однако мы не смогли найти исследования связанные с прогнозом эстетических параметров кожного рубца, в том числе у детей.

По результатам нашего исследования наиболее значимо на эстетическое восприятие послеоперационного рубца влияет его длина. Это не зависит от возраста ребёнка, локализации рубца и его цвета. Данная переменная является первой при расщеплении генеральной выборки в каждой из построенных моделей.

Наиболее показательным в этом отношении являлся терминальный узел под номером 6, в который вошли пациенты с длиной рубца от 15,20 см до 18,40 см, а уровень целевой категории внутри узла составил 100%. Эти данные прямо подтверждают результаты J Kantor [17], который выявил характерную зависимость длины кожного рубца и косметического восприятия. Важно, что линейные послеоперационные рубцы чаще всего не обладают большой площадью, в отличие от ожоговых или травматических, но могут быть протяженными.

В детской практике, перед планированием оперативного лечения следует помнить о “пассивном росте” рубцовой ткани вслед за ростом ребёнка [18]. Иллюстрацией этого являлся пациент Б. 9 лет, которому в периоде новорождённости была выполнена торакотомия по поводу атрезии пищевода (рисунок 3). Вероятно, длина разреза составляла 6 - 7 см. При его обследовании в настоящее врем – длина рубца составляла 29,2 см. Ребёнок полностью социализирован, не испытывает явлений дисфагии. Однако рубец вызывает негативное отношение со стороны ребенка и его родителей. Обсуждается возможность различных вариантов косметической коррекции послеоперационного рубца, а сам ребёнок считает кожные изменения “слишком большими”.

Терминальные узлы под номерами 16 и 18 включали в себя зависимую переменную “цветовой градиент” и являлись дочерними по отношению к узлу номер 5, в котором сосредоточены наблюдения детей, чей рубец был длиной от 6,20 см до 15,20 включительно (рисунок 4). Несмотря на относительно небольшие различия в цвете от неизменённой кожи был зафиксирован неудовлетворительный эстетический исход. Тем самым подтверждая закономерность, что длина рубца приоритетна для переживаний и негативного эмоционального опыта ребёнка. С возрастанием градиента цвета, при аналогичных параметрах длины, так же наблюдался целевой исход (не удовлетворительный эстетический результат). Это подтверждено в терминальных узлах номер 20 и 22, в которых вероятность неудовлетворительного эстетического результата достигала 75% и 80%.

Терминальные узлы под номерами 11 и 13 учитывали переменную возраст, в них с одинаковой частотой в 66,7% наблюдали негативный исход. Они представляли собой ветви от узлов 1 и 3. В узле под номером 11 с вероятностью 66,7% предсказан негативный эстетический исход для детей 15 - 16 лет, длина послеоперационного рубца которых 3,30 см и менее. Несмотря на относительно небольшой размер кожного рубца, дети данного возраста воспринимали рубец отрицательно. Данную прогностическую ситуацию возможно объяснить с двух позиций. Во-первых, в этом возрасте завершается формирование “я - концепции” как совокупности знаний о своем теле и личности [19]. Даже минимальные отличительные черты от общепринятого “стандарта” могут быть для подростка источником переживаний, что подтверждено серией публикаций R Burns. Во-вторых, именно в этом возрасте рубец может стать источником общественного обсуждения и буллинга. Данный факт следует учитывать детским хирургам при планировании даже минимальных оперативных вмешательств у детей этой возрастной группы.

Терминальный узел 27 содержал информацию о детях 9 - 12 лет, а уровень прогноза целевой категории составил 71,4% при длине рубца в 1,40 см - 2,10 см. Результаты прогноза для этой группы пацеинтов сходны с результатами, которые содержались в терминальном узле номер 13. В нем представлена информация о детях 7 - 10 лет включительно при длине кожного рубца 3,50 см - 6.00 см. В большинстве случаев это были дети, перенесшие операции по поводу острого аппендицита «открытым» способом или лапароскопически. Зачастую источником формирования мнения о себе в этом возрасте служит “общественный взрослый”, в данном случае родитель пациента.

В узле номер 29 были сосредоточены данные о детях 9 - 12 лет с длиной рубца более 3 см. Ожидаемо, наличие главного предиктора расщепления привело к высокой вероятности потери эстетичности – более 60%.

Важным явилось содержание терминального узла номер 22, где содержится информация о пациентах, длина рубца которых составляла от 6,20 см до 15,20 см включительно, а цветовой градиент был велик – более 22%. В данном случае вероятность отрицательно исхода была 50 %, то есть в аналогичном количестве случаев эстетичность не страдала. Данный парадокс, по всей видимости, можно объяснить тем, что перенесенное оперативное вмешательство было выполнено по жизненным показаниям, а его исход в виде восстановления функции приоритетен как для ребёнка, так и для родителя. Например, этапное хирургическое лечение экстрофии мочевого пузыря. В этом случае приоритетным для качества жизни являлось восстановления функции органа, а не кожный рубец.

Таким образом, образование послеоперационного рубца всегда индивидуально и многофакторно. Однако значимые предикторы эстетического исхода должны быть учтены на этапе планирования операции.

ОГРАНИЧЕНИЯ ИССЛЕДОВАНИЯ.

Для наибольшей реалистичности прогноза следует использовать большее количество предикторов (факторов), например пол пациента, культурные и языковые особенности и т.д. Для этих целей необходимо создание базы данных послеоперационных рубцов в детской хирургии с учетом предикторов. Кроме того, в дальнейших исследованиях по данной теме, возможно избежать категоричности бинарной оценки результата путем введения дополнительных критериев исхода.

ВЫВОД.

В данном исследовании разработана предиктивная прогностическая модель эстетичности послеоперационного рубца в детской хирургии на основе деревьев решений. Это первая попытка прогнозирования параметров подобного рода в педиатрической практике. Мы установили, что наиболее важным фактором, влияющим на эстетичность послеоперационного рубца является его длина, вне зависимости от локализации возраста и цветового градиента. Для подросткового возраста, даже минимальные телесные изменения, вне зависимости от локализации, могут привести к неудовлетворительному эстетическому исходу. При этапном хирургическом лечении врождённых пороков развития качество жизни определяется восстановлением функции органа, а не характеристиками кожного рубца. Результаты исследования будут полезны для применения на практике в детской хирургии при планировании оперативных вмешательств.