Предиктивная модель прогноза эстетичности послеоперационного рубца в детской хирургии: оригинальное исследование
- Авторы: Савельев Д.С.1, Городков С.Ю.1, Горемыкин И.В.1
-
Учреждения:
- Саратовский государственный медицинский университет имени В.И. Разумовского
- Выпуск: Том 29, № 4 (2025)
- Страницы: 250-261
- Раздел: Оригинальные исследования
- Дата подачи: 15.03.2025
- Дата принятия к публикации: 05.08.2025
- Дата публикации: 26.08.2025
- URL: https://jps-nmp.ru/jour/article/view/856
- DOI: https://doi.org/10.17816/ps856
- EDN: https://elibrary.ru/IGZGOM
- ID: 856
Цитировать
Полный текст



Аннотация
Обоснование. Послеоперационный рубец ― видимый и неизбежный исход хирургического лечения. Наличие рубца на теле ребёнка наряду с физическими неудобствами (боль, зуд, шелушение) способно привести к снижению уровня качества жизни в целом, что проявляется дисгармонией в психологической и возрастной адаптации, чувством неудовлетворённости собственным телом.
Результатом нашей работы был ответ на исследовательский вопрос, возможно ли до операции прогнозировать эстетичность послеоперационного рубца у ребёнка с учётом заранее известных предикторов.
Цель исследования ― создать предиктивную модель прогноза эстетичности послеоперационного рубца в детской хирургии с применением методов машинного обучения.
Методы. В исследовании приняли участие 219 детей, которые имели послеоперационный рубец на своём теле. Период проведения работы ― 2022–2024 годы. В качестве алгоритма прогнозирования был выбран метод деревьев решений (decision tree) в программе SPSS Statistic 23. Построение моделей проводили по методам CHAID и его модификации (Исчерпывающий CHAID), а также CRT. В качестве искомого критерия прогноза опирались на балл итогового вопроса листа опросника для ребёнка шкалы SPASS. Предикторами выступали следующие параметры: возраст ребёнка, локализация рубца, длина рубца, цветовой градиент. Цветовой градиент определяли в цифровом графическом редакторе Photoshop CS6 на основе фотоснимков в системе цветовых координат RGB.
Результаты. Построена работоспособная предиктивная прогностическая модель по методу CHAID. Модель включала в себя 32 узла, 25 из которых были терминальными. При построении ROC-кривой, параметр AUC составил 0,924. Асимптотический доверительный интервал (95%) находился в пределах 0,890–0,922. Значение проведённой кросс-валидации было приемлемым. Прогнозное моделирование проведено на основе девяти терминальных узлов с высокими значениями параметров «индекс» и «отклик». Приоритетным фактором влияния на эстетическое восприятие послеоперационного рубца является его длина.
Заключение. В нашем 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. Результаты исследования будут полезны для применения на практике в детской хирургии при планировании оперативных вмешательств.
Полный текст

Об авторах
Дмитрий Сергеевич Савельев
Саратовский государственный медицинский университет имени В.И. Разумовского
Автор, ответственный за переписку.
Email: saveljevds@gmail.com
ORCID iD: 0009-0006-6832-3318
SPIN-код: 6057-3390
MD
Россия, 410012, Саратов, ул. Большая Казачья, д. 112Сергей Юрьевич Городков
Саратовский государственный медицинский университет имени В.И. Разумовского
Email: gorodcov@yandex.ru
ORCID iD: 0000-0001-9281-6872
SPIN-код: 2458-6382
канд. мед. наук, доцент
Россия, СаратовИгорь Владимирович Горемыкин
Саратовский государственный медицинский университет имени В.И. Разумовского
Email: goremykine@gmail.com
ORCID iD: 0000-0002-6074-9780
SPIN-код: 4172-3482
д-р мед. наук, профессор
Россия, СаратовСписок литературы
- Ferguson MW, Whitby DJ, Shah M, et al. Scar formation: the spectral nature of fetal and adult wound repair. Plast Reconstr Surg. 1996;97(4):854–860. doi: 10.1097/00006534-199604000-00029
- Huang TR, Chen SG, Chen JC, Liu SC. Validation of fespixon in postoperative scar cosmesis using quantitative digital photography analysis. Aesthet Surg J. 2023;43(6):NP427–NP437. doi: 10.1093/asj/sjad005
- Möller E, Martinez R, Rode H, Adams S. Scar wars. S Afr J Surg. 2019;57(4):41.
- Vercelli S, Ferriero G, Sartorio F, et al. Clinimetric properties and clinical utility in rehabilitation of postsurgical scar rating scales: a systematic review. Int J Rehabil Res. 2015;38(4):279–286. doi: 10.1097/MRR.0000000000000134
- Krakowski AC, Totri CR, Donelan MB, Shumaker PR. Scar management in the pediatric and adolescent populations. Pediatrics. 2016;137(2):e20142065. doi: 10.1542/peds.2014-2065
- Carrière ME, Mokkink LB, Tyack Z, et al. Development of the patient scale of the Patient and Observer Scar Assessment Scale (POSAS) 3.0: a qualitative study. Qual Life Res. 2023;32(2):583–592. doi: 10.1007/s11136-022-03244-6
- Durani P, McGrouther DA, Ferguson MW. Current scales for assessing human scarring: a review. J Plast Reconstr Aesthet Surg. 2009;62(6):713–720. doi: 10.1016/j.bjps.2009.01.080
- Menninghaus W, Wagner V, Wassiliwizky E, et al. What are aesthetic emotions? Psychol Rev. 2019;126(2):171–195. doi: 10.1037/rev0000135
- Savelev DS, Gorodkov SY. Goremykin IV, Bratashova MV. Subjective pediatric assessment scar scale: SPASS. Development and validation of the scale. Russian Journal of Pediatric Surgery. 2025;29(2):80–91. doi: 10.17816/ps822 EDN: DYGVXR
- Van der Wal MB, Verhaegen PD, Middelkoop E, van Zuijlen PP. A clinimetric overview of scar assessment scales. J Burn Care Res. 2012;33(2):e79–87. doi: 10.1097/BCR.0b013e318239f5dd
- Wilson IB, Cleary PD. Linking clinical variables with health-related quality of life. A conceptual model of patient outcomes. JAMA. 1995;273(1):59–65.
- Bakas T, McLennon SM, Carpenter JS, et al. Systematic review of health-related quality of life models. Health Qual Life Outcomes. 2012;10:134. doi: 10.1186/1477-7525-10-134
- Savelev DS, Gorodkov SYu, Goremykin IV. Standardization of color measurement in the medical photography in clinical practice. Russian Journal of Pediatric Surgery. 2024;28(5):460–471. doi: 10.17816/ps803 EDN: EDRVEP
- Mienye D, Nobert J. A survey of decision trees: concepts, algorithms, and applications. IEEE Access. 2024;(99):1-1. doi: 10.1109/ACCESS.2024.3416838
- Jiao S, Song J, Liu B. A review of decision tree classification algorithms for continuous variables. J Physics Conference Series. 2020;1651(1):012083. doi: 10.1088/1742-6596/1651/1/012083
- Collins S, Peek N, Riley R, Martin G. Sample sizes of prediction model studies in prostate cancer were rarely justified and often insufficient. J Clin Epidemiol. 2021;133:53–60. doi: 10.1016/j.jclinepi.2020.12.011
- Steyerberg E, Schemper M, Harrell F. Logistic regression modeling and the number of events per variable: selection bias dominates. J Clin Epidemiol. 2011 64(12):1464–1465; author reply 1463-4. doi: 10.1016/j.jclinepi.2011.06.016
- Maimaitituerxun R, Chen W, Xiang J, et al. Predictive model for identifying mild cognitive impairment in patients with type 2 diabetes mellitus: a CHAID decision tree analysis. Brain Behav. 2024;14(3):e3456. doi: 10.1002/brb3.3456
- Xiang S, Li L, Wang L, et al. A decision tree model of cerebral palsy based on risk factors. J Matern Fetal Neonatal Med. 2021;34(23):3922–3927. doi: 10.1080/14767058.2019.1702944
- Kantor J. Utilizing the Patient Attitudes to Scarring Scale (PASS) to develop an outcome measure for postoperative scarring: a study in 430 patients. J Am Acad Dermatol. 2016;74(6):1280–1281.e2. doi: 10.1016/j.jaad.2016.01.026
- Barone N, Safran T, Vorstenbosch J, et al. Current advances in hypertrophic scar and keloid management. Semin Plast Surg. 2021;35(3):145–152. doi: 10.1055/s-0041-1731461
- Vygotsky LS. Educational psychology. Ed. by V.V. Davydov. Moscow: Pedagogika-Press; 1996. 536 p. (Psychology: classical works). (In Russ.)
- Imren C, Ijsselstijn H, Vermeulen MJ, et al. Scar perception in school-aged children after major surgery in infancy. J Pediatr Surg. 2024;59(11):161659. doi: 10.1016/j.jpedsurg.2024.07.044
- Kate CA, Koese HJ, Hop MJ, et al. Psychometric performance of the stony brook scar evaluation scale and SCAR-Q questionnaire in dutch children after pediatric surgery. Int J Environ Res Public Health. 2023;21(1):57. doi: 10.3390/ijerph21010057
- Van de Kar AL, van Riessen F, Koolbergen DR, van der HorstInfluence CM. Influence of age on scar tissue: a retrospective study on the differences in scar tissue development between children and adults. J Plast Reconstr Aesthet Surg. 2020;73(7):135–1404. doi: 10.1016/j.bjps.2020.02.024
Дополнительные файлы
