Абдулаева Рукият Шамильевна
Каширское ш., д. 23, г. Москва, 115522
Rukiyat Sh. Abdulaeva
Kashirskoye shosse, 23, Moscow, 115522
Павлова Валерия Игоревна
Каширское ш., д. 23, г. Москва, 115522; ул. Одесская, д. 54, г. Тюмень, 625023
Valeria I. Pavlova
Kashirskoye shosse, 23, Moscow, 115522; Odesskaya Street, 54, Tyumen, 625023
Геворкян Тигран Гагикович
Каширское ш., д. 23, г. Москва, 115522
Tigran G. Gevorkyan
Kashirskoye shosse, 23, Moscow, 115522
Беленькая Яна Владимировна
Каширское ш., д. 23, г. Москва, 115522
Yana V. Belenkaya
Kashirskoye shosse, 23, Moscow, 115522
Манукян Мариам Шираковна
Каширское ш., д. 23, г. Москва, 115522
Mariam Sh. Manukyan
Kashirskoye shosse, 23, Moscow, 115522
Гордеев Сергей Сергеевич
Каширское ш., д. 23, г. Москва, 115522; ул. Одесская, д. 54, г. Тюмень, 625023
Sergey S. Gordeev
Kashirskoye shosse, 23, Moscow, 115522; Odesskaya Street, 54, Tyumen, 625023
ЦЕЛЬ: оценить эффективность алгоритмов искусственного интеллекта для прогнозирования отдаленных результатов лечения больных колоректальным раком (КРР) на основе клинических данных.
МАТЕРИАЛЫ И МЕТОДЫ: проведен систематический поиск научных публикаций за 2015–2024 гг. в базах данных PubMed, ScienceDirect, MedRxiv, BioRxiv и Google Scholar. Включены оригинальные исследования, применявшие методы машинного обучения и глубокого обучения исключительно на основе клинических данных для прогнозирования рецидива КРР. Из 657106 выявленных публикаций критериям включения соответствовали 43 исследования, из которых 12 вошли в метаанализ. Оценивались общая площадь под ROC-кривой (AUC), показатели гетерогенности (I², τ², Q-тест), наличие публикационного смещения и чувствительность результатов. Чувствительность результатов метаанализа была подтверждена методом leave-one-out.
РЕЗУЛЬТАТЫ: по результатам проведенного анализа было установлено, что наиболее часто применяемыми алгоритмами были Random Forest (67%), Support Vector Machine (51%) и XGBoost (37%). Общая объединённая прогностическая точность моделей машинного обучения в прогнозировании общей выживаемость КРР показала очень хорошие результаты — AUC = 0,86 (95% ДИ: 0,82–0,89). Вместе с тем, выявлена значительная межисследовательская гетерогенность (I² = 97,6%, p < 0,001) и умеренное публикационное смещение.
ЗАКЛЮЧЕНИЕ: высокая прогностическая точность моделей ИИ подтверждает их потенциал для интеграции в клиническую практику при прогнозировании рецидива КРР. Однако существенная гетерогенность между исследованиями ограничивает возможность прямого сравнения эффективности различных алгоритмов и требует осторожности в интерпретации результатов.
AIM: to evaluate the performance of artificial-intelligence algorithms in predicting long-term treatment outcomes in patients with colorectal cancer using clinical data alone to evaluate the performance of artificial-intelligence algorithms in predicting long-term treatment outcomes in patients with colorectal cancer (CRC) using clinical data alone.
MATERIALS AND METHODS: a systematic search (2015–2024) was conducted in PubMed, Science Direct, MedRxiv, BioRxiv and Google Scholar. Original studies that applied machine-learning or deep-learning techniques exclusively to clinical variables for predicting CRC recurrence were included. Of 657106 records screened, 43 met the eligibility criteria; 12 were entered into a meta-analysis. Pooled area under the ROC curve (AUC), heterogeneity metrics (I², τ², Q-test), publication bias and sensitivity were assessed. Robustness was examined with a leave-one-out analysis.
RESULTS: a systematic search (2015–2024) in PubMed, Science Direct, MedRxiv, BioRxiv and Google Scholar. Original studies that applied machine-learning or deep-learning techniques exclusively to clinical variables for predicting CRC recurrence were included. Of 657106 records screened, 43 met the eligibility criteria; 12 were entered into a meta-analysis. Pooled area under the ROC curve (AUC), heterogeneity metrics (I², τ², Q-test), publication bias and sensitivity were assessed. Robustness was examined with a leave-one-out analysis.
CONCLUSION: AI models show promising accuracy in predicting colorectal cancer recurrence, supporting their potential utility in clinical decision-making. Nevertheless, further validation in large-scale, prospective studies is required before widespread clinical implementation.
The authors declare that there are no conflicts of interest present.