grekovВестник хирургии имени И.И. ГрековаGrekov's Bulletin of Surgery0042-46252686-7370Federal State Budgetary Educational Institution of Higher Education «Academician I.P. Pavlov First St. Petersburg State Medical University» of the Ministry of Healthcare of the Russion Federation, FSBEI HE I.P.Pavlov SPbSMU MOH Russia10.24884/0042-4625-2025-184-5-36-43grekov-2710Research ArticleВОПРОСЫ ОБЩЕЙ И ЧАСТНОЙ ХИРУРГИИPROBLEMS OF GENERAL AND SPECIAL SURGERYПрогнозирование осложнений после бариатрической хирургии с использованием искусственного интеллектаPrediction of postoperative complications in patients after bariatric surgery with using the artificial intelligencehttps://orcid.org/0000-0002-2108-2362ХитарьянА. Г.KhitaryanА. G.

Хитарьян Александр Георгиевич, доктор медицинских наук, профессор, зав. кафедрой хирургических болезней № 3; зав. хирургическим отделением

344022, г. Ростов-на-Дону, Нахичеванский пер., д. 29

344011, г. Ростов-на-Дону, ул. Варфоломеева, д. 92а

Khitaryan Alexander G., Dr. of Sci. (Med.), Professor, Head of the Department of Surgical Diseases № 3; Head of the Surgical Department

Rostov-on-Don

https://orcid.org/0000-0001-7787-4919МежунцА. В.MezhuntsA. V.

Арут Ваграмович Межунц, кандидат медицинских наук, ассистент кафедры хирургических болезней № 3; врач-хирург хирургического отделения

344022, г. Ростов-на-Дону, Нахичеванский пер., д. 29

344011, г. Ростов-на-Дону, ул. Варфоломеева, д. 92а

Mezhunts Arut V., Cand. of Sci. (Med.), Assistant of the Department of Surgical Diseases № 3; Surgeon of the Surgical Department

Rostov-on-Don

arut.mezhunts@mail.ruhttps://orcid.org/0000-0002-0078-260XВелиевК. С.VelievK. S.

Велиев Камиль Савинович, кандидат медицинских наук, врач-хирург хирургического отделения

344011, г. Ростов-на-Дону, ул. Варфоломеева, д. 92а

Veliev Kamil S., Cand. of Sci. (Med.), Surgeon of the Surgi- cal Department

Rostov-on-Don

ОреховА. А.OrekhovA. A.

Орехов Алексей Анатольевич, кандидат медицинских наук, доцент кафедры хирургических болезней № 3; врач-хирург хирургического отделения

344022, г. Ростов-на-Дону, Нахичеванский пер., д. 29

344011, г. Ростов-на-Дону, ул. Варфоломеева, д. 92а

Orekhov Alexey A., Cand. of Sci. (Med.), Associate Professor of the Department of Surgical iseases № 3; Surgeon of the Surgical Department

Rostov-on-Don

https://orcid.org/0000-0002-1829-3345МельниковД. А.MelnikovD. A.

Мельников Денис Андреевич, кандидат медицинских наук, ассистент кафедры хирургических болезней № 3; врач-хирург хирургического отделения

344022, г. Ростов-на-Дону, Нахичеванский пер., д. 29

344011, г. Ростов-на-Дону, ул. Варфоломеева, д. 92а

Melnikov Denis A., Cand. of Sci. (Med.), Assistant of the Department of Surgical Diseases № 3; Surgeon of the Surgical Department

Rostov-on-Don

https://orcid.org/0009-0007-4887-6502ПенО. С.PenO. S.

Пен Олег Сергеевич, аспирант кафедры хирургических болезней № 3

344022, г. Ростов-на-Дону, Нахичеванский пер., д. 29

344011, г. Ростов-на-Дону, ул. Варфоломеева, д. 92а

Pen Oleg S., Postgraduate Student of the Department of Surgical Diseases № 3

Rostov-on-Don

https://orcid.org/0009-0006-1370-0657ПуковскийД. Ю.PukovskyD. Yu.

Пуковский Денис Юрьевич, врач-хирург хирургического отделения

344011, г. Ростов-на-Дону, ул. Варфоломеева, д. 92а

Pukovsky Denis Y., Surgeon of the Surgical Department

Rostov-on-Don

https://orcid.org/0000-0002-4512-6657ОсманянА. Г.OsmanianA. G.

Османян Ани Гамлетовна, студентка 4 курса

344022, г. Ростов-на-Дону, Нахичеванский пер., д. 29

 

Osmanian Ani G., 4th-year Student

Rostov-on-Don

https://orcid.org/0009-0004-6614-1575ПотоковаЗ. И.PotokovaZ. I.

Потокова Зарина Ичрамовна, студентка 4 курса

344022, г. Ростов-на-Дону, Нахичеванский пер., д. 29

 

Potokova Zarina I., 4th-year Student

Rostov-on-Don

https://orcid.org/0000-0003-1254-7022ГаспарянА. С.GasparianA. S.

Гаспарян Арман Самвелович, студент 3 курса

344022, г. Ростов-на-Дону, Нахичеванский пер., д. 29

 

Gasparian Arman S., 3th-year Student

Rostov-on-Don

Ростовский государственный медицинский университет; Клиническая больница «РЖД-Медицина»РоссияRostov State Medical University; Clinical Hospital «RZD-Medicine»Russian FederationКлиническая больница «РЖД-Медицина»РоссияClinical Hospital «RZD-Medicine»Russian FederationРостовский государственный медицинский университет; Клиническая больница «РЖД-Медицина»РоссияRostov State Medical UniversityRussian FederationРостовский государственный медицинский университетРоссияRostov State Medical UniversityRussian Federation20252412202518453643Copyright © Хитарьян А.Г., Межунц А.В., Велиев К.С., Орехов А.А., Мельников Д.А., Пен О.С., Пуковский Д.Ю., Османян А.Г., Потокова З.И., Гаспарян А.С., 20252025Хитарьян А.Г., Межунц А.В., Велиев К.С., Орехов А.А., Мельников Д.А., Пен О.С., Пуковский Д.Ю., Османян А.Г., Потокова З.И., Гаспарян А.С.Khitaryan А.G., Mezhunts A.V., Veliev K.S., Orekhov A.A., Melnikov D.A., Pen O.S., Pukovsky D.Y., Osmanian A.G., Potokova Z.I., Gasparian A.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vestnik-grekova.ru/jour/article/view/2710

ЦЕЛЬ. Разработка, валидация и программная реализация клинико-лабораторной модели на основе машинного обучения (ML) для раннего выявления и своевременной профилактики послеоперационных осложнений у пациентов, перенесших бариатрические вмешательства.МЕТОДЫ И МАТЕРИАЛЫ. Выполнен ретроспективный анализ клинических данных 2011 пациентов, перенесших бариатрическую операцию. В исследование были включены демографические параметры, клинические симптомы, лабораторные показатели, данные визуализации, а также сведения о течении послеоперационного периода. Построена модель логистической регрессии с применением автоматического взвешивания классов, что позволило скорректировать дисбаланс классов и повысить точность предсказаний. Эффективность модели оценивалась по основным метрикам: AUC, точность, чувствительность, специфичность и F1-score.РЕЗУЛЬТАТЫ. Разработанная модель продемонстрировала высокую прогностическую точность (AUC=0,975, точность 94,8 %, чувствительность 93,1 %). Наиболее значимыми признаками для классификации осложнений оказались уровни С-реактивного белка, тахикардия, лихорадка, выраженность симптомов и лабораторные маркеры воспаления.ЗАКЛЮЧЕНИЕ. Представленная модель машинного обучения имеет высокий потенциал для интеграции в клиническую практику и может стать основой для создания интеллектуальных систем раннего предупреждения осложнений, автоматизированного мониторинга и поддержки принятия врачебных решений. 

The OBJECTIVE was to develop, validate, and implement a clinical and laboratory model based on machine learning (ML) for the early identification and timely prevention of postoperative complications in patients who have undergone bariatric surgery.METHODS AND MATERIALS. A retrospective analysis was performed on clinical data from 2,011 patients who underwent bariatric procedures. The study included demographic characteristics, clinical symptoms, laboratory findings, imaging results, and details of the postoperative course. A logistic regression model was constructed using automatic class weighting to correct for class imbalance and improve predictive accuracy. The model’s performance was evaluated using key metrics: AUC, accuracy, sensitivity, specificity, and F1-score.RESULTS. The developed model demonstrated high predictive performance (AUC=0.975, accuracy=94.8 %, sensitivity=93.1 %). The most significant predictors of postoperative complications were elevated C-reactive protein levels, tachycardia, fever, symptom severity, and inflammatory laboratory markers.CONCLUSION. The proposed machine learning model shows substantial potential for integration into clinical practice and may serve as a foundation for developing intelligent systems for early complication warning, automated monitoring, and clinical decision support.

бариатрическая хирургияпослеоперационные осложнениямашинное обучениеискусственный интеллектпрогностическая модельbariatric surgerypostoperative complicationsmachine learningartificial intelligencepredictive modelReferencesSheikhtaheri A., Orooji A., Pazouki A. et al. A Clinical decision support system for predicting the early complications of one-anastomosis gastric bypass surgery. Obes Surg. 2019;29:2276–86. https://doi.org/10.1007/s11695-019-03849-wSheikhtaheri A., Orooji A., Pazouki A. et al. A Clinical decision support system for predicting the early complications of one-anastomosis gastric bypass surgery. Obes Surg. 2019;29:2276–86. https://doi.org/10.1007/s11695-019-03849-wCao Y., Fang X., Ottosson J. et al. A comparative study of machine learning algorithms in predicting severe complications after bariatric surgery. J Clin Med. 2019;8: 668. https://doi.org/10.3390/jcm8050668Cao Y., Fang X., Ottosson J. et al. A comparative study of machine learning algorithms in predicting severe complications after bariatric surgery. J Clin Med. 2019;8: 668. https://doi.org/10.3390/jcm8050668Yang C., Kessler M., Taebi N. et al. Remote follow-up with a mobile application is equal to traditional outpatient follow-up after bariatric surgery: the BELLA pilot trial. Obes Surg. 2023;33:1702–9. https://doi.org/10.1007/s11695-023-06587-2Yang C., Kessler M., Taebi N. et al. Remote follow-up with a mobile application is equal to traditional outpatient follow-up after bariatric surgery: the BELLA pilot trial. Obes Surg. 2023;33:1702–9. https://doi.org/10.1007/s11695-023-06587-2Lopez-Arevalo I., Aldana-Bobadilla E., Molina-Villegas A. et al. A memory-efficient encoding method for processing mixed-type data on machine learning. Entropy (Basel). 2020;22:1391. https://doi.org/10.3390/e22121391Lopez-Arevalo I., Aldana-Bobadilla E., Molina-Villegas A. et al. A memory-efficient encoding method for processing mixed-type data on machine learning. Entropy (Basel). 2020;22:1391. https://doi.org/10.3390/e22121391Wang S., Dai Y., Shen J. et al. Research on expansion and classification of imbalanced data based on SMOTE algorithm. Sci Rep. 2021;11:24039. https://doi.org/10.1038/s41598-021-03430-5Wang S., Dai Y., Shen J. et al. Research on expansion and classification of imbalanced data based on SMOTE algorithm. Sci Rep. 2021;11:24039. https://doi.org/10.1038/s41598-021-03430-5Razzaghi T., Safro I., Ewing J. et al. Predictive models for bariatric surgery risks with imbalanced medical datasets. Ann Oper Res. 2019;280:1–18. https://doi.org/10.1007/s10479-019-03156-8Razzaghi T., Safro I., Ewing J. et al. Predictive models for bariatric surgery risks with imbalanced medical datasets. Ann Oper Res. 2019;280:1–18. https://doi.org/10.1007/s10479-019-03156-8Migenda N., Möller R., Schenck W. Adaptive dimensionality reduction for neural network-based online principal component analysis. PLoS ONE. 2021;16: e0248896. https://doi.org/10.1371/journal.pone.0248896Migenda N., Möller R., Schenck W. Adaptive dimensionality reduction for neural network-based online principal component analysis. PLoS ONE. 2021;16: e0248896. https://doi.org/10.1371/journal.pone.0248896Hassan A.M., Rajesh A., Asaad M. et al. Artificial intelligence and machine learning in prediction of surgical complications: current state, applications, and implications. Am Surg. 2023;89:25–30. https://doi.org/10.1177/00031348221101488Hassan A.M., Rajesh A., Asaad M. et al. Artificial intelligence and machine learning in prediction of surgical complications: current state, applications, and implications. Am Surg. 2023;89:25–30. https://doi.org/10.1177/00031348221101488Stam W.T., Goedknegt L.K., Ingwersen E.W. et al. The prediction of surgical complications using artificial intelligence in patients undergoing major abdominal surgery: a systematic review. Surgery. 2022;171:1014–21 https://doi.org/10.1016/j.surg.2021.10.002Stam W.T., Goedknegt L.K., Ingwersen E.W. et al. The prediction of surgical complications using artificial intelligence in patients undergoing major abdominal surgery: a systematic review. Surgery. 2022;171:1014–21 https://doi.org/10.1016/j.surg.2021.10.002Mierzwa A.S., Mocanu V., Marcil G. et al. Characterizing timing of postoperative complications following elective Roux-en-Y gastric bypass and sleeve gastrectomy. Obes Surg. 2021;31:4492–501. https://doi.org/10.1007/s11695-021-05638-wMierzwa A.S., Mocanu V., Marcil G. et al. Characterizing timing of postoperative complications following elective Roux-en-Y gastric bypass and sleeve gastrectomy. Obes Surg. 2021;31:4492–501. https://doi.org/10.1007/s11695-021-05638-wZucchini N., Capozzella E., Giuffrè M. et al. Advanced non-linear modeling and explainable artificial intelligence techniques for predicting 30-day complications in bariatric surgery: a single-center study. OBES SURG. 2024;34:3627–38. https://doi.org/10.1007/s11695-024-07501-0Zucchini N., Capozzella E., Giuffrè M. et al. Advanced non-linear modeling and explainable artificial intelligence techniques for predicting 30-day complications in bariatric surgery: a single-center study. OBES SURG. 2024;34:3627–38. https://doi.org/10.1007/s11695-024-07501-0Groene P., Eisenlohr J., Zeuzem C. et al. Postoperative nausea and vomiting in bariatric surgery in comparison to non-bariatric gastric surgery. Wideochir Inne Tech Maloinwazyjne. 2019;14:90–5. https://doi.org/10.5114/wiitm.2018.77629Groene P., Eisenlohr J., Zeuzem C. et al. Postoperative nausea and vomiting in bariatric surgery in comparison to non-bariatric gastric surgery. Wideochir Inne Tech Maloinwazyjne. 2019;14:90–5. https://doi.org/10.5114/wiitm.2018.77629Suh S., Helm M.,Kindel T.L. et al. The impact of nausea on post-operative outcomes in bariatric surgery patients. Surg Endosc. 2020;34:3085–91. https://doi.org/10.1007/s00464-019-07058-5Suh S., Helm M.,Kindel T.L. et al. The impact of nausea on post-operative outcomes in bariatric surgery patients. Surg Endosc. 2020;34:3085–91. https://doi.org/10.1007/s00464-019-07058-5

The authors declare that there are no conflicts of interest present.