Aim – to compare the predictive accuracy of Cox regression and machine learning (ML) methods regarding recurrence-free survival in patients with locally advanced renal cell carcinoma after radical treatment. Additionally, to investigate an extended Cox model in which the risk function is formed using a neural network approximator (DeepSurv).
Material and methods. This study conducted a retrospective analysis of data from patients diagnosed with renal cell carcinoma who underwent radical nephrectomy with thrombectomy from the renal and inferior vena cava between 2007 and 2024 at the Federal State Budgetary Institution “RSC for Radiology and Surgical Technologies named after Academician A.M. Granov”. The study included 100 patients (54 men and 46 women). The median age was 61.5 years (IQR: 59.7–63). Of the total observations, disease progression was recorded in 41 cases, while in the remaining 59 cases, the data were censored. The models were evaluated based on the concordance index (C-index) and interpreted using SHAP analysis.
Results. The DeepSurv neural network model demonstrated higher predictive accuracy on the test dataset compared to the classical Cox model (C-index: 0.8056 vs. 0.7917, respectively). This indicates a superior ability of DeepSurv to rank patients by individual risk of disease progression. Using SHAP analysis, the key predictors contributing most significantly to the prognosis were identified: tumor size, ISUP grade, level of tumor thrombosis, and histological tumor type. The DeepSurv model enabled the capture of complex nonlinear interactions between features, thereby improving both the interpretability and clinical applicability of the results.
Conclusion. The obtained data confirm the feasibility of using machine learning methods for personalized prognosis and optimization of monitoring strategies in patients with RCC.
Цель – сравнить прогностическую точность регрессии Кокса и методов машинного обучения (ML) в отношении безрецидивной выживаемости пациентов с местно-распространенным почечно-клеточным раком после радикального лечения, а также исследовать расширенную модель Кокса, в которой функция риска формируется с использованием нейросетевого аппроксиматора (DeepSurv).
Материал и методы. В данном исследовании был проведен ретроспективный анализ данных пациентов с диагнозом «почечно-клеточный рак», перенесших радикальную нефрэктомию с тромбэктомией из почечной и нижней полой вены в период с 2007 по 2024 годы в ФГБУ «РНЦРХТ им. акад. А.М. Гранова». В исследование включены 100 пациентов (54 мужчины и 46 женщин). Медианный возраст составил 61,5 года (IQR: 59,7–63). Из общего числа наблюдений в 41 случае было зафиксировано прогрессирование заболевания, в остальных 59 случаях данные были цензурированные. Оценка моделей проводилась на основе индекса конкордации (C-index) и интерпретировалась с использованием SHAP-анализа.
Результаты. Нейросетевая модель DeepSurv продемонстрировала более высокую прогностическую точность на тестовой выборке по сравнению с классической моделью Кокса (C-index: 0,8056 против 0,7917 соответственно). Это свидетельствует о лучшей способности модели DeepSurv ранжировать пациентов по индивидуальному риску прогрессирования. С помощью SHAP-анализа установлены ключевые предикторы, вносящие наибольший вклад в прогноз: размер опухоли, степень злокачественности (ISUP-грейд), уровень опухолевого тромбоза и морфологический тип опухоли. Модель DeepSurv позволила учесть сложные нелинейные взаимодействия между признаками, что повысило интерпретируемость и клиническую применимость результатов.
Заключение. Полученные данные подтверждают целесообразность применения методов машинного обучения для персонализированного прогноза и оптимизации тактики наблюдения у больных с почечно-клеточным раком.