Манукян Мариам Шираковна
115478 Москва, Каширское шоссе, 23
Manukyan Mariam Shirakovna
23 Kashirskoe Shosse, Moscow 115478
Павлова Валерия Игоревна
115478 Москва, Каширское шоссе, 23
625041 Тюмень, ул. Барнаульская, 32
625023 Тюмень, ул. Одесская, 54
Pavlova Valeria Igorevna
23 Kashirskoe Shosse, Moscow 115478
32 Barnaulskay St., Tyumen 625041
54 Odesskaya St., Tyumen 625023
Абдулаева Рукият Шамильевна
115478 Москва, Каширское шоссе, 23
Abdulaeva Rukiyat Shamilievna
23 Kashirskoe Shosse, Moscow 115478
Геворкян Тигран Гагикович
115478 Москва, Каширское шоссе, 23
Gevorkyan Tigran Gagikovich
23 Kashirskoe Shosse, Moscow 115478
Гордеев Сергей Сергеевич
115478 Москва, Каширское шоссе, 23
625023 Тюмень, ул. Одесская, 54
119991, г. Москва, ул. Трубецкая, д. 8, стр. 2
Gordeev Sergey Sergeevich
23 Kashirskoe Shosse, Moscow 115478
54 Odesskaya St., Tyumen 625023
Build. 2, 8 Trubetskaya St., Moscow 119991
Проведен систематический обзор и мета‑анализ 10 исследований (2019–2024 гг.), оценивающих диагностическую точность алгоритмов искусственного интеллекта (ИИ) для прогнозирования рецидивов рака поджелудочной железы (РПЖ). Объединенные оценки чувствительности и специфичности составили 0,77 [95 % ДИ: 0,58–0,95] и 0,79 [95 % ДИ: 0,57–1,00] соответственно. Ключевыми ограничениями работы являлась высокая гетерогенность (I² > 98 %), которая может быть связана с малым числом включенных исследований, и недостаточная стандартизация методов валидации.
Введение: Использование технологий искусственного интеллекта открывает новые возможности в прогнозировании течения рака поджелудочной железы.
Цель: Проведение мета‑анализа диагностической точности алгоритмов ИИ (чувствительности и специфичности) для прогнозирования рецидивов РПЖ и сравнительный анализ эффективности различных типов алгоритмов.
Методы: Был проведен систематический поиск литературы в ведущих научных базах данных, охватывающий публикации за период с 2019 по 2024 годы. В обзор включены исследования, в которых применялись методологии искусственного интеллекта для прогнозирования риска рецидива рака поджелудочной железы. Поиск и анализ данных осуществлялись в три этапа: первичный поиск исследований по ключевым словам и критериям включения; скрининг заголовков и аннотаций для отбора релевантных работ; детальная оценка полных текстов отобранных статей.
Синтез данных включал анализ производительности моделей ИИ, типов используемых данных (клинические, геномные, радиологические и др.), а также стратегий валидации и тестирования предложенных алгоритмов.
Для мета‑анализа чувствительности и специфичности использована модель случайных эффектов с расчетом объединенных оценок, 95 % доверительных интервалов и показателей гетерогенности (I², τ²). Дополнительно выполнена мета‑регрессия для оценки влияния типа алгоритма на чувствительность. Статистический анализ проведен в R (пакет metafor) с визуализацией лесных диаграмм.
Результаты: Данный систематический обзор включил 10 исследований, из которых 5 были отобраны для метаанализа. Результаты демонстрируют объединенную чувствительность 0,77 [95 % ДИ: 0,58–0,95] и специфичность 0,79 [95 % ДИ: 0,57–1,00] алгоритмов ИИ для прогнозирования рецидивов РПЖ. При анализе отдельных типов алгоритмов искусственные нейронные сети (ANN) показали объединенную чувствительность 0,87 [0,73–1,01], а метод опорных векторов (SVM) имел отрицательный коэффициент влияния на чувствительность (–0,45 [–0,69 — −0,21]). Мета‑анализ выявил высокую гетерогенность между исследованиями (I² = 98,84 % для чувствительности и I² = 99,42 % для специфичности), что требует осторожности при интерпретации результатов.
Заключение: ИИ‑модели демонстрируют потенциал для прогнозирования рецидивов РПЖ, но требуют стандартизации данных и проспективной валидации в клинической практике.
A systematic review and meta-analysis of 10 studies (2019–2024) evaluating the diagnostic accuracy of artificial intelligence (AI) algorithms for predicting pancreatic cancer (PCa) recurrence was conducted. The pooled sensitivity and specificity estimates were 0.77 [95 % CI: 0.58–0.95] and 0.79 [95 % CI: 0.57–1.00], respectively. Key limitations of the study included high heterogeneity (I² > 98 %), which could be related to the small number of included studies and insufficient standardization of the validation methods.
Background: Artificial intelligence (AI) tools provide new possibilities in predicting the course of pancreatic cancer.
Purpose: To conduct a meta-analysis of the diagnostic accuracy of AI algorithms (sensitivity and specificity) for predicting PCa recurrence and to compare the effectiveness of different types of algorithms. Methods. A systematic literature search was conducted in leading scientific databases, covering publications from 2019 to 2024. The review included studies that applied artificial intelligence tools to predict the risk of pancreatic cancer recurrence. The data search and analysis were conducted in three stages: a primary search of studies using keywords and inclusion criteria; screening of the titles and abstracts to select relevant studies; and a detailed assessment of the full texts of the selected articles.
The data synthesis included an analysis of the performance of the AI models, the types of data used (clinical, genomic, radiological, etc.), and the validation and testing strategies for the proposed algorithms.
A random-effects model was used for the sensitivity and specificity meta-analysis, with the calculation of pooled estimates, 95 % confidence intervals, and heterogeneity indices (I², τ²). A meta-regression was also performed to assess the impact of the algorithm type on sensitivity. Statistical analysis was carried out in R (metafor package) with forest plot visualization.
Results: This systematic review included 10 studies, of which 5 were selected for the meta-analysis. The results demonstrate a pooled sensitivity of 0.77 [95 % CI: 0.58–0.95] and specificity of 0.79 [95 % CI: 0.57–1.00] for AI algorithms in predicting PCa recurrence. In the analysis of individual algorithm types, artificial neural networks (ANNs) showed a pooled sensitivity of 0.87 [0.73–1.01], while support vector machines (SVMs) had a negative impact on sensitivity (coefficient –0.45 [–0.69 to –0.21]). The meta-analysis revealed high heterogeneity of the studies (I² = 98.84 % for sensitivity and I² = 99.42 % for specificity), requiring cautious interpretation of the results.
Conclusion: AI models are promising tools for predicting pancreatic cancer recurrence, but require data standardization and prospective validation in clinical practice.
The authors declare that there are no conflicts of interest present.