Отправить статью по E-mail Прогнозирование методами машинного обучения вероятности раз-вития осложнений при простатэктомии у пациентов с раком предстательной железы
- Авторы: Полиданов М.А.1,2, Барулина М.А.3,4, Марченко В.С.5, Волков К.А.5, Дягель А.П.5, Лужнов Н.А.6, Кудашкин В.Н.6, Колпакова Н.В.5
-
Учреждения:
- Университет «Реавиз»
- Медицинский университет «Реавиз»
- Пермский государственный национальный исследовательский университет
- Институт проблем точной механики и управления РАН
- Саратовский государственный медицинский университет имени В.И. Разумовского
- Самарский государственный медицинский университет
- Выпуск: Том 41, № 3 (2024)
- Страницы: 109-119
- Раздел: Методы диагностики и технологии
- Статья получена: 30.03.2024
- Статья опубликована: 19.07.2024
- URL: https://permmedjournal.ru/PMJ/article/view/629683
- DOI: https://doi.org/10.17816/pmj413109-119
- ID: 629683
Цитировать
Полный текст
Аннотация
Цель. Определение возможностей прогнозирования вероятности возникновения осложнений после перенесенного оперативного вмешательства у пациентов, поступивших с диагнозом раком предстательной железы, с помощью методов искусственного интеллекта.
Материалы и методы. В исследовании были проанализированы данные историй болезни 701 пациента, которым была выполнена простатэктомия. Проведена оценка анамнеза, данных клинико-лабораторных и инструментальных методов исследования, а также объективных данных клинических наблюдений. Средний возраст пациентов составил 64,72 г. Исходя из комплекса результатов обследования, были отобраны пациенты, соответствующие следующим критериям включения: больные раком предстательной железы без подтвержденных метастазов со стадией заболевания от T1N0M0 до Т3N0M0; отсутствие предшествующего и сопутствующего специального лечения (иммунотерапия или таргетная терапия); наличие информированного согласия на проводимое оперативное вмешательство. В качестве модели машинного обучения применялась логистическая регрессия – бинарный классификатор, использующий сигмоидную функцию активации на линейные комбинации признаков.
Результаты. Установлено, что на отобранных параметрах (объем простаты, болевой синдром, длительность заболевания) модель логистической регрессии достаточно хорошо предсказывает вероятность возникновения осложнений (TPR = 1). Общая точность модели составляет Accuracy = 0,98. При этом из матрицы согласования видно, что обученная модель «перестраховывается» и классифицирует часть случаев без осложнений неправильно – в 5,3 % (FNR = 0,053). Однако модель ни разу не ошиблась и не отнесла случаи, в которых высока вероятность возникновения осложнений, к случаям, где такая возможность маловероятна.
Выводы. Полученные результаты показывают, что на основе всего трех параметров (объем простаты, болевой синдром, длительность заболевания) можно построить достаточно хорошую предсказательную модель вероятности возникновения осложнений после простатэктомии на основе такого метода машинного обучения, как логистическая регрессия.
Полный текст
Введение
В России заболеваемость раком предстательной железы (РПЖ) в последнее десятилетие стремительно возрастает. В структуре заболеваемости злокачественными новообразованиями мужского населения РПЖ занимает 4-е место (6,9 % опухолей всех локализаций) после рака легкого, желудка и опухолей кожи [1–4]. С внедрением в практику скрининговых программ с использованием тестирования простатического специфического антигена (ПСА) значительно возросло число больных с локализованными формами РПЖ [5–7]. У 10–30 % пациентов после оперативных вмешательств развивается рецидив РПЖ, который на ранних этапах определяется ростом значений уровня ПСА [8–11]. Совершенствование техники простатэктомии происходит соответственно эволюции изучения анатомии этой области, более точного понимания особенностей расположения и строения фасциальных слоев и функционально важных анатомических структур [12; 13]. В связи с активным развитием искусственного интеллекта стало возможно создание системы помощи принятия врачебных решений по прогнозу возникновения осложнений при различных заболеваниях, в том числе при РПЖ. В настоящее время уже разрабатываются и внедряются системы поддержки принятия решений врача на основе ретроспективного анализа карт амбулаторного больного и клинической истории болезни; системы реального времени для больных в реанимации, позволяющих предупредить лечащий персонал о наступлении критических состояний; носимые системы для мониторинга и последующего ретроспективного анализа данных анамнеза.
Одним из путей улучшения результатов лечения РПЖ после простатэктомии видится возможность выявления и прогнозирования процента выживаемости пациентов после перенесенного оперативного вмешательства, а также процента возникновения осложнений на ранней стадии с помощью методов градиентного бустинга, что, несомненно, сможет значительно упростить построение и стратегию лечения.
Цель исследования – определение возможностей прогнозирования вероятности возникновения осложнений после перенесенного оперативного вмешательства у пациентов, поступивших с диагнозом РПЖ, с помощью методов искусственного интеллекта.
Материалы и методы исследования
В исследовании были проанализированы данные историй болезни 701 пациента, которым была выполнена простатэктомия. Проведена оценка анамнеза, данных клинико-лабораторных и инструментальных методов исследования, а также объективных данных клинических наблюдений. Средний возраст составил 64,72 г. Всем включенным в исследование больным было проведено комплексное обследование согласно клиническим рекомендациям по диагностике и лечению больных раком предстательной железы. Морфологическое исследование полученного материала (после проведенного оперативного лечения) проводилось по стандартной технологии. При обзорном морфологическом анализе срезы, окрашенные гематоксилином и эозином, использовали для определения гистологического типа опухоли, степени дифференцировки, выраженности вторичных изменений и распространенности опухолевого процесса по классификации ВОЗ. Исходя из комплекса результатов обследования, отобраны пациенты, соответствующие следующим критериям включения: больные РПЖ без подтвержденных метастазов со стадией заболевания от T1N0M0 до Т3N0M0; отсутствие предшествующего и сопутствующего специального лечения (иммунотерапия или таргетная терапия); наличие информированного согласия на проводимое оперативное вмешательство и участие в исследовании. Критериями же исключения явились: больные РПЖ с подтвержденными метастазами; предшествующее и сопутствующее специальное лечение; а также наличие обострений хронических заболеваний. При клиническом обследовании было установлено, что уровни ПСА колебались от 3,98 до 30,49 нг/мл; число Глиссона было от 3 до 7, размер опухоли предстательной железы – от 33,04 до 143,88 см3.
В качестве модели машинного обучения применялась логистическая регрессия – бинарный классификатор, использующий сигмоидную функцию активации на линейные комбинации признаков. Этот метод машинного обучения является наиболее простым классификатором, который при этом показывает достаточно хорошие результаты на определенных задачах. При этом он позволяет выяснить наличие линейно-зависимых параметров в наборе данных.
В качестве метрик использовались следующие:
.
Матрица согласований в виде:
где
TPR – доля пациентов, у которых было осложнение, и модель предсказала осложнение, из всех пациентов, у которых было предсказано осложнение; FPR – доля пациентов, у которых не было осложнений, но модель предсказала осложнение, из всех пациентов, у которых было предсказано осложнение; FNR – доля пациентов, у которых были осложнения, но модель не предсказала осложнение, из всех пациентов, у которых было предсказано отсутствие осложнений; TNR – доля пациентов, у которых не было осложнения, и модель предсказала отсутствие осложнения, из всех пациентов, у которых было предсказано отсутствие осложнений; TP – количество пациентов, у которых было осложнение, и модель предсказала осложнение; FP – количество пациентов, у которых не было осложнений, но модель предсказала осложнение; FN – количество пациентов, у которых были осложнения, но модель не предсказала осложнение; TN – количество пациентов, у которых не было осложнения, и модель предсказала отсутствие осложнения.
Разрешение на проведение исследования отражено локальным этическим комитетом (ЛЭК) Саратовского государственного медицинского университета им. В.И. Разумовского (протокол ЛЭК № 2 от 16.09.2023). Исследование проводили при наличии добровольных информированных согласий пациентов в соответствии с декларацией о соблюдении международных, а также российских этических принципов и норм (выписка из протокола № 19 заседания комитета по биоэтике от 26 октября 2018 г.). Исследование выполнено в соответствии с требованиями Хельсинкской декларации Всемирной медицинской ассоциации (в ред. 2013 г.).
Результаты и их обсуждение
Собранный набор данных, помимо стадированных по системе TNM диагнозов (на момент поступления в стационар и после гистологического подтверждения), содержал следующие параметры (I – интервал значений, m – среднее, s – стандартное отклонение), отраженные в табл. 1.
Таблица 1
Параметры исследуемого набора данных
Название параметра | Диапазон значений | Код |
Возраст, лет | I = [50…80] m = 64,73 s = 8,14 | ВОЗРАСТ |
Длительность заболевания, количество месяцев | I = [7…120] m = 26,87 s = 19,08 | ДЗ |
Уровень ПСА до операции, нг/мл' | I = [3,98...30,49] m = 17,21 s = 7,74 | ПСАДО |
Число Глиссона по TNM для операции | I = [3,00…7,00] m = 4,90 s = 1,42 | ГЛИССОНДО |
УЗИ простаты на момент поступления в стационар, см | I = [3,00…5,89] m = 4,28 s = 0,71 | УЗИ1 |
УЗИ простаты после оперативного вмешательства, см | I = [2,91…8,78] m = 4,23 s = 0,83 | УЗИ2 |
УЗИ простаты на момент выписки, см | I = [2,89…9,70] m = 4,25 s = 0,86 | УЗИ3 |
Окончание табл. 1
Название параметра | Диапазон значений | Код |
Объем простаты, см3 | I = [25,90…180,20] m = 87,84 s = 32,05 | ОБЪЕМПР |
Была ли остаточная моча | Да/Нет | ОСТМОЧА |
Инфицированная моча до операции (у всех пациентов значение было равно «Нет». | Да/Нет |
|
Сопутствующие заболевания | Да/Нет | СОПУТ |
Сопутствующие заболевания сердечно-сосудистой системы | Да/Нет | ССС |
Сопутствующие заболевания желудочно-кишечного тракта | Да/Нет | ЖКТ |
Сопутствующие заболевания дыхательной системы | Да/Нет | ДС |
Операция в анамнезе | Да/Нет | ОПАНАМ |
Вид операции (пациентам в зависимости от стадии опухолевого процесса выполнялись следующие виды операций: позадилонная радикальная простатэктомия; лапароскопическая позадилонная простатэктомия; радикальная простатэктомия промежностным доступом) | Позадилонная Лапароскопическая Простатэктомия промежностным доступом | ВИДОП |
Число Глиссона по TNM после операции | I = [3,00…10,00] m = 6,45 s = 2,17 | ГЛИССОНПО |
Совпадение диагноза по шкале Глиссона | Да/Нет | ГЛИССОНСОВП |
Примесь крови в моче после операции | Да/Нет | КРОВЬМОЧА |
Время нахождения в стационаре после операции, дни | I = [7,00…41,00] m = 19,69 s = 8,34 | СТАЦИОН |
Выписали с катетером | Да/Нет | КАТЕТЕТ |
Кровопотеря | Да/Нет | КРОВОП |
Потребность в переливании крови | Да/Нет | ПЕРЕЛИВ |
Интероперационные осложнения | Да/Нет | ИНТЕРОП |
Послеоперационные осложнения | Да/Нет | ПОСЛЕОП |
Осложнения, непосредственно не связанные | Да/Нет | ОСЛОЖН |
Вялая струя мочи до операции | Да/Нет | ВЯЛСТРУЯ |
Выраженный болевой синдром | Да/Нет | БОЛСИНДР |
Ноктурия | Да/Нет | НОКТ |
На рис. 1 показано процентное соотношение пациентов по видам проведенной операции, на рис. 2 – распределение пациентов по возрасту.
Рис. 1. Процентное соотношение пациентов по видам операции
Как видно из данных рис. 1, набор сведений несбалансирован по типу проведенной операции. Большинству пациентов (58,6 %) была проведена позадилонная простатэктомия. Лапароскопическая простатэктомия была проведена 26,2 % пациентам, а простатэктомия промежностным доступом – 15,1 %. При этом, как видно из данных рис. 2, количество пациентов с возникшими осложнениями и без них было примерно одинаковым.
Рис. 2. Распределение пациентов по наличию и отсутствию осложнений: 0 – осложнений не было, 1 – осложнения были
Для дальнейшего исследования были убраны параметры, значения которых были или уникальны, или одинаковы для всех пациентов. В результате остались следующие параметры: «ВОЗРАСТ» (возраст исследуемых пациентов), «ДЗ» (длительность заболевания (в месяцах)), «TNM.T» (размеры опухоли по классификации TNM), «TNM.N» (стадии с поражением лимфоузлов по классификации TNM), «ПСАДО (уровень ПСА до операции, нг/мл')», «ГЛИССОНДО» (число Глиссона по TNM для операции), «УЗИ1» (УЗИ простаты на момент поступления в стационар, см), «УЗИ2» (УЗИ простаты после оперативного вмешательства, см), «УЗИ3» (УЗИ простаты на момент выписки, см), «ОБЪЕМПР» (объем простаты, см3), «ОСТМОЧА» (была ли остаточная моча), «ССС» (сопутствующие заболевания сердечно-сосудистой системы), «ЖКТ» (сопутствующие заболевания желудочно-кишечного тракта), «ДС» (сопутствующие заболевания дыхательной системы), «ОПАНАМ» (операция в анамнезе), «ВИДОП» (вид операции; пациентам в зависимости от стадии опухолевого процесса выполнялись следующие виды операций: позадилонная радикальная простатэктомия; лапароскопическая позадилонная простатэктомия; радикальная простатэктомия промежностным доступом), «ГЛИССОНПО» (число Глиссона по TNM после операции), «гTNM.T» (гистологическая верификация опухоли по классификации TNM), «ГЛИССОНСОВП» (совпадение диагноза по шкале Глиссона), «КРОВЬМОЧА» (примесь крови в моче после операции), «КАТЕТЕТ» (выписали с катетером), «КРОВОП» (кровопотеря), «ПЕРЕЛИВ» (потребность в переливании крови), «БОЛСИНДР» (выраженный болевой синдром), «НОКТ» (ноктурия). Целевая переменная для предсказания «ПОСЛЕОП» (послеоперационные осложнения).
С помощью логистической регрессии определены параметры, которые были линейно зависимыми от остальных. Результаты расчета важности оставшихся линейно независимых параметров приведены в табл. 2.
Как видно из данных, представленных в табл. 2, наиболее важными параметрами, определяющими вероятность возникновения осложнений, являются объем простаты (ОБЪЕМПР, p = 0,0435), болевой синдром (БОЛСИНДР, p = 0,0000), длительность заболевания (ДЗ, p = 0,0241).
Таблица 2
Результаты расчета важности оставшихся независимых параметров
Model | Logit | Method | MLE | ||||||
Dependent Variable: | ПОСЛЕОП | Pseudo R-squared: | 0.853 | ||||||
Date: | 2024-03-29 20:26 | AIC: | 186.4373 | ||||||
No. Observations: | 701 | BIC: | 291.1450 | ||||||
Df Model: | 22 | Log-Likelihood: | -70.219 | ||||||
Df Residuals: | 678 | LL-Null: | -478.59 | ||||||
Converged: | 1.0000 | LLR p-value: | 1.6073e-158 | ||||||
No. Iterations: | 11.0000 | Scale: | 1.0000 | ||||||
ВОЗРАСТ | -0,0220 | 0,0270 | -0,8158 | 0,4146 | -0,0750 | 0,0309 | |||
ДЗ | -0,0204 | 0,0091 | -2,2558 | 0,0241 | -0,0382 | -0,0027 | |||
TNM.T | -0,0465 | 0,6236 | -0,0745 | 0,9406 | -1,2688 | 1,1759 | |||
TNM.N | 0,0198 | 1,9323 | 0,0102 | 0,9918 | -3,7674 | 3,8069 | |||
ПСАДО | 0,0146 | 0,0320 | 0,4565 | 0,6480 | -0,0480 | 0,0772 | |||
ГЛИССОНДО | -0,1571 | 0,1754 | -0,8955 | 0,3705 | -0,5009 | 0,1867 | |||
УЗИ1 | -0,0702 | 0,3461 | -0,2028 | 0,8393 | -0,7486 | 0,6082 | |||
УЗИ2 | -0,4671 | 0,2545 | -1,8349 | 0,0665 | -0,9659 | 0,0318 | |||
УЗИ3 | -0,0195 | 0,2300 | -0,0850 | 0,9323 | -0,4704 | 0,4313 | |||
ОБЪЕМПР | -0,0148 | 0,0073 | -2,0188 | 0,0435 | -0,0292 | -0,0004 | |||
ОСТМОЧА | 0,0001 | 0,0329 | 0,0018 | 0,9985 | 0,0645 | 0,0646 | |||
ССС | -1,0520 | 1,1430 | -0,9204 | 0,3574 | -3,2923 | 1,1883 | |||
ЖКТ | -0,6683 | 0,5550 | -1,2041 | 0,2286 | -1,7560 | 0,4195 | |||
ДС | 1,1087 | 1,5938 | 0,6956 | 0,4866 | -2,0150 | 4,2324 | |||
ОПАНАМ | 1,0268 | 0,9198 | 1,1163 | 0,2643 | -0,7760 | 2,8297 | |||
ВИДОП | 0,3699 | 0,4353 | 0,8499 | 0,3954 | -0,4832 | 1,2231 | |||
ГЛИССОНПО | -0,0891 | 0,1207 | -0,7381 | 0,4605 | -0,3256 | 0,1475 | |||
гTNM.T | 1,1078 | 0,8687 | 1,2752 | 0,2022 | -0,5948 | 2,8104 | |||
ГЛИССОНСОВП | -0,0751 | 0,5762 | -0,1303 | 0,8963 | -1,2044 | 1,0542 | |||
КРОВЬМОЧА | 0,0498 | 1,4686 | 0,0339 | 0,9730 | -2,8286 | 2,9281 | |||
КАТЕТЕТ | -0,9088 | 0,7519 | -1,2087 | 0,2268 | -2,3824 | 0,5649 | |||
КРОВОП | -0,0786 | 1,4563 | -0,0539 | 0,9570 | -2,9329 | 2,7758 | |||
БОЛСИНДР | 10,4449 | 1,5913 | 6,5636 | 0,0000 | 7,3259 | 13,5638 | |||
Далее на этих параметрах была обучена логистическая регрессия для определения вероятности возникновения осложнений.
Для обучения и вычисления метрик исходный набор данных был разделен в пропорции 70 % /30 % так, чтобы распределения целевой переменной (ПОСЛЕОП) были статистически не различимыми в тренировочной и вариационной метрике.
В результате тестирования обученной модели на валидационной выборке метрика Accuracy составила 0,98. Матрица согласований показана на рис. 3. Как видим, доля пациентов, у которых были осложнения и у которых модель предсказала осложнения, составила TPR = 1. Модель ни разу не ошиблась и не отнесла пациентов с осложнениями к пациентам без осложнений (FPR = 0). При этом модель «перестраховывалась», и для 5.3 % пациентов было предсказано возникновение осложнений, хотя у них осложнение не возникло (FNR = 0,053 и TNR = 0,95).
Рис. 3. Матрица согласований
Стоит также отметить, что на сегодняшний день также уже получено свидетельство о государственной регистрации программ для ЭВМ «Система предсказания прогнозирования осложнений при простатэктомии при раке предстательной железы» (№ 2024613673)1.
Выводы
Как видно из полученных метрик, на отобранных параметрах (объем простаты (ОБЪЕМПР), болевой синдром (БОЛСИНДР), длительность заболевания (ДЗ)) модель логистической регрессии достаточно хорошо предсказывает вероятность возникновения осложнений (TPR = 1). Общая точность модели составляет Accuracy = 0,98. Но, как видно из матрицы согласования, модель «перестраховывается», и классифицирует часть случаев без осложнений неправильно. Так, 5,3 % (FNR = 0,053) были неправильно классифицированы как случаи, где высока вероятность возникновения осложнений. При этом модель ни разу не ошиблась и не отнесла случаи, в которых высока вероятность возникновения осложнений, к случаям, где такая возможность маловероятна.
Таким образом, полученные результаты показывают, что на основе всего трех параметров (объем простаты (ОБЪЕМПР), болевой синдром (БОЛСИНДР), длительность заболевания (ДЗ)) можно построить достаточно хорошую предсказательную модель вероятности возникновения осложнений после простатэктомии на основе такого метода машинного обучения, как логистическая регрессия. При необходимости повысить метрики модели можно увеличить выборку пациентов и обучить модель на более сложных методах машинного обучения и искусственного интеллекта.
1 Свидетельство о регистрации программы для ЭВМ № 2024613673 / 04.03.2024. Заявка от 18.02.2024. Барулина М.А., Марченко В.С., Полиданов М.А., Волков К.А., Понукалин А.Н., Дурнов Д.А., Лужнов Н.А. Система предсказания прогнозирования осложнений при простатэктомии при раке предстательной железы. Ссылка активна на 29.03.2024: https://fips.ru/EGD/a125bea5-0e3f-4e72-9fd7-331b654580f3 [Certificate of registration of computer program № 2024613673 / 04.03.2024. Application from 18.02.2024. Barulina M.A., Marchenko V.S., Polidanov M.A., Volkov K.A., Ponukalin A.N., Durnov D.A., Luzhnov N.A. System of prediction of complications prediction at prostatectomy for prostate cancer. The link is active as of 29.03.2024: https://fips.ru/EGD/a125bea5-0e3f-4e72-9fd7-331b654580f3].
Об авторах
М. А. Полиданов
Университет «Реавиз»; Медицинский университет «Реавиз»
Автор, ответственный за переписку.
Email: maksim.polidanoff@yandex.ru
ORCID iD: 0000-0001-7538-7412
специалист научно-исследовательского отдела, ассистент кафедры медико-биологических дисциплин, аспирант кафедры хирургических болезней
Россия, Санкт-Петербург; СаратовМ. А. Барулина
Пермский государственный национальный исследовательский университет; Институт проблем точной механики и управления РАН
Email: maksim.polidanoff@yandex.ru
ORCID iD: 0000-0003-3867-648X
доктор физико-математических наук, директор Физико-математического института, заведующий лабораторией «Анализ и синтез динамических систем в прецизионной механике», главный научный сотрудник
Россия, Пермь; СаратовВ. С. Марченко
Саратовский государственный медицинский университет имени В.И. Разумовского
Email: maksim.polidanoff@yandex.ru
ORCID iD: 0009-0006-8652-5298
ординатор кафедры урологии
Россия, СаратовК. А. Волков
Саратовский государственный медицинский университет имени В.И. Разумовского
Email: maksim.polidanoff@yandex.ru
ORCID iD: 0000-0002-3803-2644
студент II курса лечебного факультета
Россия, СаратовА. П. Дягель
Саратовский государственный медицинский университет имени В.И. Разумовского
Email: maksim.polidanoff@yandex.ru
ORCID iD: 0009-0004-5983-2116
студент II курса лечебного факультета
Россия, СаратовН. А. Лужнов
Самарский государственный медицинский университет
Email: maksim.polidanoff@yandex.ru
ORCID iD: 0009-0008-0628-4389
студент V курса Института педиатрии
Россия, СамараВ. Н. Кудашкин
Самарский государственный медицинский университет
Email: maksim.polidanoff@yandex.ru
ORCID iD: 0000-0001-9099-3517
студент VI курса Института педиатрии
Россия, СамараН. В. Колпакова
Саратовский государственный медицинский университет имени В.И. Разумовского
Email: maksim.polidanoff@yandex.ru
ORCID iD: 0009-0006-4837-584X
студентка VI курса лечебного факультета
Россия, СаратовСписок литературы
- Sekhoacha M., Riet K., Motloung P., Gumenku L., Adegoke A., Mashele S. Prostate Cancer Review: Genetics, Diagnosis, Treatment Options, and Alter-native Approaches. Molecules. 2022; 27 (17): 5730.
- Алипов В.В., Тахмезов А.Э., Полида-нов М.А., Мусаелян А.Г., Кондрашкин И.Е., Волков К.А., Алипов А.И. Улучшение результатов лечения и диагностики послеоперационных осложнений в абдоминальной хирургии с применением многофункционально-го устройства. Медицинская наука и образование Урала. 2023; 24 (1–113): 67–71 / Alipov V.V., Takhmezov A.E., Polidanov M.A., Musaelyan A.G., Kondrashkin I.E., Volkov K.A., Alipov A.I. Improvement of the results of treatment and diagnosis of postoperative complications in abdominal surgery with the use of multifunctional device. Medi-cal Science and Education of the Urals 2023; 24 (1–113): 67–71 (in Russian).
- Wasim S., Lee S.Y., Kim J. Complexities of Prostate Cancer. Int J Mol Sci. 2022; 23 (22): 142–157.
- Desai K., McManus J.M., Sharifi N. Hormonal Therapy for Prostate Cancer. Endocr Rev. 2021; 42 (3): 354–373.
- Achard V., Putora P.M., Omlin A., Zilli T., Fischer S. Metastatic Prostate Cancer: Treatment Options. Oncology. 2022; 100 (1): 48–59.
- Williams I.S., McVey A., Perera S., O'Bri-en J.S., Kostos L., Chen K., Siva S., Azad A.A., Murphy D.G., Kasivisvanathan V., Lawrentschuk N., Frydenberg M. Mod-ern paradigms for prostate cancer detection and management. Med J Aust. 2022; 217 (8): 424–433.
- Rizzo A., Santoni M., Mollica V., Fiorentino M., Brandi G., Massari F. Microbiota and prostate cancer. Semin Cancer Biol. 2022; 86: 1058–1065.
- Eifler J.B., Feng Z., Lin B.M., Partin M.T., Humphreys E.B., Han M., Epstein J.I., Walsh P.C., Trock B.J., Partin A.W. An updated prostate cancer staging nomogram (Partin tables) based on cases from 2006 to 2011. BJU Int. 2023; 111 (1): 22–29.
- Пушкарь Д.Ю., Раснер П.И. Диагностика и лечение локализованного рака предстательной железы. М.: МЕД-прессинформ 2008: 320 / Pushkar D.Y., Rasner P.I. Diagnostics and treatment of localized prostate cancer. Moscow: MEDpress-Inform 2008: 320 (in Russian).
- Велиев Е.И., Голубцова Е.Н., Томилов А.А. Клинический случай: хирургическое лечение прогрессирующего рака предстательной железы. Онкоурология. 2014; 3: 95–100 / Veliev E.I., Golubtsova E.N., Tomilov A.A. Surgical treatment for progressive prostate cancer: A clinical case. Onkourologiya 2014; 3: 95–100 (in Russian).
- Велиев Е.И., Томилов А.А., Богда-нов А.Б. Спасительная лимфаденэктомия у пациентов с подтвержденным ПЭТ/КТ олигометастатическим рецидивом рака предстательной железы. Онкоурология. 2018; 4: 79–86 / Veliev E.I., Tomilov A.A., Bogdanov A.B. Salvage lymphadenectomy in patients with PET/CT-confirmed oligometastatic recurrence of prostate cancer. Oncourology 2018; 4: 79–86 (in Russian).
- Евсюкова О.И., Черняев В.А., Халмурзаев О.А., Хафизов К.А., Хачатурян А.В., Тхакохов М.М., Матвеев В.Б. Оценка безопасности и целесобразности сальважной лимфаденэктомии у пациентов с лимфогенными метастазами рака предстательной железы после радикального лечения. Онкоурология. 2017; 4: 64–69 / Evsyukova O.I., Chernyaev V.A., Khalmurzaev O.A., Khafizov K.A., Khachaturyan A.V., Tkhakokhov M.M., Matveev V.B. Evaluation of safety and feasibility of salvage lymphadenectomy in patients with lymphogenic metastases of prostate cancer after radical treatment. Oncourology 2017; 4: 64–69 (in Russian).
- Перепечай В.А., Васильев О.Н. Лапароскопическая радикальная простатэктомия. Вестник урологии. 2018; 3: 57–72 / Perepechai V.A., Vasiliev O.N. Laparoscopic radical prostatectomy. Bulletin of Urology 2018; 3: 57–72 (in Russian).
Дополнительные файлы
