Скрининг рака простаты на основе простат-специфического антигена (ПСА) снижает смертность, но страдает низкой специфичностью, что приводит к гипердиагностике и необоснованным биопсиям. Специализированные биомаркеры существуют, однако их высокая стоимость и ограниченная доступность препятствуют широкому внедрению. Машинное обучение (ML) предлагает масштабируемый подход к улучшению стратификации риска с использованием рутинно собираемых клинических данных.
Ретроспективное многоцентровое исследование включило 4241 мужчину из Бразилии (709 случаев рака простаты, 3532 контроля) из общенациональной сети, охватывающей 421 клиническую площадку в 10 штатах. Участники — мужчины, направленные на обследование простаты. Контрольная группа определялась отрицательной гистопатологией или мпМРТ с PI-RADS 1–2 (когорта диагностической оценки со смешанным референсным стандартом).
Интерпретируемая ML-модель (PSA model), интегрирующая общий ПСА, соотношение свободный/общий ПСА и возраст, была оценена на тестовой выборке и, для устойчивости, методом leave-one-group-out валидации по четырем географическим группам. Также оценивалась дополнительная ценность плотности ПСА (PSAD), кинетики ПСА и показателей общего анализа крови.
PSA model значимо превзошла фиксированный порог ПСА ≥4,0 нг/мл на тестовой выборке (AUC 0,73 vs 0,63, p<0,001). В «серой зоне» ПСА (4–10 нг/мл) дискриминация улучшилась с 0,50 до 0,67. При пороге, определенном на обучающей выборке, специфичность возросла с 0,44 до 0,60 (чувствительность 0,73 vs 0,83), что соответствует снижению направлений на МРТ или биопсию на 24% ценой шести дополнительных пропущенных случаев рака ISUP ≥2 — потенциальная польза, требующая проспективного подтверждения.
Особо важно: модель показала более высокую детекцию агрессивного заболевания с AUC 0,81 для опухолей промежуточного и высокого риска (Gleason ≥7). Включение PSAD дополнительно улучшило эффективность (AUC 0,78; p=0,003), тогда как кинетика ПСА и показатели общего анализа крови не обеспечили значимого прироста. В четырех географических группах AUC варьировал от 0,70 до 0,74.
Интерпретируемая ML-модель, использующая широко доступные клинические переменные, представляет собой масштабируемый инструмент стратификации риска для мужчин, направленных на обследование простаты. Демонстрируя стабильную дискриминацию в четырех географических группах, охватывающих 10 бразильских штатов и сотни клинических центров, этот подход предлагает практичную стратегию оптимизации распределения ресурсов в реальной клинической практике.

