Kamienie pęcherza moczowego – Rokowania, prognozy i postęp choroby

Kamienie pęcherza moczowego
Rokowania, prognozy i postęp choroby

Rokowanie w kamicy pęcherza moczowego jest generalnie korzystne przy wdrożeniu adekwatnego leczenia, które obejmuje interwencje zabiegowe lub samoistne wydalenie kamieni. Kluczowym czynnikiem prognostycznym jest ryzyko nawrotów oraz powikłań po zabiegach, szczególnie u pacjentów po operacjach łagodnego przerostu prostaty (3-4,7%), z urazem rdzenia kręgowego (19-67%) oraz z cewnikiem stałym. Nieleczone kamienie mogą prowadzić do nawracających zakażeń układu moczowego i potencjalnego uszkodzenia pęcherza lub nerek. Endoskopowe usuwanie kamieni wiąże się z około 17% ryzykiem powikłań u pacjentów z uszkodzeniem rdzenia, zwłaszcza przy stosowaniu kombinacji metod fragmentacji i uszkodzeniu na poziomie szyjnym rdzenia.

Kamienie pęcherza moczowego (Bladder stones) – Rokowanie (outcome prediction)

Rokowanie w przypadku kamieni pęcherza moczowego jest zazwyczaj korzystne, gdy zostanie wdrożone odpowiednie leczenie. Większość kamieni pęcherzowych usuwana jest skutecznie przez interwencje zabiegowe lub przechodzi samoistnie. Ważnym aspektem prognostycznym jest możliwość wystąpienia nawrotów oraz powikłań związanych z zabiegami usuwania kamieni, co wymaga kompleksowego podejścia do przewidywania wyników leczenia.¹

Naturalna historia kamieni pęcherza moczowego

Kamienie pęcherza moczowego zwykle nie powodują trwałego uszkodzenia pęcherza, jeśli są odpowiednio leczone. Jednakże pozostawione bez leczenia mogą prowadzić do nawracających zakażeń układu moczowego (ZUM), które potencjalnie mogą spowodować trwałe uszkodzenie pęcherza lub nerek. Progresja choroby jest ściśle związana z czynnikiem etiologicznym, który doprowadził do powstania kamienia.¹

Częstość i czynniki ryzyka nawrotów

Nawroty kamieni pęcherzowych są istotnym problemem klinicznym, szczególnie w określonych grupach pacjentów. Według badań epidemiologicznych, skumulowana częstość występowania kamieni pęcherza po dziesięciu latach wynosi 28-36%, a po dwudziestu latach wzrasta do 41%. Ryzyko nawrotu jest największe w ciągu pierwszych dwóch lat i wynosi około 12% na pacjenta rocznie, zmniejszając się z upływem czasu.¹

Szczególnie narażeni na tworzenie kamieni pęcherza są:

Pacjenci po zabiegach z powodu łagodnego przerostu prostaty (3-4,7% mężczyzn)
Pacjenci z urazem rdzenia kręgowego (19-67% w perspektywie długoterminowej)
Pacjenci z cewnikiem na stałe (wyższe ryzyko w porównaniu do pacjentów stosujących czystą przerywaną samocewnikację)

Strategie zapobiegania nawrotom

Kluczem do zapobiegania nawrotom kamieni pęcherza moczowego jest identyfikacja i eliminacja przyczyny ich powstawania. Regularne płukanie pęcherza znacząco zmniejsza ryzyko tworzenia się kamieni u dorosłych i dzieci po augmentacji pęcherza lub z kontynentnym odprowadzeniem moczu oraz u dorosłych z urazem rdzenia kręgowego, którzy wykonują czystą przerywaną samocewnikację (CISC).¹

Powikłania związane z zabiegowym usuwaniem kamieni

Zabiegi endoskopowe usuwania kamieni pęcherza są obarczone ryzykiem powikłań, co ma wpływ na rokowanie pacjentów. Badania wykazały, że ogólny wskaźnik powikłań po endoskopowej przezcewkowej fragmentacji kamieni pęcherza u pacjentów z uszkodzeniem rdzenia kręgowego jest znaczący i wynosi około 17%.¹

Zidentyfikowano następujące czynniki zwiększające ryzyko powikłań:

Jednoczesne wykorzystanie różnych metod fragmentacji kamieni (np. puncji kamieni i litotrypsji elektrohydraulicznej)
Uszkodzenie rdzenia kręgowego na poziomie szyjnym

W analizie wieloczynnikowej tylko poziom uszkodzenia i rodzaj wykonanego zabiegu pozostały jako predyktory powikłań. Wykorzystanie kombinacji procedur do fragmentacji kamieni pęcherza zwiększa zachorowalność związaną z usuwaniem kamieni pęcherza zarówno przez większe ryzyko powikłań, jak i wydłużony czas hospitalizacji.¹

Modele predykcyjne w leczeniu kamieni układu moczowego

Modele predykcyjne dla kamieni infekcyjnych

Jednym z najnowszych osiągnięć w dziedzinie prognozowania wyników leczenia kamieni układu moczowego jest rozwój modeli predykcyjnych opartych na uczeniu maszynowym. Opracowano model predykcyjny, który może szybko identyfikować kamienie infekcyjne in vivo z dobrą skutecznością predykcyjną. Model ten może być wykorzystywany do oceny ryzyka i wsparcia decyzji klinicznych dotyczących kamieni infekcyjnych, optymalizacji zarządzania leczeniem kamicy układu moczowego i poprawy rokowania pacjentów.¹

Przedoperacyjna diagnoza kamieni infekcyjnych jest trudna, a dokładna analiza składu kamienia może być tradycyjnie wykonana tylko ex vivo. Model opracowany za pomocą uczenia maszynowego jest łatwy w użyciu zarówno dla klinicystów, jak i pacjentów, i może pozwolić lekarzom na dokładniejsze przewidywanie typów kamieni przed operacją.¹

Modele predykcyjne dla litotrypsji falą uderzeniową (SWL)

Opracowano rygorystyczne modele uczenia maszynowego, które pomagają lekarzom i decydentom w wyborze pacjentów z kamicą nerkową, którzy najprawdopodobniej będą mieli skuteczne leczenie SWL na podstawie ich danych demograficznych i charakterystyki kamieni. Modele te mogą pomóc w planowaniu leczenia SWL i pozwolić na bardziej efektywne wykorzystanie ograniczonych zasobów opieki zdrowotnej oraz poprawić rokowanie pacjentów.¹

Jednym z kluczowych aspektów modeli jest zdolność do przewidywania z dużym prawdopodobieństwem, czy pacjent odniesie niepowodzenie w leczeniu, co pozwala na rozważenie alternatywnych procedur. Modele osiągają wysoką czułość i średnią swoistość, co jest szczególnie istotne w identyfikacji pacjentów, u których SWL ma niską szansę powodzenia.¹

Kluczowe parametry predykcyjne w modelach SWL

W badaniach nad skutecznością SWL z wykorzystaniem metod uczenia maszynowego zidentyfikowano kluczowe parametry predykcyjne, które są najsilniej związane z prognozowaniem efektów leczenia:¹

MSD (Mean Stone Density) – średnia gęstość kamienia, najważniejszy parametr w przewidywaniu powodzenia zabiegu
Objętość kamienia – drugi najważniejszy czynnik
SSD (Skin-to-Stone Distance) – odległość od skóry do kamienia
Długość kamienia
Przekrój poprzeczny mięśnia biodrowo-lędźwiowego

Te parametry stanowią klinicznie użyteczne wskaźniki prognostyczne powodzenia leczenia SWL. Analiza efektów leczenia SWL przy użyciu metod uczenia maszynowego potwierdziła, że dokładność predykcji może sięgać nawet 87,9% przy wykorzystaniu różnych charakterystyk pacjentów i kamieni.¹

Znaczenie kliniczne modeli predykcyjnych

Głównym wkładem modeli predykcyjnych jest umożliwienie urologom wyboru pacjentów, którzy osiągną optymalne wyniki z określonych metod leczenia. Po analizie predykcyjnej pacjenci o wysokim ryzyku niepowodzenia usunięcia kamienia mogą wybrać inną metodę, taką jak przezskórna nefrolitotomia lub wsteczna wewnątrznerkowa chirurgia z użyciem giętkiego ureterorenoskoptu, do leczenia kamieni układu moczowego.¹

Wdrożenie modeli uczenia maszynowego do praktyki klinicznej może przynieść korzyści w postaci:

Lepszej selekcji pacjentów do odpowiednich procedur terapeutycznych
Zmniejszenia liczby niepotrzebnych zabiegów
Optymalizacji wykorzystania zasobów opieki zdrowotnej
Poprawy rokowania pacjentów poprzez bardziej spersonalizowane podejście do leczenia

¹²

Należy podkreślić, że te obiecujące wyniki wymagają dalszych dużych badań, zwalidowanych w prospektywnej grupie pacjentów z kamicą układu moczowego, aby metody uczenia maszynowego mogły być powszechnie stosowane w wyborze leczenia i przewidywaniu wyników u pacjentów z kamicą układu moczowego.¹

Kolejne rozdziały

Zapraszamy do dalszego czytania naszego leksykonu.

Wybierz kolejny rozdział z menu poniżej, aby otworzyć nową podstronę kompedium wiedzy i uzyskać szczegółowe informację o leku, substancji lub chorobie.

Materiały źródłowe

#1 Bladder stones – UF Health
https://ufhealth.org/conditions-and-treatments/bladder-stones
Most bladder stones pass on their own or can be removed. They do not cause permanent damage to the bladder. They may come back if the cause is not corrected. […] Left untreated, stones may cause repeated UTIs. This can also cause permanent damage to the bladder or kidneys.
#1 EAU Guidelines on Urolithiasis – Uroweb
https://uroweb.org/guidelines/urolithiasis/chapter/bladder-stones
Bladder stones will form in 3-4.7% of men undergoing surgery for benign prostatic obstruction (BPO) […] The incidence of bladder stone formation in spinal cord injury patients is 19-67% over time. The absolute annual risk of stone formation in spinal cord injury patients is significantly higher with an indwelling catheter compared to those voiding with CISC or spontaneously. […] The risk of bladder stone formation in spinal cord injury, bladder augmentation or continent urinary diversion patients is reduced by performing regular bladder irrigation. […] The reported cumulative incidence of bladder stone formation after ten years is 28-36% and after twenty years is 41%. […] The risk of recurrence is greatest during the first two years, at about 12% per patient per year, with the risk decreasing with time.
#1 EAU Guidelines on Urolithiasis – Uroweb
https://uroweb.org/guidelines/urolithiasis/chapter/bladder-stones
Regular bladder irrigation reduces the chances of bladder stone recurrence in adults and children with bladder augmentation or continent cutaneous urinary diversion and adults with spinal cord injury who perform CISC. […] Identification and prevention of the cause of bladder stone formation will be crucial to prevent recurrence.
#1 Morbidity associated with operative management of bladder stones in spinal cord-injured patients | Spinal Cord
https://www.nature.com/articles/sc201536
This study provides important outcome data that should guide operative procedure choice and inform patients about possible risks during consent. It sets a benchmark that other centres can evaluate their outcomes against. […] We demonstrate that the overall complication rate following endoscopic transurethral bladder stone fragmentation in SCI patients is substantial (17%; 19/112). […] We show a clear increase in the risk of complications following combined use of stone punch and EHL versus a single method. […] Patients with cervical-level injury are also at increased risk of complication, regardless of the operative method used. […] Only the level of injury and procedure performed remained as predictors of complication in a multivariate model. […] Use of a combination of procedures to fragment bladder stones therefore increases the morbidity associated with bladder stone removal through both greater risk of complication and increased length of stay.
#1
https://link.springer.com/article/10.1007/s00240-023-01457-z
Preoperative diagnosis of urinary infection stones is difficult, and accurate detection of stone composition can only be performed ex vivo. […] We developed a predictive model through machine learning that can quickly identify infection stones in vivo with good predictive performance. It can be used for risk assessment and decision support of infection stones, optimize the disease management of urinary calculi and improve the prognosis of patients. […] In conclusion, we developed a preoperative prediction model using machine learning to identify urinary infection stones in vivo. The model is easy to use for both clinicians and patients and may allow clinicians to predict stone types more precisely before surgery, to optimize the disease management of urolithiasis and improve the prognosis of patients.
#1 Interactive Journal of Medical Research – A Machine Learning Approach to Predict the Outcome of Urinary Calculi Treatment Using Shock Wave Lithotripsy: Model Development and Validation Study
https://www.i-jmr.org/2022/1/e33357
We have developed a rigorous machine learning model to assist physicians and decision-makers to choose patients with renal stones who are most likely to have successful SWL treatment based on their demographics and stone characteristics. […] The proposed machine learning model can assist physicians and decision-makers in planning for SWL treatment and allow for more effective use of limited health care resources and improve patient prognoses. […] The model had high sensitivity and medium specificity. Given that we are interested in identifying the patients for whom SWL has a low chance of success to plan for alternative procedures, the NPV of 0.839 demonstrated that the model can predict with high probability if a subject will fail the treatment. […] We built a machine learning model to assist physicians and decision-makers to choose the best treatment option for SWL candidates based on their demographics and stone characteristics, which can result in improved prognoses.
#1 Machine learning prediction of stone-free success in patients with urinary stone after treatment of shock wave lithotripsy | BMC Urology | Full Text
https://bmcurol.biomedcentral.com/articles/10.1186/s12894-020-00662-x
MSD was the most significant in feature importance, and stone volume, SSD and stone length were the next most closely associated with stone-free prediction of SWL treatment outcomes in patients with urinary stone. In addition, stone volume was the most significant in feature importance, and MSD, stone length, SSD and psoas muscle cross-sectional area were the next most closely associated with the one-session success prediction in this study. Thus, these would be clinically useful parameters in order. […] We analyzed the effect of SWL treatment by using three machine learning methods and confirmed that prediction accuracy can rise up to as much as 87.9% by using various patients and stone characteristics. We propose that the new machine learning based artificial intelligence and medical encounter are important. When further large studies, validated in a prospective group of urinary stone patients, become available, our machine learning methods might be useful for guiding SWL treatment selection and prediction of patients with urinary stone.
#1 Machine learning prediction of stone-free success in patients with urinary stone after treatment of shock wave lithotripsy | BMC Urology | Full Text
https://bmcurol.biomedcentral.com/articles/10.1186/s12894-020-00662-x
The aims of this study were to determine the predictive value of decision support analysis for the shock wave lithotripsy (SWL) success rate and to analyze the data obtained from patients who underwent SWL to assess the factors influencing the outcome by using machine learning methods. […] We applied a selected machine learning analysis to predict the result after treatment of SWL for urinary stone. About 88% accurate machine learning based predictive model was evaluated. The importance of machine learning algorithm can give matched insights to domain knowledge on effective and influential factors for SWL success outcomes. […] The major contribution of this study was to enable urologists to choose patients who would realize the most optimal results from SWL. After prediction analysis, patients who have a high risk of stone-free failure can select another method, such as percutaneous nephrolithotomy or retrograde intrarenal surgery, using flexible ureteroscopy to manage urinary stone. The first objective of this study was achieved because each outcome in the predictive analysis exceeded 85% for stone-free and 77% for one-session success, especially, LightGBM and XGBoost showed good prediction outcomes of more than 87% in stone-free prediction.
#2 Machine learning prediction of stone-free success in patients with urinary stone after treatment of shock wave lithotripsy | BMC Urology | Full Text
https://bmcurol.biomedcentral.com/articles/10.1186/s12894-020-00662-x
The aims of this study were to determine the predictive value of decision support analysis for the shock wave lithotripsy (SWL) success rate and to analyze the data obtained from patients who underwent SWL to assess the factors influencing the outcome by using machine learning methods. […] We applied a selected machine learning analysis to predict the result after treatment of SWL for urinary stone. About 88% accurate machine learning based predictive model was evaluated. The importance of machine learning algorithm can give matched insights to domain knowledge on effective and influential factors for SWL success outcomes. […] The major contribution of this study was to enable urologists to choose patients who would realize the most optimal results from SWL. After prediction analysis, patients who have a high risk of stone-free failure can select another method, such as percutaneous nephrolithotomy or retrograde intrarenal surgery, using flexible ureteroscopy to manage urinary stone. The first objective of this study was achieved because each outcome in the predictive analysis exceeded 85% for stone-free and 77% for one-session success, especially, LightGBM and XGBoost showed good prediction outcomes of more than 87% in stone-free prediction.