근치적 전립선 절제술을 위한 수술 전 위험 계층화는 중요하지만, 광범위한 수술 후 결과를 예측하는 것은 여전히 큰 과제로 남아 있습니다. 머신러닝(ML)은 가능성을 보여주지만, “블랙박스” 모델은 임상적 해석 및 적용을 제한합니다. 본 연구는 ML을 사용하여 수술 후 매개변수를 예측하고 설명 가능한 AI(XAI)를 활용하여 주요 임상 동인을 식별하는 것을 목표로 했습니다. 326명의 환자(로봇 보조 [RARP] 224명, 개복 [ORP] 102명)를 대상으로 한 회고적 연구에서, 입원 기간 및 병리적 ISUP 등급을 포함한 12가지 결과에 대한 예측 모델을 개발했습니다. 4가지 ML 알고리즘(Random Forest, Gradient Boosting, SVM, Neural Network)을 중첩 5-겹 교차 검증을 통해 평가했습니다. 최적의 성능을 보이는 모델에 맞춤형 순열 기반 Shapley 샘플링 프레임워크인 SHAP (SHapley Additive exPlanations)을 적용하여 수술 전 특징의 예측 중요도를 정량화했습니다. ML 모델은 사전 정의된 결과의 일부에 대해 기본 휴리스틱보다 뛰어난 성능을 보였으며, 수술 후 헤모글로빈(R2 최대 0.57)과 동결 절편 실시 결정(AUC 최대 0.89)에서 가장 강력한 성능을 나타냈습니다. 수술 후 회복의 이질적인 특성과 일치하게, 모든 결과가 동일하게 예측 가능한 것은 아니었습니다. SHAP 분석 결과 명확한 이분법이 드러났습니다. 카테터 거치 시간 및 입원 기간과 같은 절차적 매개변수는 거의 전적으로 수술 방식(RARP vs. ORP)에 의해 예측되었습니다. 반면, ISUP 등급과 같은 병리적 결과는 주로 수술 전 종양 특성에 의해 좌우되었습니다. 수술 전 헤모글로빈은 이 데이터셋 내에서 수술 후 빈혈의 강력한 예측 인자로 확인되었으며, 연령과 같은 수정 불가능한 요인보다 높은 순위를 차지했습니다. 설명 가능한 AI는 수술 성공에 영향을 미치는 요인들의 복잡한 상호작용을 해체하여 가설 생성 및 임상 경로 최적화를 위한 데이터 기반 근거를 제공할 수 있습니다. 외부 검증이 없는 단일 센터 개념 증명 연구로서, 임상 적용을 고려하기 전에 독립적인 다기관 코호트에서 전향적 확인이 필요합니다.