确定退行性脊椎病术后机械并发症的危险因素:基于肌肉骨指标的机器学习方法

科学领域:

• 脊柱外科手术 脊柱外科手术
• 整形外科 整形外科 整形外科
• 医学机器学习 医学机器学习

背景情况:

• 退行性脊柱病的正手术存在机械并发症 (MC) 的风险.
• 确定MC的预测因素对于改善外科手术结果至关重要.
• 机器学习 (ML) 为复杂的医疗数据提供了先进的分析能力.

研究的目的:

• 为了确定退行性脊柱病的纠正手术后机械并发症 (MC) 的风险因素.
• 开发和评估用于预测MC的机器学习 (ML) 算法.
• 为在退行性脊椎病的手术决策提供见解.

主要方法:

• 总共分析了213名因退行性脊椎病而接受正手术的患者.
• 数据包括人口统计学,并发症,放射性参数,脊椎肌肉 (PSM) 脂肪透率 (FI%) 和脊椎骨质量 (VBQ) 评分.
• 机器学习模型 (高斯的天真贝叶斯,随机森林,物流回归) 被开发和验证.

主要成果:

• 机械并发症 (MC) 发生在47.4%的患者中,包括近端结点形/失效 (PJK/PJF) 和杆/螺丝断裂.
• 随机森林 (RF) 和高斯天真湾 (GNB) 模型表现出强大的预测性能 (AUC 0.77,PRC 0.63).
• 通过SHAP分析确定的关键风险因素包括更高的PSM脂肪透率,升高的VBQ得分,更高的手术前T1-骨盆角 (T1PA) 和手术后的主病分布不良.

结论:

• 机器学习模型,特别是RF和GNB,可以有效地预测退行性脊柱病手术中的机械并发症.
• 较高的副脊髓肌肉脂肪透,脊椎骨质的提高,T1-骨盆角的增加和主病的不良分布是显著的危险因素.
• 这些发现为优化手术策略和患者选择提供了宝贵的见解.