一个可概括的模型,用于预测瘤透的胸椎骨中的新出现或进展的压缩骨折,在一个全新人群中

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是指放射学
• 机器学习 机器学习
• 脊柱外科手术 脊柱外科手术

背景情况:

• 神经外科评估对于造成骨折风险的脊髓转移至关重要.
• 预测脊柱体骨折 (VBF) 风险对于管理决策至关重要.
• 目前的方法可能无法完全捕捉所有患者群体的骨折风险.

研究的目的:

• 开发和验证用于预测病态脊椎压缩骨折 (VCFs) 的机器学习模型.
• 评估模型在一个全新人群中表现的表现,其中有转移性瘤透的胸脊椎.
• 将模型的有效性与现有的评分系统进行比较,例如脊柱不稳定性新形成性评分 (SINS).

主要方法:

• 分析了一组多机构的瘤透脊椎患者 (T1-L5) 和至少1年的随访.
• 从脊椎体中提取了临床数据和CT放射性特征.
• 使用递归特征消除 (RFE) 来选择临床,放射性和组合模型的特征;使用AUROC,灵敏度和特异性来评估性能.

主要成果:

• 在一年内,977个脊椎中有123个脊椎发生VCF.
• 组合的临床-放射性模型,一个随机森林分类器,实现了0.86的AUROC (95% CI 0.82-0.9),超过了单独的SINS模型 (AUROC 0.75).
• 与SINS相比,组合模型显示出更高的灵敏度 (0.78) 和特异性 (0.80).

结论:

• 开发了一种临床上可通用的机器学习模型,用于预测转移性脊柱疾病中的新出现或进展的VCF.
• 这种模型是在迄今为止最大的队列上训练的,它解决了先前工作的局限性.
• 验证可以使高风险脊椎的系统识别成为可能,从而改善患者选和管理.