基于放射学和患者报告的结果,使用机器学习预测脊髓刺激的反应
Eung-Joo Lee1, Meghan L Edgerton2, Barbara Buccilli3
1Department of Electrical and Computer Engineering, University of Arizona College of Engineering, Tucson, Arizona, USA.
Neurosurgery
|August 29, 2025
概括
整合放射学和临床数据的机器学习模型准确预测脊髓刺激 (SCS) 的结果. 这种方法改善了患者对SCS的选择,提高了治疗效率并降低了医疗费用.
科学领域:
- 治疗疼痛的方法
- 医学成像
- 人工智能
背景情况:
- 慢性疼痛影响了大量患者,导致医疗费用高昂.
- 脊髓刺激 (SCS) 是FDA批准的慢性疼痛治疗方法,
- 高SCS失败率需要改进患者选择标准.
研究的目的:
- 开发机器学习 (ML) 模型来预测患者对SCS的反应.
- 整合脊柱成像放射学和临床数据以提高预测准确度.
- 确定最有可能从SCS中受益的患者,优化结果并降低成本.
主要方法:
- 使用美国最大的SCS数据库开发ML模型.
- 脊柱成像放射学与患者临床数据的整合.
- 对SCS反应的预测模型的验证.
主要成果:
- 集成的ML模型实现了90. 00%的准确性和91. 40%的AUC预测"50%响应者"状态.
- 对于"70%响应者"目标,该模型显示准确率为90. 00%和AUC为86. 11%.
- 与临床变量相结合的放射性特征显著提高了预测能力.
结论:
- 结合放射学和临床数据的ML模型对于预测SCS结果非常有价值.
- 系统的特征选择提高了模型的可解释性和稳定性.
- 综合多种数据来源对于改善SCS患者的选择和治疗效果至关重要.


