使用基于脊柱对齐参数的机器学习模型,预测成人脊柱形患者的近端结合性衰竭
Akihiko Hiyama1, Daisuke Sakai2, Hiroyuki Katoh2
1Department of Orthopaedic Surgery, Surgical Science, Tokai University School of Medicine, 143 Shimokasuya, Isehara, Kanagawa, 259-1193, Japan. a.hiyama@tokai.ac.jp.
Scientific reports
|November 20, 2025
概括
机器学习模型可以预测成年脊柱形 (ASD) 手术后的近端结合失败 (PJF). 随机森林模型在识别患有这种并发症风险的患者方面显示出最高的准确性.
科学领域:
- 脊柱外科手术 脊柱外科手术
- 生物机械工程 生物机械工程
- 机器学习在医学中的应用
背景情况:
- 靠近结节衰竭 (PJF) 是成年脊柱形 (ASD) 手术后的常见并发症.
- 早期识别患有PJF高风险的患者至关重要,但由于复杂的风险因素,具有挑战性.
研究的目的:
- 评估五种机器学习 (ML) 模型的预测性能,以识别PJF风险.
- 评估手术前和手术后脊柱对齐参数在PJF预测中的有用性.
主要方法:
- 追溯分析92名ASD患者,他们接受了两阶段的整形手术,并进行了侧腰间体融合 (LLIF).
- 放射性参数在术前和术后进行测量.
- 选择了六个对齐特征,并训练和测试了五个ML模型 (随机森林,物流回归,SVM,决策树,天真贝叶斯).
主要成果:
- 随机森林模型获得了最高的准确性 (78.4%) 和AUC (0.704).
- 与非PJF组相比,PJF组的预测PJF概率明显高于非PJF组 (p=0.0057).
- 交叉验证证明了模型的稳定性 (五倍:79.4%,十倍:77.3%).
结论:
- 随机森林模型显示,它是一个可靠的工具来分层PJF风险.
- 术前和术后早期的脊柱对齐参数是PJF的有价值的预测指标.
- 未来的研究应该包括骨矿物密度和并发症,以提高临床适用性.
