相关实验视频
Updated: Jan 7, 2026
06:11
Anterior Cervical Discectomy and Fusion in the Ovine Model
Published on: October 5, 2009
13.2K
开发和验证可解释的机器学习模型,用于预测前椎切除和融合后的早期融合
Hong Wang1, Shuang Liang, Kangkang Huang
1Department of Orthopedics, West China Hospital of Sichuan University, Chengdu, 610041, Sichuan Province, China.
Spine
|December 12, 2025
概括
机器学习模型可以预测前椎切除术和融合手术后的早期融合. 影响融合的关键因素包括运动范围,葡萄糖和骨密度,有助于个性化患者护理.
科学领域:
- 脊柱手术的结果 脊柱手术的结果
- 机器学习在医学中的应用
- 核聚变的放射性评估评估.
背景情况:
- 前椎间盘切除和融合 (ACDF) 是常见的,早期融合 (EF) 对于成功至关重要.
- 由于患者的变化,预测ACDF后的EF具有挑战性.
- 目前EF的预测方法有限.
研究的目的:
- 开发和验证一个机器学习 (ML) 模型来预测ACDF后的EF.
- 确定影响EF的关键因素.
- 提高ACDF患者的临床决策能力.
主要方法:
- 从840名ACDF患者 (2013-2020年) 的1039个手术段进行了回顾性分析.
- 使用了九个ML算法,随着随机梯度提升 (SGB) 显示出最高的预测能力 (AUC 0.884训练,0.830测试).
- 应用了SHapley添加式解释 (SHAP) 来识别影响因素.
主要成果:
- SGB模型显示了EF的强有力的预测性能.
- 关键预测因素包括手术前的FSU ROM, ΔFSU高度, FPG,Ca,LDL-C,手术类型,年龄和大腿骨 BMD.
- 高FSU ROM,FPG,LDL-C和年龄等因素降低了EF的可能性;最佳的ΔFSU高度,Ca和BMD增加了它.
结论:
- 基于ML的方法,特别是SGB,显示出预测EF后ACDF的前景.
- 鉴定的因素为个性化外科手术管理提供了洞察力.
- 为临床实施,建议进行进一步的多中心验证.
