关于“改进方法学途径及长期评估在软骨终板相关腰椎间盘突出症预后中的应用”的来信回复

《Spine》：Response to Letter to the Editor Regarding “Refining Methodological Approaches and Long-Term Assessment in Cartilaginous Endplate-Related Lumbar Disc Herniation Outcomes”

这三个AI模型在预测术后JOABPEQ和VAS评分改善方面表现可靠，其中TabNet表现最优，AUC达0.79-0.80

　　

摘要 通俗语言总结

---

研究设计

对前瞻性收集的数据进行回顾性分析。

研究目的

评估三种人工智能（AI）模型在预测日本骨科协会背痛评估问卷（JOABPEQ）中临床重要差异（CIDs）方面的能力。

背景数据概述

准确预测术后功能恢复情况对于手术计划至关重要，但目前尚未建立基于患者报告结果的预测工具。

研究方法

我们回顾性分析了来自三个脊柱中心的1,149名患者的数据。评估指标包括JOABPEQ的五个领域得分和三个视觉模拟量表（VAS）得分。我们使用了三种AI模型：TabNet（深度神经网络，DNN）和弹性网络惩罚逻辑回归（ENLR），并在两个中心的981名患者上进行了分层五折交叉验证。外部验证在第三个中心的168名患者上进行。输入特征包括年龄、性别、术前JOABPEQ评分、领域得分和VAS得分。模型性能通过接收者操作特征曲线下面积（AUC）和准确率进行评估。

研究结果

在外部验证中，TabNet在JOABPEQ各领域的平均AUC为0.79，准确率为0.74；DNN的AUC为0.77，准确率为0.73；ENLR的AUC为0.78，准确率为0.74。对于VAS评分，TabNet的平均AUC为0.80，准确率为0.74；DNN的AUC为0.77，准确率为0.72；ENLR的AUC为0.78，准确率为0.72。

结论

所有三种AI模型均能可靠地预测术后恢复情况。这类基于AI的预测模型可有助于提升腰椎手术中的临床决策和患者咨询。

通俗语言总结本研究评估了三种AI模型（TabNet、深度神经网络（DNN）和弹性网络惩罚逻辑回归（ENLR）在预测腰椎手术患者术后恢复情况方面的能力。利用1,149名患者的数据，这些模型在981名患者上进行了训练和验证，并在168名患者上进行了外部验证。模型根据日本骨科协会背痛评估问卷（JOABPEQ）和视觉模拟量表（VAS）得分来预测结果。其中，TabNet的表现最佳，JOABPEQ的AUC为0.79，VAS评分的AUC为0.80。这些AI模型通过准确预测功能恢复情况，有助于改进手术计划和患者咨询。

本文由机器生成，可能存在不准确之处。常见问题解答