基于脊柱矢状位参数的机器学习模型预测成人脊柱畸形术后近端交界性失败的临床研究

《Scientific Reports》：Predicting proximal junctional failure in adult spinal deformity patients using machine learning models based on spinal alignment parameters

本研究针对成人脊柱畸形(ASD)术后近端交界性失败(PJF)这一严重机械并发症，利用术前及术后脊柱矢状位参数，系统评估了随机森林等五种机器学习模型的预测性能。结果显示随机森林模型预测性能最佳(平均准确率78.4%，AUC=0.704)，可有效识别PJF高风险患者，为临床个体化风险分层提供了新方法。

　　

在脊柱外科领域，成人脊柱畸形(ASD)的矫正手术如同一场精密的平衡艺术。外科医生们努力重建脊柱的正常曲度，却常常面临一个棘手的挑战：近端交界性失败(PJF)。这种发生在内固定物最上端的并发症，可能导致椎体骨折、内固定失败，甚至需要再次手术，严重影响着手术的长期效果。

传统预测方法多基于线性模型，但PJF的发生涉及多种因素间复杂的非线性关系，使得早期准确识别高风险患者变得异常困难。这就好比试图用简单的数学公式预测天气变化——虽然有一定指导意义，却难以捕捉所有关键变量间的动态相互作用。面对这一挑战，日本东海大学医学院的研究团队将目光投向了能够处理复杂关系的机器学习技术。

研究人员开展了一项回顾性研究，纳入了92例接受两阶段矫形手术的ASD患者。这些患者均进行了侧方腰椎椎间融合术(LLIF)联合后路矫形固定，并完成了至少1年的随访。通过测量术前和术后约6周的脊柱矢状位参数，研究团队构建了一个包含多维度特征的数据集。

特征选择是模型构建的关键步骤。研究结合单变量统计分析和随机森林特征重要性排序，最终确定了六个核心预测特征：术后PI-LL(骨盆入射角与腰椎前凸角差值)、术后TK(胸椎后凸角)、术前TK、△LL(腰椎前凸角变化量)、术前PI-LL和术前PT(骨盆倾斜角)。这些参数共同捕捉了术前脊柱失衡状态和手术矫正效果，反映了PJF发生的生物力学机制。

研究团队系统比较了五种机器学习算法的预测性能：随机森林(Random Forest)、逻辑回归(Logistic Regression)、支持向量机(SVM)、决策树(Decision Tree)和朴素贝叶斯(Naive Bayes)。每种算法都经过精心调参，并通过五次独立的80:20分层训练-测试分割来评估其稳定性。

主要技术方法包括：回顾性收集92例ASD患者术前术后脊柱矢状位参数；结合单变量统计和随机森林特征重要性筛选出6个关键预测特征；系统比较五种机器学习模型的预测性能，采用五次独立分层训练-测试分割评估模型稳定性；使用五折和十折交叉验证检验随机森林模型的鲁棒性；通过决策曲线分析评估模型的临床实用性。

模型性能比较结果显示随机森林表现最优

在五次独立试验中，随机森林模型 consistently表现出最优异的预测性能，平均准确率达到78.4%，显著高于其他模型。支持向量机以73.4%的准确率位居第二，而逻辑回归、决策树和朴素贝叶斯模型的平均准确率分别为70.0%、67.2%和64.0%。这一结果突显了集成学习方法在捕捉复杂非线性关系方面的优势。

混淆矩阵分析揭示了各模型的预测特点

通过对五次试验的平均混淆矩阵分析发现，随机森林在真阳性和假阳性之间取得了最佳平衡，平均真阳性为1.2，假阳性为1.8，表明其能够稳健而保守地识别PJF病例。朴素贝叶斯虽然灵敏度最高(真阳性1.6)，但假阳性也略高(1.4)。决策树模型表现出过度预测PJF的倾向，假阳性高达2.6。

F1分数评估显示随机森林综合性能最佳

随机森林的中位F1分数为33.3%，体现了其在精确度和召回率之间的良好平衡。朴素贝叶斯和决策树的中位F1分数分别为25.0%和22.2%，而支持向量机和逻辑回归的表现相对较差。这一结果反映了数据集类别不平衡的挑战——92例患者中仅21例(22.8%)发生PJF，使得模型同时实现高精确度和高召回率变得困难。

ROC曲线分析证实模型具有中等判别能力

受试者工作特征曲线分析显示，朴素贝叶斯曲线下面积(AUC)最高(0.761)，支持向量机和随机森林分别为0.732和0.704，均表现出中等至良好的判别能力。而逻辑回归(AUC=0.575)和决策树(AUC=0.557)的判别能力有限，这可能与类别不平衡和特征间的复杂非线性关系有关。

交叉验证验证随机森林模型稳健性

通过五折和十折分层交叉验证评估随机森林模型的稳健性，结果显示五折交叉验证平均准确率为79.4%，十折为77.3%。各折间准确率的微小变异表明模型在不同数据子集上均能保持稳定的预测性能，证明了模型的鲁棒性。

预测概率分析显示模型具有显著区分能力

对随机森林模型预测概率的深入分析发现，PJF组的预测概率显著高于非PJF组(30.6±18.1% vs. 18.6±16.4%，p=0.0057)。在五次独立试验中，PJF组的预测概率 consistently较高，证明了模型区分PJF和非PJF病例的能力具有统计学显著性。

决策曲线分析证实模型具有临床实用价值

决策曲线分析显示，在0.10至0.40的阈值概率范围内，随机森林模型的净收益均高于"全部治疗"和"全不治疗"策略。这表明基于模型的临床决策能在识别高风险患者的同时，避免对低风险患者的不必要干预，具有明确的临床实用价值。

典型病例分析展示模型预测与实际结果一致性

(A)

NoAgeSexPJFPrePrePrePrePrePrePre

SVAPIPTSSLLPI-LLTK

361FYes211.143.330.512.8-23.767.0-15.3

572FYes389.757.440.317.1-32.489.821.5

表2展示了代表性测试数据，其中PJF组的预测概率明显较高(如病例3为0.54，病例5为0.61)，而非PJF组的预测概率普遍较低(多数低于0.10)。这种显著差异进一步验证了模型的有效性。

图8通过典型病例的术前术后影像对比，直观展示了PJF患者与非PJF患者在脊柱矢状位参数上的差异，为理解模型预测提供了临床背景。

研究结论与讨论部分强调了本研究的创新性和局限性。该研究首次系统比较了多种机器学习算法在预测ASD术后PJF中的应用，证明随机森林模型能有效整合术前术后脊柱矢状位参数，实现个体化风险分层。模型基于术后6周左右的影像学参数即可预测整个随访期间(≥1年)的PJF发生风险，具有早期预警价值。

然而，研究也存在若干局限性。样本量相对有限(92例)，且来自单一机构的东亚人群，可能影响模型的普适性。尽管通过交叉验证降低了过拟合风险，但外部验证仍是必要的。此外，模型未包含骨密度、合并症、手术技术细节等重要变量，这些因素可能影响PJF的发生风险。

未来研究方向应包括整合更多临床变量(如骨密度、合并症指数)、扩大样本量和人群多样性、纳入手术技术参数，以及开展多中心前瞻性验证。通过不断完善，这种数据驱动的预测工具有望协助外科医生优化术前规划、制定个体化手术策略和实施针对性术后监测，最终降低PJF发生率。

本研究证实了机器学习模型，特别是随机森林算法，在预测ASD术后PJF风险方面的可行性和有效性。通过利用术前术后脊柱矢状位参数，随机森林模型能够识别高风险患者，为临床决策提供数据支持。随着更多临床变量的整合和外部验证的完成，这类预测模型有望成为脊柱外科医生优化治疗策略、改善患者预后的有力工具。研究成果发表于《Scientific Reports》期刊，为脊柱外科精准医疗的发展提供了新的思路和方法。