脊柱骨盆参数自动测量软件的验证研究：Brainlab Elements在脊柱畸形评估中的准确性、可靠性及效率分析

《Spine Deformity》：Automated measurement of spinopelvic alignment parameters using a spine planning software: a validation study

本研究针对脊柱骨盆参数手动测量耗时且存在观察者间差异的问题，验证了Brainlab Elements脊柱规划软件自动测量的准确性。研究发现，该软件对成功测量的参数具有极高可靠性（ICC=1）和显著的时间效率（62秒 vs 227秒），但存在约76%病例至少一个参数（尤其是SVA和冠状面参数）无法自动测量的局限性，为脊柱畸形数字化评估提供了重要参考依据。

　　

在脊柱外科领域，精准评估脊柱骨盆对齐状态如同航海需要精确的罗盘指引一般至关重要。特别是对于成人脊柱畸形（ASD）患者而言，脊柱骨盆参数的准确测量不仅关系到手术方案的制定，更直接影响着患者的疼痛缓解程度、功能恢复水平和生活质量。传统的手动测量方法虽然广泛应用于临床，但存在明显的局限性：测量过程耗时较长，且不同观察者之间的测量结果往往存在差异，这种观察者间变异可能影响治疗决策的一致性和精准度。

随着数字医疗技术的快速发展，各种计算机辅助测量软件应运而生，承诺提供更高效、更一致的测量结果。然而，这些软件在临床实践中的推广应用却面临挑战。许多软件需要用户手动识别多个解剖标志物，操作流程复杂，反而增加了使用负担。正是在这样的背景下，Brainlab Elements脊柱规划软件引起了研究人员的关注。这款软件能够自动识别椎体并标记解剖标志，大大简化了操作流程，但其在真实临床环境中的准确性和可靠性尚需系统验证。

为了填补这一知识空白，来自德国柏林夏里特医学院神经外科的Ahmad Almahozi等研究人员开展了一项严谨的验证研究。他们招募了21名退行性脊柱疾病患者，既包括未经手术的初治病例，也包含已植入内固定的复杂情况，更好地模拟了真实的临床场景。所有患者均接受了EOS成像系统获取的低剂量、全身体重站立位双平面立体放射影像，确保了图像质量的标准化。

研究人员设计了一套科学的测量方案：八名不同经验水平的观察者（包括两名资深脊柱外科医生、三名高级神经外科住院医师和三名初级住院医师）使用传统的图片存档与通信系统（PACS）工具进行手动测量，每名观察者在间隔一周的时间内对同一患者进行两次测量，以评估测量结果的稳定性。同时，另外四名观察者使用Brainlab Elements软件进行自动测量。通过比较两种方法的测量结果，研究人员能够全面评估软件的性能特征。

研究团队重点关注了几项关键的脊柱骨盆参数：骨盆倾斜（PT）、骨盆入射角（PI）、骶骨倾斜角（SS）、腰椎前凸（LL）、矢状垂直轴（SVA）、冠状面平衡（CB）、主胸弯（MTC）、近端胸弯（PTC）和腰椎弯（LC）。这些参数共同构成了评估脊柱平衡状态的核心指标体系。

在技术方法上，本研究主要采用了EOS成像系统获取全脊柱站立位影像，通过Brainlab Elements软件实现椎体自动识别和参数计算，采用组内相关系数（ICC）和Bland-Altman分析评估测量一致性和可靠性，并应用重复测量方差分析比较测量时间差异。

准确性分析结果

研究发现，Brainlab软件在测量成功率方面存在明显差异。令人关注的是，76.2%的病例（16名患者）中至少有一个参数无法被软件自动测量。具体而言，SVA在23.8%的患者中测量失败，冠状面参数的问题更为突出：CB（38.1%）、PTC（52.4%）、MTC（23.8%）和LC（9.5%）均存在不同程度的测量失败。更严重的是，软件在两例病例中错误地将冠状面图像识别为矢状面图像，导致参数计算完全错误。

总体来看，在预期的189次测量中，有39次（20.6%）无法通过软件完成，成功率为79.4%。无论是内固定脊柱还是非内固定脊柱，都出现了测量失败的情况，表明这一问题具有普遍性。

在成功测量的参数中，软件与手动测量之间的差异程度不一。SVA（平均绝对差3.9±3.9 mm）、LL（6.3°±3.8°）和CB（6.1±4.9 mm）显示出最大的差异。排除这些参数后，其他参数的差异均在3°以内，表明在可成功测量的情况下，软件具有可接受的准确性。

Bland-Altman分析进一步揭示了两种方法的一致性特征。LC（平均差1.61，一致性界限-0.40至3.41）、PI（平均差1.95，一致性界限0.16至3.73）和MTC（平均差2.15，一致性界限-1.06至5.17）表现出最高的一致性，偏差小且一致性界限窄。相比之下，SVA、CB和LL的一致性较低，偏差较大且一致性界限宽。

可靠性分析结果

在可靠性方面，研究结果呈现出鲜明对比。手动测量的ICC值介于0.44至0.99之间，表明可靠性从一般到优秀不等。经验丰富的观察者（观察者1-2）表现出更高的可靠性（平均组内ICC：0.96；平均组间ICC：0.90），而经验较少的观察者可靠性相对较低（平均组内ICC：0.92；平均组间ICC：0.77）。特别值得注意的是，冠状面参数（CB、PTC、MTC）的可靠性普遍低于矢状面参数，这与先前研究报道一致，反映了在冠状面图像上手动测量胸弯存在较大难度和变异性。

与此形成鲜明对比的是，自动测量在所有参数、所有观察者和所有测量轮次中均产生完全一致的值，ICC值为1，表明具有完美的组内和组间可靠性及重复性。这种一致性不受观察者经验水平的影响，凸显了自动化测量在减少人为变异方面的巨大优势。

测量时间分析结果

在效率方面，Brainlab软件表现突出。第一轮测量中，软件完成全部脊柱骨盆参数测量的平均时间仅为62±27秒，而手动测量则需要227±72秒，减少了约3.6倍（t(20)=-9.952，p<0.001）。第二轮测量中，自动方法（58±21秒）仍然显著快于手动方法（221±65秒；t(20)=-10.010，p<0.001）。

重复测量方差分析显示，测量时间存在方法的主要效应（F(1,20)=105.74，p<0.001），自动测量显著快于手动测量。同时存在轮次的主要效应（F(1,20)=25.97，p=0.0001），反映第二轮测量时间更短，以及方法×轮次的交互作用（F(1,20)=6.28，p=0.0209），表明第二轮中手动与自动测量的差异（144.5秒）略小于第一轮（163.9秒）。

研究结论与意义

本研究对Brainlab Elements脊柱规划软件进行了全面验证，得出了具有重要临床意义的结论。该软件在成功测量的参数方面表现出极高的可靠性和显著的时间效率，测量速度比传统手动方法快3.6倍，且不受观察者经验水平影响，保证了结果的一致性。这些优势使得该软件在提高脊柱外科工作流程效率方面具有明显价值，特别是对于需要频繁进行脊柱骨盆参数评估的临床环境。

然而，软件在参数检测方面存在明显局限性。高达76.2%的病例中至少有一个参数无法自动测量，尤其是SVA和冠状面参数（CB、PTC、MTC）的测量失败率较高。这一发现提示，在当前阶段，该软件尚不能完全替代手动测量，临床医生需要对其测量结果保持审慎态度，特别是当某些参数缺失时，可能需要手动补充测量。

从技术发展角度看，本研究结果指出了脊柱参数自动测量软件需要进一步优化的方向。提高对复杂脊柱解剖结构（如内固定术后、严重畸形等）的识别能力，增强对冠状面参数的检测可靠性，将是未来软件改进的重点。同时，软件需要更好地适应各种临床场景，包括不同病因导致的脊柱畸形和各种成像条件。

这项研究发表在《Spine Deformity》期刊上，为脊柱外科数字化工具的评价提供了重要参考框架。研究结果不仅对临床医生选择和使用脊柱规划软件具有指导意义，也为软件开发者优化产品性能提供了实证依据。随着人工智能和机器学习技术在医疗领域的深入应用，此类验证研究将促进脊柱外科诊疗向更加精准、高效和标准化的方向发展。

未来研究应当扩大样本规模，纳入更多样化的患者群体和成像模态，进一步明确软件在不同条件下的性能特征。同时，长期随访研究可以探讨自动测量结果与临床结局之间的关联，从而更全面地评估这类技术的临床价值。