基于机器学习的颈椎单开门椎管成形术后轴性痛预测模型构建与关键影响因素分析

《Pain and Therapy》：Machine Learning-Based Prediction for Axial Pain Following Expansive Unilateral Open-Door Laminoplasty: A Retrospective Cohort Study

本研究针对颈椎后路单开门椎管成形术（ELAP）后常见并发症轴性痛缺乏有效预测工具的临床难题，研究人员利用机器学习（ML）算法，开发并验证了能够高精度预测术后轴性痛风险的模型。研究通过LASSO回归筛选出C7椎板成形、手术节段数量、颈椎后凸等六个关键预测因子，其中极端梯度提升（XGBoost）模型表现最佳（内部验证AUC=0.948，时间验证AUC=0.906），并通过SHAP分析明确了各因素贡献度。该研究为优化ELAP手术方案、降低轴性痛发生率提供了可量化的决策支持。

　　

在颈椎外科领域，颈椎病（Cervical Spondylotic Myelopathy, CSM）是一种常见的退行性疾病，往往需要通过手术来解除对脊髓的压迫。其中， expansive unilateral open-door laminoplasty (ELAP)，即颈椎后路单开门椎管成形术，因其能有效扩大椎管容积、保留颈椎活动度而广泛应用。然而，术后轴性痛——一种表现为颈肩部顽固性疼痛和椎旁僵硬的并发症——却成为困扰许多患者和医生的难题。它不仅严重影响患者术后的生活质量，给身心健康带来负担，也给医疗系统造成了显著压力。更棘手的是，轴性痛的发生机制尚不明确，传统的统计方法难以对其风险进行有效预测，临床上缺乏可靠的预警工具。因此，如何精准预测并进而规避ELAP术后轴性痛的风险，成为了脊柱外科一个亟待解决的关键问题。

在此背景下，Kelun Huang、Sheng Li、Yile Dai等研究人员在《Pain and Therapy》杂志上发表了一项回顾性队列研究。他们独辟蹊径，将目光投向了近年来在医疗预后预测中展现出强大能力的机器学习（Machine Learning, ML）技术。研究团队设想，能否利用ML算法分析大量的临床数据，构建一个高精度的预测模型，不仅能提前识别出术后易发生轴性痛的高危患者，还能揭示出影响轴性痛发生的关键、特别是可干预的手术因素，从而为外科医生优化手术策略提供切实可行的指导。

为了回答这个核心问题，研究团队开展了一项严谨的研究。他们回顾性纳了2016年4月至2023年9月期间在一家医疗中心接受ELAP手术的851名CSM患者。所有手术均由同一位拥有20年ELAP手术经验的脊柱外科医生完成，确保了手术技术的一致性。研究人员详细收集了患者的人口统计学资料、影像学数据（如颈椎活动度ROM、颈椎前凸CL、颈椎后凸、椎管侵占率等）、临床评分（如日本骨科协会JOA评分、视觉模拟评分VAS）以及详细的手术信息（如手术节段分类、是否行C7椎板成形、椎板开门角度等）。主要观察结局是术后1年是否出现轴性痛，其判定有一套严格的标准。随后，他们将整个队列按时间顺序分为训练集（714例）和时间验证集（137例），以评估模型的泛化能力。

在技术方法上，本研究的关键步骤包括：首先，采用最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator, Lasso）回归进行特征选择，以降低多重共线性和过拟合风险，最终筛选出6个关键预测特征。其次，利用筛选出的特征，使用逻辑回归（LR）、极端梯度提升（XGBoost）、轻量梯度提升机（LightGBM）、随机森林（RF）等八种机器学习算法构建预测模型，并通过网格搜索优化超参数。最后，使用接受者操作特征曲线下面积（AUC-ROC）、校准曲线、决策曲线等指标综合评价模型性能，并对最佳模型进行SHapley Additive exPlanations (SHAP) 分析，以解释各预测特征的重要性及其对预测结果的贡献方向。

研究结果

患者基线特征

训练集和时序验证集在人口统计学、影像学特征、手术信息和临床基线资料方面均无显著差异，表明数据集划分合理。在训练集中，将患者分为轴性痛组（218例）和非轴性痛组（496例）进行比较分析发现，轴性痛组患者术前颈椎前凸（CL）角度更小，颈椎后凸畸形的发生率更高，椎管侵占率更大，接受多节段（特别是包含C7）椎板成形术的比例更高，而术中椎板的开门角度则更小。

特征选择与模型性能

Lasso回归筛选出的六个关键预测因子包括：C7椎板成形术、基于数量的手术节段分类、颈椎后凸、椎管侵占率、椎板开门角度和颈椎前凸（CL）。

在未调参的基线模型中，XGBoost模型就显示出优异的预测性能。经过网格搜索优化超参数后，XGBoost模型的表现进一步提升，在内部验证中达到了极高的AUC值（0.948），并且具有较高的准确率、敏感性和特异性。

更重要的是，当将这个优化后的XGBoost模型应用于独立的时间验证集时，其预测性能依然稳定（AUC=0.906），证明了模型良好的泛化能力和临床适用性。

预测因子的贡献度分析

通过SHAP分析，研究人员对六个关键预测因子的重要性进行了排序，从高到低依次为：C7椎板成形术、基于数量的手术节段分类、颈椎后凸、椎板开门角度、颈椎前凸（CL）和椎管侵占率。

分析结果清晰地显示，术前存在颈椎后凸、椎管侵占率高、颈椎前凸角度小的CSM患者，在ELAP术后更容易发生轴性痛。而在手术因素方面，如果ELAP手术涉及了过多的节段（特别是包含了C7椎板），或者术中椎板开门角度过小，则会显著增加术后一年发生轴性痛的风险。

讨论与结论

本研究成功构建并验证了基于机器学习的高精度预测模型，用于预见CSM患者接受ELAP术后发生轴性痛的风险。其重要意义在于，将先进的ML算法与临床实际问题紧密结合，突破了传统统计方法的局限。研究不仅提供了一个强大的预测工具，更重要的是通过可解释的AI技术（SHAP分析），揭示了影响轴性痛发生的关键且可干预的因素。

研究结论明确指出，应用机器学习算法，特别是经过超参数优化的XGBoost模型，可以有效预测ELAP术后轴性痛。而避免不必要的C7椎板成形术、实施节段选择性ELAP、以及将椎板开门角度维持在最佳范围内（文献报道为15-30度），是规避ELAP术后轴性痛发生的关键手术因素。这对于外科医生在术前规划和术中操作具有直接的指导价值：对于术前已存在颈椎后凸、椎管侵占率高或颈椎前凸角度小的CSM患者，应特别注重手术策略的优化。此外，本研究也为术后出现轴性痛的患者提供了潜在的风险评估和个性化干预的依据。

当然，本研究作为一项回顾性研究，存在一定的局限性，例如缺乏外部多中心数据的验证，未来需要通过前瞻性、多中心研究进一步证实模型的普适性。此外，研究未评估椎旁肌状态等可能影响预后的因素，未来纳入相关指标有望进一步提升模型的预测效能。尽管存在这些局限，该项研究无疑为改善ELAP手术预后、提升患者生活质量迈出了坚实而关键的一步，展示了机器学习在脊柱外科预后预测和精准医疗中的巨大潜力。