开发并验证一种可解释的机器学习模型，用于预测前路颈椎椎间盘切除术后早期融合情况

《Spine》：Development and Validation of an Interpretable Machine Learning Model for Predicting Early Fusion After Anterior Cervical Discectomy and Fusion

本研究通过回顾性病例对照分析，开发并验证了基于随机梯度增强（SGB）的机器学习模型，用于预测前路颈椎减压融合术（ACDF）术后早期融合（EF）的概率，并识别了术前脊柱活动度、血糖、胆固醇等9个关键影响因素，为个性化临床管理提供依据，需多中心进一步验证。

　　

摘要 通俗语言总结

---

研究设计

这是一项回顾性病例对照研究。

研究目的

本研究旨在开发并初步验证一个机器学习（ML）模型，以预测前路颈椎椎间盘切除术及融合术（ACDF）后早期融合（EF）的可能性，并探讨相关影响因素。

背景数据概述

ACDF是一种常见的手术方法，早期融合在实现良好手术结果中起着重要作用。然而，不同患者之间的早期融合情况存在显著差异，目前可靠的预测方法仍然有限。

研究方法

我们回顾性分析了2013年至2020年间接受ACDF治疗的840名患者的1,039个手术病例。早期融合定义为术后3个月内通过影像学检查确认的融合。收集了基本信息、实验室指标、围手术期数据及影像学参数。经过多重插补和降维处理后，训练了九种机器学习算法，并对它们进行了评估和比较。使用SHapley Additive Explanations（SHAP）方法对模型进行了解释。

研究结果

在九种算法中，随机梯度提升（SGB）算法表现出最高的预测能力，其在训练集上的AUC为0.884，在测试集上的AUC为0.830。SHAP分析显示，术前脊柱功能单元（FSU）的活动范围（ROM）、ΔFSU高度、空腹血浆葡萄糖（FPG）、钙（Ca）、低密度脂蛋白胆固醇（LDL-C）、手术类型、年龄以及股骨骨密度（BMD）是最具影响力的因素。术前较高的脊柱功能单元活动范围、FPG、LDL-C、年龄以及双层手术与较低的早期融合概率相关，而最佳的ΔFSU高度以及较高的钙和股骨骨密度则有利于早期融合的发生。

结论

这项探索性研究建立了一种基于机器学习的方法来预测ACDF后的早期融合情况，其中随机梯度提升算法显示出相对较强的预测性能。识别出的影响因素可能为个性化临床评估和围手术期管理提供初步依据，但需要在多中心环境中进一步验证。

通俗语言总结本研究开发了一种机器学习模型，用于预测前路颈椎椎间盘切除术及融合术（ACDF）后的早期融合情况。研究人员分析了840名患者的数据，发现随机梯度提升（SGB）算法在预测早期融合方面效果最佳，准确率较高。影响早期融合的关键因素包括术前脊柱活动情况、脊柱高度变化、血糖水平、胆固醇水平、钙水平、手术类型、年龄以及骨密度。这些发现表明，个性化的评估和管理策略可能有助于改善手术结果，但仍需在更多临床环境中进行进一步验证。

本文内容由机器生成，可能存在不准确之处。常见问题解答