编辑推荐：
这篇综述聚焦于基于人工智能（AI）的决策支持系统（DSS）在退行性腰椎疾病导致的腰痛（LBP）预防和管理方面的应用。通过系统回顾相关文献，发现其在临床评分定义、临床评估和 eligibility prediction 等任务中准确性较高，为 AI 在临床决策中的应用提供了重要参考。
引言
腰痛（Low Back Pain，LBP）是一种使人衰弱的多因素临床病症，影响着全球数百万人，是全球残疾的主要原因，带来了巨大的社会经济负担。慢性腰痛的患病率随年龄增长而增加，通常由退行性腰椎疾病引起，如椎间盘退变（Intervertebral Disc Degeneration，IDD）、腰椎管狭窄（Lumbar Spinal Stenosis，LSS）、退行性腰椎滑脱（Degenerative Spondylolisthesis，DLS）、腰椎间盘突出（Lumbar Disc Herniation，LDH）、小关节骨关节炎和成人脊柱畸形（Adult Spine Deformities，ASD）。
近年来，人工智能（Artificial Intelligence，AI）的发展推动了医疗保健领域不同医学研究方向的显著进步。在脊柱领域，AI 在腰痛诊断和治疗方面的应用得到了广泛研究，其在脊柱手术中的应用涵盖了自动分割椎骨结构、分析临床和手术记录、处理患者报告的结果等任务。
AI 在脊柱领域的应用主要分为计算机视觉（Computer Vision，CV）、计算机辅助诊断（Computer-Aided Diagnosis，CAD）和决策支持系统（Decision Support Systems，DSS）三类。其中，DSS 旨在辅助医生和患者决策，改善疾病治疗效果，涵盖定义临床指标、评估患者、推荐治疗方案、预测治疗效果等活动。本研究重点关注以预防和管理为主要终点的 DSS 相关研究，系统回顾 AI - DSS 在退行性腰椎疾病导致的腰痛预防和管理中的作用与疗效。
材料和方法
- 电子文献检索：本系统综述的方案在 Open Science Framework（OSF）数据库注册。于 2024 年 8 月 26 日对 PubMed 和 Scopus 数据库进行系统检索，使用 “low back pain”“intervertebral disc degeneration”“intervertebral disc displacement”“spine surgery”“disc herniation”“artificial intelligence”“machine learning”“deep learning”“neural network”“decision support system” 等检索词，完整检索策略作为补充材料。由两名 reviewers（F.D.A. 和 L.A.）进行初步检索，如有分歧则由第三名 reviewer（F.R.）解决。检索流程遵循 PRISMA 声明，筛选出描述新型 DSS 方法支持慢性腰痛或腰椎退行性疾病治疗策略的研究，排除样本量小于 10 例、非英文、综述、荟萃分析等类型的研究。
- 评估指标：论文中涉及分类和回归任务，采用不同指标评估性能。分类任务常用指标有准确率（Accuracy，Acc）、曲线下面积（Area Under the Curve，AUC）、召回率（Recall）和精确率（Precision）等；回归任务常用指标有残差平方和（Residual Sum of Squares，RSS）、总平方和（Total Sum of Squares，TSS）、决定系数（Coefficient of Determination，r2）等，部分研究还使用百分比误差值评估。
- 偏倚风险：由两名 reviewers（L.A. 和 G.F.P.）独立评估纳入研究的方法学质量，有冲突时由第三名 reviewer（G.V.）解决。依据诊断准确性研究质量评估工具（Quality Assessment of Diagnostic Accuracy Studies，QUADAS - 2）评估偏倚风险和适用性，该工具基于患者选择、指标测试、参考标准、流程和时间 4 个领域进行评估。
结果
- 研究选择：共检索到 4700 篇文章，去除重复后，3219 篇进行标题和摘要筛选，排除 2899 篇，3 篇未检索到。随后对 317 篇全文筛选，通过手工检索参考文献和系统综述又确定 4 篇，最终排除 296 篇，纳入 25 篇研究。
- 研究特征：纳入研究的患者患有腰痛、DLS、ASD、LSS、IDD、腰椎小关节滑膜囊肿、LDH 等疾病，部分患者接受了脊柱手术。研究利用临床数据、人口统计学数据、心理社会数据、生物标志物、影像学数据等多种输入源，执行临床评分定义、临床评估、 eligibility prediction 等任务。AI 模型使用方面，多数研究采用有监督学习方法，少数采用无监督聚类技术，常用算法包括随机森林（Random Forest，RF）、支持向量机（Support Vector Machine，SVM）等。
- 偏倚风险：16 项研究采用 3 分制评估偏倚风险和适用性，近 40% 的研究在患者选择领域存在高偏倚风险，主要原因是纳入标准报告不准确和纳入健康对照。
- 个体研究结果
- 临床评分定义：6 项研究聚焦临床评分定义，如预测手术侵袭性、LBP 分类、滑膜囊肿复发风险、手术减压水平、治疗策略选择、椎间融合器沉降评分等，AUC 范围为 0.76 - 0.93，部分研究还确定了相关重要因素。
- 临床评估：多项研究评估患者临床状况，包括预测 LBP、IDD 进展、推荐初级护理、识别 LSS 预测因素、分类慢性 LBP 患者等，准确率和 AUC 分别在 71 - 90.4% 和 0.84 - 0.99 范围内。
- eligibility prediction：多项研究支持治疗选择决策，如预测手术候选人、评估手术适宜性、推荐手术方式、预测疼痛改善等，AUC 在 0.88 - 0.95 之间，准确率在 77.7% - 94.9% 之间。
讨论
AI 在脊柱领域应用广泛，本研究系统回顾了支持退行性腰椎疾病预防和管理决策的 DSS 系统。该领域虽起步较晚，但潜力巨大。研究中 DSS 模型使用多种输入数据和 AI 算法，多数采用有监督学习。监督学习适合支持特定决策，无监督学习则探索数据隐藏模式。
AI 能处理大量异质数据，有助于识别疾病表型，实现个性化医疗。在临床评分定义、临床评估和 eligibility prediction 方面，研究显示出较高准确性。然而，目前研究存在不足。缺乏多模态 AI 预测方法，结合视觉和临床特征的混合方法有待探索；评估指标单一，应增加召回率、精确率和 F1 评分等以全面评估模型性能；部分研究未处理类不平衡问题，应提供数据集类分布信息；许多研究缺乏校准评估工具。
此外，AI 在医疗保健应用中面临实际挑战，如数据整合、专业人员培训、法规合规、伦理隐私和数据安全等。本研究也存在局限性，QUADAS - 2 评分显示存在中等偏倚风险，研究变量多样导致结果普适性受限，预防和管理与结局预测界限不明确可能影响研究纳入和排除。
结论
人工智能正在逐步革新医疗保健领域，包括脊柱外科。本系统综述总结了 AI - DSS 在腰椎退行性疾病预防和管理中的应用证据。总体而言，纳入研究在多种任务中表现出较高准确性，为进一步研究和临床应用 AI 提供了基础。
