编辑推荐：
这篇综述通过系统评价和荟萃分析，探究机器学习（ML）在识别全膝关节置换术（TKA）候选人方面的可行性。研究发现 ML 模型可行，基于 X 射线的模型预测性能最佳，但目前缺乏临床可用的高水平研究，构建专业数据库很关键。
引言
膝骨关节炎（KOA）是一种慢性关节疾病，以无菌性滑膜炎、软骨退变和骨质硬化为特征，会引发膝关节疼痛，限制患者行动能力，是中老年人致残的主要原因之一，全球约 85% 的骨关节炎病例为 KOA，男性和女性的发病率分别约为 40% 和 47%。对于标准治疗无效的 KOA 患者，全膝关节置换术（TKA）是缓解疼痛、改善膝关节功能的终极治疗手段。然而，约 12.7% 的患者术后效果不理想，5 年内需要翻修。因此，开发有效工具识别需要 TKA 手术的高风险 KOA 患者至关重要。近年来，人工智能在医疗保健领域备受关注，机器学习（ML）作为其独特应用，可通过数据分析进行学习、预测和决策，已在多种疾病预测中得到应用，也被用于 TKA 并发症风险分层和患者识别。但 ML 模型开发使用的变量多样，导致预测性能不一致。本研究旨在通过系统评价和荟萃分析，探究 ML 在识别 TKA 候选人方面的可行性。
方法
- 研究注册：本研究依据系统评价和荟萃分析的首选报告项目（PRISMA）指南进行，并在国际前瞻性系统评价注册数据库网站 PROSPERO 注册，ID 为 CRD 42023443948。
- 纳入与排除标准：纳入以 KOA 患者为研究对象、构建完整 TKA 风险预测模型、未进行外部验证的风险预测模型、基于不同数据集的 ML 研究且以英文发表的文章；排除荟萃分析、综述、指南、专家意见等，仅进行差异因素分析未构建完整模型，缺乏预测准确性指标，以及样本量小于 30 例的研究。
- 数据来源与检索策略：检索 PubMed、Web of Science、Cochrane 和 Embase 数据库中截至 2024 年 9 月 15 日发表的原始研究，使用主题词和自由词组合检索，同时检索纳入研究的参考文献。
- 研究选择与数据提取：将检索到的研究导入 EndNote 20 软件，通过自动标记和手动筛选去除重复研究，再经标题和摘要筛选、全文筛选确定最终纳入研究，由两名研究者提取关键信息，如有分歧请第三位研究者协助决策。
- 研究偏倚风险评估：使用预测模型偏倚风险评估工具（PROBAST）评估原始研究的偏倚风险，涉及参与者、预测变量、结果和统计分析四个领域，由两名研究者独立评估并交叉核对。
- 结局指标：以 c 指数衡量模型整体准确性，c 指数范围为 0.5 - 1，0.5 表示完全随机无预测价值，1 表示预测结果与实际结果完全一致，大于 0.7 表示模型准确性较理想。
- 合成方法：对 ML 模型的 c 指数进行荟萃分析，若 c 指数的 95% 置信区间和标准误差缺失，参考相关研究进行估计。考虑到不同模型变量和参数的差异，采用随机效应模型（DerSimonian 和 Laird 方法），使用 R 4.2.0 软件进行分析。
结果
- 研究选择：最初检索到 2751 篇文章，排除 863 篇重复文章、1824 篇经标题和摘要筛选不符合的文章，对剩余 14 篇进行全文 review，最终纳入 13 篇文章，其中 11 篇文章的 25 个模型纳入荟萃分析。
- 研究特征：13 篇文章发表于 2019 - 2024 年，随访时间 5 - 10 年，研究来自多个国家。数据来源多样，包括 Osteoarthritis Initiative Cohort 等。建模变量方面，4 个模型使用临床特征，5 个模型使用影像组学，16 个模型同时使用临床特征和影像组学。影像组学中，10 个模型基于 X 射线，4 个基于 MRI，6 个基于 MRI 和 X 射线组合，1 个基于 US 和 X 射线组合。
- 研究偏倚风险：部分模型因纳入排除标准、预测因素评估、结果判定时间间隔、缺失数据处理方法、内部验证等信息缺失或不足，被评为高风险或不确定风险，部分模型为低风险。
- 合成结果：根据变量来源分类，训练集中，基于临床特征的模型 c 指数为 0.713（0.628 - 0.799），基于影像组学的模型为 0.841（0.777 - 0.904），基于临床特征和影像组学组合的模型为 0.844（0.815 - 0.873）。其中，基于 X 射线的模型 c 指数为 0.895（0.865 - 0.924） ，基于 MRI 的模型为 0.755（0.508 - 1.000）。验证集中，基于临床特征、影像组学、临床特征和影像组学组合的模型 c 指数分别为 0.656（0.526 - 0.786）、0.861（0.806 - 0.916）、0.831（0.799 - 0.863） ，基于 X 射线的模型 c 指数为 0.882（0.825 - 0.939），基于 MRI 的模型为 0.725（0.499 - 0.950）。
讨论
早在 2009 年就有研究利用 ML 方法预测 TKA 患者术后步态，之后 ML 在 TKA 领域的研究日益增多。本研究是首次评估 ML 预测 KOA 患者 TKA 需求可行性的系统评价和荟萃分析。结果表明，ML 模型在识别 TKA 候选人方面表现理想，X 射线数据是最常用的建模变量，LR 和 DL 模型更受欢迎。基于 X 射线数据的模型在训练集和验证集的表现均优于其他模型。虽然 X 射线在诊断软组织疾病方面存在局限，但在评估膝关节状况、制定治疗策略方面有重要意义。
不过，本研究存在一些局限性。符合荟萃分析的原始研究较少，部分亚组模型数量少，影响结果准确性。纳入研究中除 X 射线外的建模变量使用有限，影响模型预测性能。多数研究基于特定队列建模，数据库并非为构建 ML 模型设计，可能缺乏前瞻性数据且数据不完整，建模变量选择受数据库访问权限影响，增加研究复杂性，还可能削弱模型性能。此外，仅用 c 指数评估模型性能可能导致误判，且未分析发表偏倚。
结论
ML 模型在识别 TKA 候选人方面具有可行性，基于 X 射线的 ML 模型预测性能最佳。但目前缺乏可用于临床应用的高水平研究，建模参数质量和数据库架构严重限制了 ML 模型的准确性。构建更具针对性和专业性的数据库，对推动 ML 模型的发展和临床应用至关重要。
