综述：利用机器学习预测和预防成人脊柱畸形手术中的近端交界性后凸和失败：系统评价

这篇系统评价深入探讨了人工智能（AI）和机器学习（ML）在成人脊柱畸形（ASD）手术中预测近端交界性后凸（PJK）和失败（PJF）的应用潜力。通过分析7项研究（n=2,179），发现ML模型（如随机森林）的预测准确率达72.5%-100%（AUC高达1.0），关键预测因素包括年龄、骨密度（BMD）、脊柱对线和植入物类型。尽管结果令人鼓舞，但未来需更多多中心研究以标准化定义并整合术前MRI数据。

　　

人工智能在脊柱畸形并发症预测中的突破

引言
成人脊柱畸形（ASD）手术伴随高昂费用和风险，其中近端交界性后凸（PJK）和失败（PJF）是最棘手的机械并发症。随着AI技术的进步，机器学习（ML）模型为预测这些并发症提供了新思路。

方法与模型性能
系统评价纳入7项回顾性研究（共2,179例患者），平均年龄63.2±3.7岁，PJK/PJF发生率41.1%。ML模型表现亮眼：随机森林（RF）准确率达83%，支持向量机（SVM）为79%，而整合骨密度（BMD）数据的模型甚至实现100%准确率（AUC=1.0）。关键预测变量包括高龄（≥74岁）、低BMD、骨盆倾斜（PT>25°）及上端固定椎（UIV）选择。

临床启示

1. 预防策略：椎体增强术、UIV+1节段韧带加固可降低PJK风险。
2. 影像突破：Johnson等发现T1水平MRI软组织特征（如肌肉萎缩）对PJK预测的敏感性提升至73.1%。
3. 手术决策：人工神经网络（ANN）能模拟专家对UIV的选择（准确率81%），但上胸椎（UT）与下胸椎（LT）固定后的PJK发生率无显著差异。

局限与展望
当前研究存在样本量小、PJK定义不统一等缺陷。未来需开展前瞻性试验，整合多模态数据（如SAAS评分、术前MRI），并优化模型可解释性。正如Tretiakov强调，结合年龄校正的矢状面参数（PI-LL>10°）和预防措施（如骨水泥）或将成为临床决策的新标准。