编辑推荐：
髋部骨折尤其是股骨颈骨折，给老年人群健康带来极大威胁。研究人员通过对 60 例患者大腿 CT 扫描，利用 AI 技术分析肌肉和股骨参数。结果显示，特定肌肉体积和骨小梁密度与骨折移位相关，SVM 模型预测性能最佳。这为康复和治疗提供了重要依据。
在人口老龄化加剧的当下，老年人的健康问题日益受到关注，其中髋部骨折带来的挑战尤为严峻。髋部骨折，特别是股骨颈骨折，常发生于老年人因低能量跌倒的情况。一旦发生，不仅可能导致患者行动不便，更会引发如股骨头缺血性坏死（avascular necrosis）等严重并发症。许多患者因此不得不接受全髋关节置换术（total hip arthroplasty），这不仅增加了患者的痛苦和经济负担，还对医疗资源造成了巨大压力。而且，髋部骨折后的死亡率也不容小觑，术后一年的死亡率在 22% - 37% 之间，患者的生活质量也大幅下降，健康相关生活质量评分（如 EuroQol EQ - 5D）从骨折前的 0.78 骤降至术后 17 个月的 0.51。
以往研究虽已明确一些与股骨颈骨折相关的风险因素，如身体机能下降、步态不佳和骨强度减弱等，但在精准评估和预测骨折移位风险方面仍存在不足。传统的手动测量肌肉特征（如横截面面积 Cross - Section Area，CSA）和皮质厚度的方法，既耗时又容易产生偏差，且因骨骼位置变化导致测量准确性欠佳。在此背景下，为了更有效地预测和预防严重的股骨颈骨折，制定更精准的康复和治疗策略，庆尚国立大学（Gyeongsang National University）的研究人员开展了一项意义重大的研究。
该研究成果发表在《Computers in Biology and Medicine》杂志上，为股骨颈骨折的防治带来了新的曙光。研究人员运用了一系列先进技术方法，其中关键的技术之一是利用 AI 驱动的个体肌肉分割模型。该模型在大腿区域展现出强大的分割能力，能够精准分割 27 块肌肉，进而计算肌肉体积。同时，研究人员借助由剑桥大学机器智能实验室医学成像小组开发的 StradView 程序，对近端股骨骨参数进行测量，包括平均皮质厚度、内部密度和四个区域的半高宽（Full Width at Half Maximum，FWHM ）。此外，研究使用了 60 例来自庆尚国立大学医院真实髋关节队列（Real Hip Cohort）中确诊为股骨颈骨折的患者的全大腿 CT 扫描数据，为后续研究奠定了坚实的数据基础。
研究过程中，研究人员首先对 60 例患者进行了细致的分类，按照 Garden 分级系统和性别进行划分：I 型中女性 2 例、男性 4 例；II 型中女性 4 例、男性 7 例；III 型中女性 9 例、男性 6 例；IV 型中女性 15 例、男性 13 例。其中，未发生骨折移位的患者有 6 名女性和 11 名男性，发生骨折移位的患者有 24 名女性和 19 名男性 。
在相关性分析环节，研究人员发现了重要线索。股骨颈 / 转子间的骨小梁密度与股骨颈移位存在显著关联。同时，特定大腿肌肉的体积，如阔筋膜张肌（Tensor fasciae latae），也与骨折移位密切相关。这一发现为后续深入研究指明了方向。
随后，研究人员利用机器学习模型（随机森林 Random Forest、支持向量机 Support Vector Machine，SVM 和多层感知器 Multi - layer Perceptron，MLP），以大腿肌肉体积和近端股骨参数作为变量来预测骨折移位。经过一系列复杂而严谨的运算，结果令人惊喜。综合使用大腿肌肉体积和近端股骨参数的机器学习模型在预测移位方面表现出色。其中，随机森林模型达到了 0.91 的 F1 评分，支持向量机模型更是高达 0.93，在众多模型中脱颖而出，展现出卓越的预测性能。
在研究结论和讨论部分，研究人员总结发现，阔筋膜张肌、股直肌（Rectus femoris）和半膜肌（Semimembranosus）的体积减小，以及股骨颈和转子间的骨小梁密度降低，均与骨折移位的增加显著相关。支持向量机模型整合肌肉和股骨特征后，取得了最高的预测性能。这一成果意义非凡，它明确了肌肉力量和骨密度在康复计划中的关键作用，凸显了 AI 驱动的预测模型在改善股骨颈骨折临床结局方面的巨大潜力。为临床医生在制定康复和治疗方案时提供了更科学、精准的依据，有助于提前预防骨折移位，降低患者并发症风险，提高患者的生活质量，为股骨颈骨折的临床诊疗开辟了新的路径，有望推动整个医学领域在这一方向的进一步发展和探索。
