基于机器学习的颈椎手法治疗获益患者快速筛查工具开发与验证：一项多中心研究

针对颈椎手法治疗(SMT)患者响应差异大且存在风险的临床难题，研究人员通过机器学习(ML)开发了预测模型，纳入623例患者进行训练并通过319例外部验证。模型筛选出9个关键预测因子，多层感知器(MLP)表现最优(AUC=0.823)，并开发了基于Streamlit的网页应用。该工具为临床提供循证决策支持，有望优化患者选择并改善疗效。

　　

颈椎疼痛(NP)是全球致残的主要原因之一，每年发病率高达10.4%-21.3%，在中国仅医疗支出就达数亿元。虽然脊柱手法治疗(SMT)是常用干预手段，但患者反应差异显著且存在椎动脉损伤等风险，传统临床预测规则(CPR)因样本量小(n<100)、忽视变量间非线性关系而受限。针对这一临床困境，中国中医科学院望京医院联合天津中医药大学附属医院的研究团队开展了迄今最大规模的多中心研究，通过机器学习开发出精准预测工具，成果发表在《Chinese Medicine》。

研究采用623例回顾性队列训练模型，319例独立队列外部验证。通过KNN算法处理数值变量缺失值，随机抽样处理分类变量。采用LASSO回归和Boruta算法双重特征筛选，比较四种特征子集性能。运用10种机器学习算法，以70%训练集和30%测试集验证，最终通过SHAP框架增强可解释性，并基于约登指数确定临床决策阈值。

研究结果：

1. 患者特征分析：高获益组(53.8%)更年轻(40.92±10.07岁)、病程更短(22.78±26.96天)，且颈椎活动度更受限(旋转56.22°vs60.39°,p<0.001)。
2. 特征选择：联合LASSO和Boruta算法确定的9个预测因子最优，包括症状持续时间、颈椎旋转/伸展活动度、肌肉紧张度等，Spearman相关性最高仅0.68。
3. 模型性能：MLP模型测试集AUC达0.823(95%CI 0.750-0.874)，训练-测试差异仅0.006；外部验证AUC保持0.824，Brier评分0.170显示良好校准。
4. 临床转化：确定0.603为最佳概率阈值(敏感度0.762，特异度0.802)，开发的可交互网页应用可在5分钟内完成评估。

讨论指出，这是首个将机器学习应用于SMT疗效预测的研究，突破传统CPR样本量限制，首次发现症状持续时间与颈椎功能参数的复杂交互作用。模型通过SHAP热图直观展示特征贡献，如症状每延长1个月SHAP值下降0.15。尽管存在人群单一性和短期随访局限，但工具已实现临床转化，其开源特性(https://SMT-benefit-prediction.streamlit.app)便于推广。未来需开展国际多中心验证并整合电子病历系统，以进一步优化决策支持功能。