编辑推荐：
为探讨青少年特发性脊柱侧凸（AIS）非手术治疗的有效性，研究人员开展施罗特疗法临床与成本效益研究。基于 128 例患者数据，发现该疗法可显著降低 Cobb 角、改善疼痛（p<0.001），机器学习（ML）和主动学习（AL）提升预测效率，为 AIS 管理提供新依据。
脊柱是人体的 “顶梁柱”，但青少年特发性脊柱侧凸（Adolescent Idiopathic Scoliosis, AIS）却如同潜伏在成长路上的 “隐形杀手”，困扰着全球 2%-3% 的青少年。这种以脊柱三维畸形为特征的疾病，不仅会导致外观异常、慢性疼痛，还可能影响心肺功能和心理健康。目前，轻度 AIS 常采用支具治疗，而严重病例（Cobb 角 > 40-50°）则需手术，但手术不仅费用高昂（约 3.1 万美元），还存在感染、脊柱僵硬等风险。因此，寻找安全、有效且经济的非手术治疗方案，成为骨科领域的重要课题。
在这样的背景下，土耳其科贾埃利大学（Kocaeli University）的研究团队开展了一项具有创新性的研究，相关成果发表在《Journal of Orthopaedic Surgery and Research》。该研究首次将施罗特疗法（Schroth Therapy）与机器学习（Machine Learning, ML）、主动学习（Active Learning, AL）技术相结合，系统评估了其在 AIS 治疗中的临床效果与经济学价值，为破解 AIS 治疗难题提供了新方向。
研究方法与技术路线
研究回顾性分析了 2020-2023 年某三级公立医院收治的 128 例 AIS 患者数据，患者接受施罗特疗法的时长为 3-36 个月（中位 11 个月）。研究通过以下关键技术展开：
- 临床评估：采用 Cobb 角测量脊柱畸形程度，视觉模拟评分法（Visual Analogue Scale, VAS）评估疼痛，SRS22r 问卷评估功能状态。
- 经济学分析：基于医院收费记录计算直接医疗成本，通过增量成本效果比（Incremental Cost-Effectiveness Ratio, ICER）和质量调整生命年（Quality-Adjusted Life Years, QALYs）评估成本效益。
- 机器学习建模：运用随机森林（Random Forest）回归模型预测治疗效果，通过主动学习策略优化数据标注效率，减少人工标注成本。
研究结果：疗效、预测与经济学三重突破
1. 施罗特疗法显著改善临床指标
治疗后，患者 Cobb 角平均减少 6.8°（SD=3.1°），疼痛评分（VAS）和功能评分（SRS22r）均显著改善（p<0.001）。值得注意的是，青少年（10-17 岁）的 Cobb 角改善幅度最大（-5.8°），而 70 岁以上患者改善有限，提示早期干预的重要性。
2. 机器学习揭示关键预测因子
传统回归分析显示治疗时长对疗效无显著影响（p>0.1），但随机森林模型将其列为 Cobb 角改善和疼痛缓解的主要预测因子之一。模型在疼痛预测中表现优异，平均绝对误差（Mean Absolute Error, MAE）为 0.84，均方根误差（Root Mean Squared Error, RMSE）为 1.06。主动学习通过 5 轮迭代，将分类准确率从 65% 提升至 85%，证明其在数据稀缺的临床场景中能有效提升模型效率。
3. 经济学效益优于传统疗法
施罗特疗法的 ICER 为每改善 1°Cobb 角花费 1730 美元，显著低于支具（1571.43 美元 /°）和手术（2583.33 美元 /°）。以 QALYs 计算，每位患者平均获得 0.03 的 QALY 增益，增量成本效用比（Incremental Cost-Utility Ratio, ICUR）为 50,000 美元 / QALY，处于医疗干预可接受的成本阈值内（50,000-100,000 美元 / QALY）。
研究结论与未来启示
这项研究证实，施罗特疗法结合 ML/AL 技术是 AIS 管理中兼具临床效果与经济可持续性的方案。机器学习成功识别出传统方法忽略的治疗时长等关键因子，为个性化治疗方案设计提供了数据支撑；主动学习则通过智能标注策略，降低了临床数据处理的时间与成本。
尽管研究存在回顾性设计导致的选择偏倚、随访时间较短（最长 36 个月）等局限，但其创新性地将数字化技术融入传统康复疗法，为骨科领域的精准医疗实践开辟了新路径。未来，若能通过随机对照试验（RCT）和更长时间的随访验证疗效，施罗特疗法有望成为 AIS 非手术治疗的核心方案之一，助力优化全球青少年脊柱健康管理。
