基于堆叠集成学习与特征工程的椎体成形术后再骨折可解释AI诊断模型研究

针对经皮椎体成形术(PVP)后椎体再骨折风险预测难题，山东大学齐鲁医院团队创新性地采用堆叠集成学习框架，结合SMOTE数据平衡与SHAP可解释性分析，构建了动态加权融合预测模型。该研究通过多算法集成与13项关键特征筛选，在独立验证集中实现AUC 0.959的优异性能，为骨质疏松性椎体压缩骨折(OVCF)患者的个性化康复提供了智能化决策支持。

　　

骨质疏松性椎体压缩骨折(OVCF)是中老年人群常见的骨科疾病，具有高发病率、高致残率和高死亡率的特点。经皮椎体成形术(PVP)作为OVCF的重要治疗手段，虽能快速缓解疼痛，但术后椎体再骨折发生率高达2.4%-52%，成为困扰临床的难题。传统统计方法难以捕捉风险因素间的非线性关联，而单一机器学习模型又存在泛化能力不足的缺陷。针对这一现状，山东大学齐鲁医院的研究团队在《International Journal of Medical Informatics》发表论文，开创性地将堆叠集成学习与可解释人工智能(XAI)技术相结合，构建了PVP术后再骨折风险预测系统。

研究团队采用多中心回顾性队列数据，纳入780例OVCF患者（再骨折组115例），通过SMOTE技术解决数据不平衡问题。研究创新性地设计了两层堆叠集成框架：第一层集成逻辑回归(LR)、决策树(DT)、随机森林(RF)、支持向量机(SVM)和XGBoost五种基学习器，第二层通过动态加权融合策略优化预测。特征工程筛选出13个关键预测因子，包括支具使用、年龄、抗骨质疏松药物、每日日照时间和25-羟基维生素D(25-OH-VD)水平等。

基线患者特征
研究队列中再骨折发生率为14.7%，624例患者用于10折交叉验证，156例作为独立验证集。人口统计学分析显示，再骨折组与对照组在骨代谢指标和康复依从性方面存在显著差异。

数据预处理比较
原始32维特征经异常值处理、编码转换和标准化后，通过单因素与多因素分析降维。SMOTE过采样使少数类样本量提升300%，有效改善了分类器对正例的识别能力。

模型性能验证
内部验证显示堆叠模型的AUC达0.984，平均精度(AP)0.987，显著优于单一算法。独立验证中模型保持稳健性能（AUC=0.959，AP=0.949），召回率与Brier评分均优于临床常用评分系统。

SHAP可解释性分析
全局特征重要性揭示：术后支具使用（SHAP值+0.32）是最强保护因素，而维生素D缺乏（-0.28）为主要风险驱动。个体化解释可直观展示各特征对特定患者预测结果的贡献度。

该研究突破了传统预测模型的局限性，通过集成学习框架实现了三大创新：一是动态融合多算法优势，提升模型在异构数据中的泛化能力；二是构建包含生物力学、代谢和康复依从性的多维特征空间；三是引入SHAP技术实现"黑箱"模型的可视化解读。临床转化价值体现在：为制定个性化抗骨质疏松方案提供量化依据，通过早期识别高风险患者优化资源配置，并借助可解释性结果增强医患决策共识。研究团队建议未来可扩展多模态数据融合，结合椎体有限元分析等生物力学参数进一步提升预测精度。