基于机器学习的腕部创伤后真性舟骨骨折概率预测模型构建及临床决策规则优化

本研究针对腕部创伤后真性舟骨骨折（28%发生率，15%隐匿性）的诊断难题，通过整合422例前瞻性队列数据，采用5种机器学习（ML）算法筛选出尺偏痛、性别、年龄和受伤机制4个关键预测因子，构建出AUC达0.77的预测模型，并制定"≥10%概率启动高级影像学检查"的决策规则，可使高级影像学检查量减少36%且不漏诊。

　　

腕部创伤后的舟骨骨折诊断一直是骨科临床的棘手问题。约28%的桡侧腕痛患者存在真性舟骨骨折，其中15%在初期X线检查中表现为隐匿性骨折。传统依赖体格检查和X线的方法既可能导致漏诊，又可能使大量患者接受不必要的高级影像学检查（如CT或MRI），造成医疗资源浪费。这种诊断困境促使荷兰阿姆斯特丹大学医学中心领衔的国际研究团队开展了一项创新性研究，旨在通过机器学习技术优化诊断流程。

研究团队整合了两个前瞻性队列共422例急性腕部创伤患者数据，所有患者均在伤后72小时内就诊并接受系统评估。研究采用Boruta算法进行特征筛选，发现尺偏腕关节时舟骨疼痛、患者性别、年龄和受伤机制（MOI）是预测真性舟骨骨折的四大关键因素。特别值得注意的是，年龄与性别存在交互效应——在尺偏痛阳性的站立跌倒患者中，男性年轻患者的骨折概率最高可达80%。

技术方法上，研究团队训练了5种机器学习算法，通过受试者工作特征曲线下面积（AUC）、校准度和Brier评分等指标评估模型性能。最佳算法最终被转化为临床适用的概率计算器，并基于约登指数确定了10%的决策阈值用于指导高级影像学检查。

研究结果部分显示：

1. 预测因子识别：尺偏痛、男性、高龄和特定受伤机制（如高处坠落）显著增加骨折风险，其中尺偏痛的预测权重最高。
2. 模型性能：最优模型的AUC达0.77，校准斜率0.84，Brier评分0.159，显示良好的判别力和校准度。
3. 决策规则验证：应用"≥10%概率阈值"规则时，对放射学阴性患者的敏感度达100%，特异度38%，可减少36%不必要的高级影像学检查。

讨论部分强调，这是首个将机器学习应用于舟骨骨折概率预测的临床研究。模型通过量化个体风险，实现了精准医疗与资源优化的平衡。决策规则特别适用于放射学阴性但临床可疑的病例，其"零漏诊"特性对预防骨折不愈合等严重并发症至关重要。研究也存在局限性，如未纳入骨密度等潜在预测因子，且需要国际多中心验证。该成果发表于《The Journal of Hand Surgery》，为创伤骨科数字化决策提供了范式，未来可通过移动端应用等形式推广临床实践。