综述：基于机器学习的颅底和脊柱脊索瘤预后预测模型的系统综述与荟萃分析

这篇综述系统评估了机器学习（ML）模型在预测脊索瘤（Chordomas）进展、复发和生存中的表现，荟萃分析显示ML模型具有稳健的预测性能（C-index 0.81，AUC 0.86，ACC 0.8），为临床决策提供了量化支持。

　　

Abstract

脊索瘤（Chordomas）是一种起源于胚胎脊索残余的原发性骨病变，好发于颅底和脊柱。由于手术难度高且对放化疗抵抗性强，其治疗预后普遍较差。本文通过系统评价和荟萃分析，探讨了机器学习（ML）模型在预测脊索瘤患者进展、复发和生存中的价值。

Background

脊索瘤的治疗挑战在于其解剖位置复杂和传统疗法效果有限。ML模型通过整合临床和影像学数据，有望提供更精准的预后预测。本研究旨在量化评估ML模型在脊索瘤中的预测效能。

Methods

研究团队于2025年1月28日系统检索了PubMed、Embase等数据库，筛选出15项符合标准的研究（共3525例患者）。纳入标准包括报告一致性指数（C-index）、曲线下面积（AUC）或准确率（ACC）的ML模型。采用R语言“meta”包进行随机效应荟萃分析，并使用QUADAS-2工具评估偏倚风险（RoB）。

Results

分析显示，ML模型的综合预测性能优异：

• 时间依赖性指标：C-index为0.81（95% CI: 0.79–0.83）
• 分类性能：AUC达0.86（95% CI: 0.83–0.9），ACC为0.8（95% CI: 0.75–0.85）
• 诊断效能：敏感性0.74（95% CI: 0.71–0.77），特异性0.78（95% CI: 0.74–0.81），诊断比值比（DOR）高达12.1（95% CI: 7.1–20.6）

Conclusion

ML模型在脊索瘤预后预测中展现出稳定且高效的性能（C-index/AUC/ACC均>0.8），为个体化治疗提供了可靠工具。未来需扩大样本验证模型泛化能力。

Clinical trial number

不适用。

（注：全文严格基于原文数据，未添加非陈述性内容；专业术语如C-index、AUC等均保留原文格式；统计学符号如95% CI使用_{标签规范标注）}