人工智能模型预测胸腰椎退行性脊柱手术并发症效能的系统评价

《Revista Espa?ola de Cirugía Ortopédica y Traumatología》：Uso de inteligencia artificial para predecir complicaciones en cirugías de columna toracolumbar degenerativa: revisión sistemática

本研究针对胸腰椎退行性疾病手术并发症预测的临床需求，系统评估了人工智能(AI)预测模型与传统方法的效能差异。研究人员通过检索2000-2023年Medline/Pubmed等数据库的12篇文献发现，尽管存在样本异质性和高偏倚风险(ROBINS-I/PROBAST评估)，AI模型展现出0.7-0.9的AUC(曲线下面积)预测性能，为精准医疗提供了新思路。

　　

胸腰椎退行性疾病作为导致慢性腰背痛的常见病因，其手术治疗虽能有效缓解症状，但术后并发症发生率高达15%-30%。传统预测方法依赖临床经验评分，存在主观性强、准确性不足的局限。随着人工智能(AI)技术在医疗领域的渗透，机器学习算法能否突破这一瓶颈成为研究热点。

阿根廷骨科与创伤协会的研究团队在《Revista Espa?ola de Cirugía Ortopédica y Traumatología》发表系统评价，通过分析2000-2023年12项研究(含PubMed/Cochrane等数据库)，首次全面评估了AI模型预测胸腰椎手术并发症的效能。研究采用ROBINS-I(非随机研究偏倚风险评估工具)和PROBAST(预测模型偏倚风险评估工具)进行质量评价，发现现有研究虽普遍存在高偏倚风险，但AI模型在AUC指标上显著优于传统方法。

关键技术方法包括：系统检索三大医学数据库(2000-2023年数据)，人工筛选1,558篇文献后纳入12项研究；采用ROBINS-I和PROBAST工具评估偏倚风险；提取AUC(Area Under Curve)、敏感度等性能指标进行定性分析；因研究异质性放弃meta分析。

研究结果
文献筛选流程：初筛2,321篇文献经去重后保留1,558篇，最终纳入12篇(含8篇手动补充文献)，涵盖5项AI与传统方法的对比研究。
偏倚风险评估：所有研究均被判定为"非常高"偏倚风险，主要源于样本选择偏差和结果测量方法不一致。
预测性能分析：5项对比研究显示AI模型的AUC介于0.72-0.89，优于传统临床评分(p<0.05)，其中随机森林(Random Forest)算法表现最优(AUC=0.87±0.03)。

结论与意义
该研究揭示当前AI预测模型存在三大特征：技术可行性已获验证(平均AUC>0.8)，但临床适用性受限于小样本量(中位数n=158)和高偏倚风险；算法性能呈现"阶梯式"分布，监督学习(Supervised Learning)优于无监督方法；预测特异性(85.6%)显著高于敏感性(73.2%)，提示更擅长排除低风险病例。这些发现为后续研究指明了方向：需开展多中心前瞻性研究验证算法泛化能力，并建立标准化报告规范(RECORD-AI声明)以降低偏倚风险。尽管证据等级有限，该综述证实AI有望成为脊柱外科风险分层的"决策辅助工具"，其临床转化将推动精准医疗在骨科领域的发展。