基于SHAP可解释XGBoost模型的单侧双通道内镜术后腰椎间盘突出复发预测研究

研究人员针对腰椎间盘突出症(LDH)患者接受单侧双通道内镜(UBE)脊柱手术后复发风险预测难题，开展机器学习研究。采用LASSO回归筛选特征，XGBoost构建模型，结果显示高AUC值（训练：0.927，95%CI：0.882–0.958；测试：0.866，95%CI：0.760–0.937），并识别关键风险因素如突出宽度(WPB)等。该模型提升复发预测能力，支持临床早期干预，改善术后结局。

　　在脊柱手术的奇妙世界里，腰椎间盘突出症(LDH)患者接受单侧双通道内镜(UBE)手术虽能缓解疼痛，却暗藏术后复发风险——这就是复发腰椎间盘突出症(rLDH)的谜题！研究人员探索了271例患者的临床数据，其中47例复发，复发率达17.3%。为了解码这个难题，他们先用LASSO回归筛选关键特征，再构建XGBoost机器学习模型，并借助SHAP方法提升模型可解释性。结果令人振奋：模型预测性能优异，AUC值高达0.927（训练集）和0.866（测试集），95%置信区间(95%CI)覆盖精准范围。通过SHAP分析，变量重要性排名揭晓：突出宽度(WPB)越大、骨切除范围(BRR)越广、术前Modic改变(Modic Change)越显著，复发风险越高；而高脂血症(Hyperlipidemia)和突出型LDH(Type of LDH)则扮演保护角色，与复发负相关。这一发现不仅为临床医生点亮预警灯，还助力早期干预，让术后生活更美好！