基于潜在类别轨迹模型与机器学习的腰椎间盘突出症非手术整合治疗预后预测研究

本研究针对电子健康记录(EHR)数据稀疏性导致的腰椎间盘突出症(LDH)预后预测难题，创新性整合潜在类别轨迹模型(LCTM)与机器学习算法，通过分析6732例患者5年纵向数据，构建了可识别三种症状进展表型（快速/慢速恢复组）的预测模型。该模型将MCID预测AUC提升至0.82，为个性化诊疗决策提供数据驱动的新范式，发表于《International Journal of Medical Informatics》。

　　

慢性腰痛患者常面临治疗响应差异大的困扰，尤其腰椎间盘突出症(LDH)的非手术整合治疗效果预测更是临床难点。电子健康记录(EHR)虽积累海量数据，但稀疏的随访记录（如间歇性填写的疼痛评分）难以反映症状动态演变。传统预测模型常因忽略病程时间维度、存在数据泄漏风险而实用性受限。韩国Jaseng脊柱与关节研究所(Jaseng Spine and Joint Research Institute)的Ye-Seul Lee团队创新性地将潜在类别轨迹建模(LCTM)与机器学习结合，利用5年6732例患者数据，破解了稀疏EHR数据的价值挖掘难题。

研究采用2017-2019年数据训练模型，2020-2021年数据独立验证的严格时序分割策略。关键技术包括：1) 基于Oswestry功能障碍指数(ODI)的LCTM轨迹建模识别患者表型；2) 五种机器学习算法（XGBoost/GBM/RF/NN/GLM）比较；3) 以最小临床重要差异(MCID=12.8分)为终点指标；4) 通过SHAP值解析预测特征重要性。

【研究结果】

1. 患者表型识别：LCTM划分出三类ODI进展轨迹：表型1（65.5%，低ODI-快速恢复）、表型2（22.2%，高ODI-慢速恢复）和表型3（12.3%，高ODI-快速恢复），住院时长分别为16.1/33.7/7.03天。

2. 表型特征解析：XGBoost表型分类器AUC达95.3-97.3%。关键特征显示：表型1多为年轻、症状轻且MRI仅见腰椎膨出；表型2伴长期NSAIDs/激素注射史及颈椎病变；表型3虽MRI显示突出但恢复迅速。

3. 预后预测提升：在独立验证集上，整合表型变量的组合模型将MCID预测AUC从0.78提升至0.82。特征重要性分析揭示：既往激素注射史与不良预后强相关（SHAP值<-0.2），而表型变量成为仅次于基线ODI的第二重要特征。

【结论与意义】

该研究首次在LDH领域实现：1) 通过LCTM将稀疏时序数据转化为可操作表型；2) 证明表型整合可使预测模型避免"随机拆分"导致的信息泄漏；3) 发现临床悖论——表型3患者尽管影像学严重却恢复迅速。成果为慢性疼痛的精准医疗提供新工具，其"先分型再预测"框架可推广至其他需处理稀疏EHR数据的预后研究。政策层面，表型识别有助于优化医疗资源配置，如对表型2患者提前规划长期康复方案。论文发表于《International Journal of Medical Informatics》，为临床决策支持系统的开发奠定方法论基础。