基于稀疏电子健康记录的腰椎间盘突出症非手术治疗结局预测：患者表型建模与机器学习融合研究

针对腰椎间盘突出症（LDH）非手术治疗结局预测中电子健康记录（EHR）数据稀疏、动态症状捕捉困难的问题，研究人员通过潜在类别轨迹模型（LCTM）结合机器学习，构建了基于Oswestry功能障碍指数（ODI）的患者表型分类系统。结果显示，整合表型特征使预测模型AUROC从0.78提升至0.82，显著提高了临床最小重要差异（MCID）的预测精度，为个性化诊疗决策提供了数据驱动的新范式。

　　

腰痛是全球致残的首要原因之一，而腰椎间盘突出症（LDH）作为常见病因，其非手术治疗效果存在显著个体差异。尽管电子健康记录（EHR）系统积累了海量临床数据，但间歇性录入导致的稀疏性使得症状动态演变难以捕捉，传统预测模型常因"数据荒漠"而失效。更棘手的是，现有研究多依赖随机拆分数据集，存在时间信息泄漏风险，且算法比较缺乏标准化，制约了临床转化。

韩国首尔Jaseng医学基金会脊柱与关节研究所（Jaseng Spine and Joint Research Institute, Jaseng Medical Foundation）的研究团队开展了一项突破性研究。他们创新性地将潜在类别轨迹模型（Latent Class Trajectory Modeling, LCTM）与机器学习结合，利用2017-2021年间五家教学医院的6,732例LDH患者EHR数据，构建了动态预后预测系统。研究首次在严格时间分割（训练集2017-2019年，预测集2020-2021年）条件下验证模型性能，相关成果发表于《International Journal of Medical Microbiology》。

研究团队采用三大关键技术：首先运用LCTM对Oswestry功能障碍指数（ODI）轨迹建模，识别出三类患者表型；其次基于XGBoost等五种算法构建基线预测模型；最后将表型特征作为中间变量整合入预测体系。所有模型均通过Brier评分和可靠性图验证校准度，并采用SHAP值解析特征重要性。

3.1 患者基线特征

队列分析显示，62.5%患者存在下肢放射痛，9.4%伴神经性跛行。MRI证实所有病例存在椎间盘突出，其中L4/5和L5/S1节段病变占比最高。值得注意的是，48.3%患者在出院时达到ODI的MCID阈值（12.8分）。

3.2 ODI轨迹表型鉴定

LCTM揭示三类特征鲜明的恢复轨迹：表型1（65.5%）为"低ODI-快速恢复"组，平均住院16.1天；表型2（22.2%）为"高ODI-缓慢恢复"组，住院时间延长至33.7天；表型3（12.3%）则呈现"高ODI-快速恢复"的矛盾特征，平均7天即可出院。SHAP分析显示，表型2患者多伴有长期口服NSAIDs史和硬膜外注射史，MRI常见颈椎共病。

3.3 预测模型性能提升

在预测集测试中，整合表型特征使梯度提升机（GBM）的AUROC从0.777提升至0.815。关键发现是：表型变量可修正MRI特征的解释偏差——原始模型中重要性被高估的L5/S1脱出征象，在整合模型中被更普遍的突出/膨出征象替代。此外，口服NSAIDs史在表型2中呈现显著负向预测价值，暗示药物过度使用可能延缓恢复。

这项研究开创性地解决了EHR稀疏性带来的临床预测困境。通过LCTM提取的轨迹表型，不仅将MCID预测准确率提升4%，更重要的是建立了可解释的特征-结局映射关系。临床实践中，医生可据此早期识别表型2高风险患者，避免无效治疗；对表型3患者则可减少过度干预。方法论上，严格的时间分割设计和多算法平行比较为同类研究树立了新标准。未来研究可探索该框架在其它慢性疼痛疾病中的应用价值，并进一步优化实时预测的临床部署方案。