基于机器学习的C2椎弓根螺钉置入中椎动脉损伤预测模型构建与验证

本研究针对C2椎弓根螺钉(C2PS)固定术中椎动脉损伤(VAI)这一严重并发症，通过分析280例头颈部CT血管造影数据，采用8种机器学习算法构建预测模型。研究发现椎弓根直径、高位椎动脉(HRVA)、轴内椎动脉(IAVA)等6项关键解剖学指标可有效预测VAI风险，其中神经网络模型(NNet)表现最优(AUC达0.936)。该模型为术前风险评估提供了精准工具，对降低手术并发症具有重要意义。

　　

在脊柱外科领域，C2椎弓根螺钉(C2PS)固定术因其卓越的生物力学稳定性，已成为治疗创伤、退变和肿瘤等颈椎疾病的重要手段。然而这项"双刃剑"技术隐藏着致命风险——椎动脉损伤(VAI)，虽然临床发生率仅4.1-8.2%，但可能引发假性动脉瘤、血栓栓塞甚至死亡等灾难性后果。更棘手的是，传统术前评估主要依赖医生经验判断，缺乏量化标准，就像在解剖迷宫中"盲走"。

西安交通大学附属红会医院脊柱外科团队在《European Spine Journal》发表的研究，开创性地将人工智能引入这一领域。研究人员通过分析280例头颈部CT血管造影数据，采用三维重建技术模拟螺钉置入过程，首次构建了椎动脉损伤的机器学习预测体系。这项研究犹如为脊柱外科医生装上了"风险预警雷达"，让隐藏在骨骼深处的致命危险无所遁形。

研究采用多学科交叉方法：首先通过Mimics 21.0软件三维重建280例患者的寰枢椎复合体，模拟3.5mm标准螺钉置入轨迹；随后测量15项解剖学参数，包括椎弓根直径、椎动脉直径(VAD)、横突孔-椎体后缘距离(TFPEVB)等；最后运用LASSO回归筛选特征变量，并比较8种机器学习算法性能。所有数据均来自2016-2023年在西安红会医院接受检查的患者，严格排除骨折、肿瘤等干扰因素。

【Development and validation of machine learning models】部分揭示，通过10次10折交叉验证，神经网络模型(NNet)展现出最佳预测性能。训练集和验证集的AUC分别达到0.929和0.936，显著优于逻辑回归等传统方法。决策曲线分析(DCA)显示，当风险阈值>0.4时，该模型能提供最大临床净获益。

【Materials and methods】详细阐述的测量技术颇具创新性：采用双源Force CT扫描仪获取图像，严格定义HRVA(峡部厚度≤5mm或高度≤2mm)、IAVA(分A/B/C三型)等关键参数。图1展示的各项测量指标如椎弓根直径(D)、峡部高度(H)等，为后续建模奠定解剖学基础。

【Results】部分通过SHAP分析(图7)量化了各因素贡献度：IAVA和HRVA是首要风险因素，OR值分别达5.74和4.74。令人惊讶的是，椎动脉直径(VAD)每增加1mm，损伤风险上升2.28倍，这解释了为什么某些看似安全的病例仍会发生VAI。表2的多因素分析进一步证实，TFPEVB每减小1mm，风险增加33%。

讨论部分深刻指出，这项研究破解了三个临床谜团：首先明确了C型IAVA(内侧偏移-高位椎动脉)是绝对禁忌证，这类患者应考虑椎板螺钉替代方案；其次发现模拟手术的VAI率(35%)远高于临床报告，提示多数损伤可能被现行检测手段漏诊；最重要的是建立了首个量化预测体系，使医生能像天气预报般预判手术风险。

该研究的临床转化价值不可估量：术前输入6项常规CT测量指标，系统即可生成个性化风险评估报告。对于高风险病例，可提前准备血管介入预案或改用替代固定方式。正如通讯作者Lequn Shan强调的，这项技术将推动脊柱手术从"经验驱动"迈向"数据驱动"的新纪元。未来通过多中心验证完善模型后，有望成为颈椎内固定术前的标准评估流程。