基于患者与影像学参数的机器学习模型在非骨水泥型全膝关节置换术候选者筛选中的应用研究

为解决非骨水泥型全膝关节置换术(TKA)缺乏客观患者选择标准的问题，研究人员开发了基于患者BMI、年龄、性别及CT亨氏单位(HU)骨密度指标的机器学习模型。该模型通过局部可解释性算法与集成学习技术，在217例患者测试中实现AUC=0.94，特异性达97.4%，为临床决策提供了智能化工具。

　　

非骨水泥型全膝关节置换术(cementless TKA)的应用在过去十年显著增长，但患者选择始终缺乏客观标准。这项研究创新性地构建了融合临床与影像学参数的机器学习模型，通过分析217例初次TKA患者的医疗数据，将胫骨近端四个象限的CT亨氏单位(HU)值作为骨矿物质密度替代指标。

研究团队采用可解释人工智能技术——局部可解释模型无关解释(LIME)，结合装袋集成(bagging)人工神经网络算法。在包含22例骨水泥型和38例非骨水泥型TKA的测试集中，模型展现出惊人的判别能力：准确识别86.4%的骨水泥型适应症患者(19/22)和97.4%的非骨水泥型适用病例(37/38)，曲线下面积(AUC)高达0.94。

特别值得注意的是，该模型通过量化胫骨近端骨密度分布，突破了传统依赖主观经验的局限。随着训练数据的扩充，模型的预测性能有望进一步提升。未来研究方向包括扩大样本规模，以及开发自动化的HU值提取技术，这将显著提升临床转化效率。

利益冲突披露显示，主要研究者Malkani博士与Stryker Orthopedics等企业存在合作关系，其他作者则声明无相关利益冲突。这些透明化披露为研究成果的可信度提供了必要保障。