《KNEE SURGERY, SPORTS TRAUMATOLOGY, ARTHROSCOPY》：Artificial intelligence across the continuum of care for the aging musculoskeletal patient: From longitudinal phenotyping to personalized surgery and recovery monitoring
编辑推荐：
肌肉骨骼照护正被人口老龄化、多病共存、衰弱、骨质疏松症、肌少症、多重用药以及术后失去独立生活能力的脆弱性增加所重塑。人工智能（AI）已进入骨科研究，但其临床转化仍受限。许多模型处理孤立的诊断、影像或短期预测任务，而非决定老年肌肉骨骼患者结局的纵向照护轨迹。因此
肌肉骨骼照护正被人口老龄化、多病共存、衰弱、骨质疏松症、肌少症、多重用药以及术后失去独立生活能力的脆弱性增加所重塑。人工智能（AI）已进入骨科研究，但其临床转化仍受限。许多模型处理孤立的诊断、影像或短期预测任务，而非决定老年肌肉骨骼患者结局的纵向照护轨迹。因此，核心局限并不简单在于老年人是否被纳入数据集，而在于AI系统是否在老年骨科照护连续体中具有效度。本综述主张从任务特异性骨科AI转向面向老年肌肉骨骼患者的照护连续体AI。在上游，影像组学、纵向骨关节炎（OA）表型分析、机会性计算机断层扫描（CT）骨骼评估以及AI增强的双能X线吸收法（DXA）建模，可能改善对疾病进展、骨折风险、治疗失败和手术时机的预测。在干预节点，AI辅助关节置换术规划可能有助于推动全膝关节置换术（TKA）从通用对线目标转向表型特异性重建策略，这些策略需考虑结构性对线、骨形态、韧带包络、神经肌肉控制、衰弱和功能储备。围手术期，自动化衰弱和肌少症表型分析、可穿戴步态分析以及整合影像、电子健康记录、实验室数据、药物、患者报告结局和可穿戴信号的多模态时间模型，可能支持动态风险预测。出院后，对活动能力、睡眠、疼痛轨迹、伤口相关症状和康复依从性的连续监测，可能有助于弥合术后90天高风险监测缺口。然而，临床采纳所需的不只是高区分度。可解释AI应被理解为更广泛信任框架的一个组成部分，该框架还包括校准、不确定性量化、决策曲线分析、外部和前瞻性验证、工作流程整合、部署后监测和问责制。骨科AI的未来不仅仅是更好的诊断或更精确的手术，而是贯穿整个照护连续体的纵向、多模态支持：预测进展、选择治疗、个性化手术、优化围手术期照护、监测恢复并保持活动能力和独立性。证据等级：IV级。
引言
骨科手术正面临人口、经济和技术转变。老年肌肉骨骼患者常合并骨质疏松、肌少症、骨关节炎（OA）和多病共存，一次脆性骨折或关节置换失败可导致不可逆失独立或死亡。当前骨科AI多处理孤立诊断、影像或短期预测任务，而非决定老年患者结局的纵向照护轨迹。本综述的核心是连续体效度：AI需在整个老年骨科照护轨迹中保持临床有效，而非单点决策。研究人员主张从任务特异性骨科AI转向面向老年肌肉骨骼患者的照护连续体AI。
从年龄包容性模型到老年效度照护连续体AI
年龄包容性AI将老年人纳入训练或验证队列，并可能纳入实际年龄预测因子；老年效度模型进一步表征影响老年骨科结局的生物学、功能、认知和社会维度，如衰弱、肌少症、骨质疏松、步速、平衡、营养、药物负担、认知脆弱、社会支持、康复能力和失独立风险。任务特异性AI预测单时点离散输出；照护连续体AI连接多时间点、模态和决策，涵盖上游疾病表型、骨折风险识别、治疗选择、手术规划、围手术期优化、出院后监测、康复指导和长期功能保存。老年骨科不良结局常源于骨、肌肉、认知、活动、共病、药物和照护环境等多系统脆弱性交互。
老龄化肌肉骨骼照护连续体：人口学、临床和经济需求
全球人口老龄化迅速。65岁以上成人占美国人口17.3%，却承担37%诊断影像和34%住院骨科手术。欧洲65岁以上约占EU-27人口五分之一，预计2070年超过30%。症状性膝OA患病率将随长寿、肥胖、代谢病和久坐增加。欧洲每年约620,000例髋部骨折，预计本世纪中叶翻倍。传统骨科工作流偶发且反应性，与老年OA患者逐渐、多维且灾难性功能下降前可检测的临床恶化不兼容。
健康经济学必要性：AI作为老年骨科照护的经济必然
2021年全球肌肉骨骼疾病（MSK）经济负担达$2.1 trillion，约全球GDP 1.41%。膝OA产生直接手术成本、生产力损失、康复需求、镇痛消费和长期依赖成本。美国在择期关节置换后90天承担全谱成本，AI若能减少非计划再入院、手术部位感染、识别预康复获益者或促进安全转归，可产生可测量财务收益。AI还可在术前预测OA表型，减少无效保守治疗、重复影像和不必要注射，并防止指征不一致的过早关节置换。欧洲虽机制不同，AI术前表型可识别需增强资源分配的衰弱、肌少症或骨质疏松患者，支持预防干预商业案例。个性化关节置换中，翻修、不稳、不满和跌倒常源于患者表型与手术策略不匹配。AI辅助规划可减少生物力学不匹配的下游成本。AI不是替代临床专长，而是资源受限系统的力量倍增器。
核心临床证据：AI在老年肌肉骨骼患者中的应用
为何膝OA是老年患者中具有临床意义AI整合的最高收益靶点
膝OA逐渐演变，与系统老化交互并产生累积残疾。当前AI多聚焦自动影像分级、软骨分割和疾病分类，仅解决部分决策。OA管理核心是预测轨迹、症状进展、功能下降、保守治疗反应和手术时机。放射组学可桥接常规影像与纵向OA表型。Kellgren–Lawrence分级和关节间隙评估不捕捉高维影像异质性。定量影像特征如软骨下骨纹理、骨形状、骨赘、关节间隙不对称、软骨形态、半月板病理、骨髓病变和软组织特征可能识别影像表型。对老年患者，更相关问题包括是否快速进展、疼痛与影像是否不一致、保守治疗是否失败、步态障碍或肌少症是否加速衰退、何时转诊关节置换合适。放射组学标志物应与患者报告结局、临床风险因素、步态、可穿戴、衰弱和肌少症测量整合。结构严重度与残疾常不一致。多模态表型可能改变关节置换决策，连续估计恶化、康复成功、跌倒、不满、长期阿片使用或翻修概率。在合并多病老年患者中，TKA决策还取决于生理储备、肌少症、心血管风险、认知、社会支持和康复能力。
个性化关节置换和AI驱动的手术规划
AI最大影响可能在个体化手术执行。当代TKA仍争议对线哲学、软组织平衡、植入物定位、运动学恢复和结构解剖。整合对线、表型、韧带、步态、骨形态、骨密度、可穿戴和症状的机器学习模型可使规划从通用对线转向个体化生物力学重建。传统机械对线常将中性冠状对线视为通用目标，但患者结构性内翻/外翻、关节线倾斜、骨形态、旋转解剖、韧带包络、骨质量、神经肌肉控制和衰弱差异大。对线表型为患者特异性重建包络提供基础。老年患者中次优重建后果超出不满，可致不稳、僵硬、疼痛、跌倒、去适应、肌少症加速和失独立。因此，机器人和AI辅助关节置换价值可能更多取决于识别与解剖、软组织、骨质量和恢复潜力相容的重建策略，而非单独精度。
AI赋能的机会性CT如何在老年患者脆性骨折风险预测中优于骨折风险评估工具（FRAX）
FRAX整合年龄、性别、体重指数（BMI）、既往骨折和糖皮质激素暴露，估计10年骨折概率，但存在结构局限。Pickhardt等支持机会性CT骨骼表型分析。机会性筛查经济逻辑透明：在已获取、计费和归档影像上分析，边际成本趋近零。Grassi等针对DXA局限：面积骨密度（aBMD）不捕捉几何和三维负载力学。其AI方法从单张二维DXA重建三维髋部解剖，实现多个跌倒配置下股骨近端强度个体化有限元（FE）建模。两种方法利用现有基础设施、边际成本低，并优于当前标准。
自动化衰弱和肌少症表型分析：量化隐形混杂因素
老年骨科病房肌少症高发：约37%髋部骨折患者和约48.7% TKA候选者。衰弱和肌少症评估自动化成为风险沟通、知情同意和资源分配前提。Kraus等评估57例平均77岁患者，在Timed Up and Go（TUG）测试中使用压力敏感鞋垫，随机森林衰弱预测AUC 0.919，优于单独TUG（0.862）和SARC-F（0.639）。Fan等招募214名社区老年人，结合综合老年评估（CGA）与6分钟步行测试（6MWT）可穿戴步态参数，多模态模型AUC 0.926，16个最优特征版AUC 0.969。术前衰弱与住院延长、ICU、康复依赖和90天再入院相关，在捆绑支付下由手术机构承担。
围手术期优化和出院后恢复监测：多模态动态风险预测
围手术期临床和经济最关键，却监测最差。感染、心脏失代偿、多重用药、跌倒、谵妄、深静脉血栓主要发生在未监测出院后间隔。Bloomfield研究显示可穿戴步态参数可预测TKA后恢复轨迹，AUC 0.80-0.86。但围手术期风险需多模态。未来AI应整合术前影像、CT/MRI身体成分、放射组学、电子健康记录、实验室、药物、共病、患者报告结局、衰弱/肌少症和步态；术后用步数、活动、心率、睡眠、疼痛、伤口症状、康复依从性更新，估计90天动态风险轨迹。目标不是预测而是闭环照护，高风险连接预康复、药物审查、营养、贫血纠正、跌倒预防、增强康复、早期伤口评估、心肺评估或远程监测。欧洲运动创伤、膝关节外科和关节镜学会（ESSKA）AI工作组认为当前局限是架构：应融合影像、结构化电子健康记录（含实验室和药物）以及可穿戴/远程实时数据，支持术前诊断和风险预测、术中精度和术后并发症检测。可穿戴监测在老年TKA中最具临床效用的生理域包括睡眠；睡眠中断影响免疫、疼痛感知、神经恢复和肌肉骨骼愈合。
信任、可解释性和临床及支付方采纳路径
为何不可解释AI不能被用于高风险老年手术决策
AI能力超前于部署所需信任。模型默认不能阐明哪些患者特征驱动预测、比例和确定性。医生对黑箱预测犹豫合理，高风险决策需可解释证据。外科医生不能理解高死亡率风险则难以共享决策；患者不能理解则难以知情同意。不透明还使错误归因和医疗法律责任复杂化，无法区分算法失败、实施失败或临床医生误解。
SHAP值、显著性映射和不确定性量化如何促成临床AI信任
可解释AI（XAI）提供方法：显著性映射和注意力热图显示影像模型空间逻辑；SHapley Additive exPlanations（SHAP）和Local Interpretable Model-agnostic Explanations（LIME）显示表格/多模态模型中贡献最大的临床特征；不确定性量化提供校准置信区间，使医生适当加权并在置信不足时升级至人类判断。但单独可解释性不足。可信框架为：信任=可解释性+校准+验证+工作流整合+问责制。校准确保预测概率对应事件率；不确定性量化提示不可靠或分布外；决策曲线分析评估净获益；外部和前瞻性验证测试泛化；部署后监测检测数据、模型和工作流漂移；问责制明确监督、警报响应、升级和不良事件审查。连续体AI错误可能影响诊断、手术时机、优化强度、出院、康复、远程监测和共享决策，因此老年骨科可信AI必须可解释、校准、验证、可操作、受监测和可问责。
结论
骨科AI面临关键不匹配：老年患者驱动手术量、成本和并发症，但AI发展未跟上。主要局限不是老年人缺席数据集，而是未将其表征为纵向老年表型。机会性CT、DXA建模和传感器衰弱表型可识别常规计算器漏掉的风险；连续可穿戴监测弥补术后监测缺口；代理AI架构可整合为可扩展照护路径。未来价值不仅是更好诊断或更精确手术，而是纵向、多模态、老年有效架构：预测进展、选择治疗、个性化手术、优化围手术期照护、监测恢复和保持活动能力与独立性。需将衰弱、肌少症、骨质疏松、步态障碍、多重用药、认知脆弱、康复能力、社会支持和急性后期需求作为核心特征。转化需可信AI系统基于可解释性、校准、不确定性量化、决策曲线分析、前瞻性验证、工作流整合、部署后监测和问责制。目标不是替代临床判断，而是扩展至当前偶发照护不可见的时间点和数据流。
