一种具有时间验证机制的预测非创伤性脊髓损伤行走能力的机器学习模型

《Neurorehabilitation and Neural Repair》：A Machine Learning Model With Temporal Validation for Predicting Walking Ability in Nontraumatic Spinal Cord Injury

　　

摘要

背景：

行走能力是脊髓损伤（SCI）患者最关心的能力之一。随着人口老龄化，非创伤性脊髓损伤（NTSCI）日益增多，但其预后研究尚不充分。利用入院早期临床指标进行预测，有助于临床决策和康复计划制定。

目的：

初步开发并验证一个基于入院早期临床指标、用于预测NTSCI患者康复后行走能力概率（分类阈值为0.5）的机器学习模型。

方法：

本研究为回顾性研究，包含模型开发和时间序列外部验证。共纳入148例NTSCI患者，随机分配为训练集（80%）和内部测试集（20%）。基于客观临床测量构建四个特征集。比较九种算法；根据AUC、召回率和F2分数选择梯度提升决策树（GBDT），随后进行超参数调优。最终模型在37例NTSCI患者队列（2025年7月至2026年5月）上进行独立验证。获得伦理审批（M202616）和知情同意豁免；回顾性注册（MR-11-26-021748）；无患者参与。

结果：

基于GBDT的模型优于所有其他模型。内部测试中，该模型达到AUC 0.91（95% CI：0.77-1.00）、召回率0.92（95% CI：0.71-1.00）、准确率0.90（95% CI：0.77-1.00）。主要预测因素包括下肢总肌力、年龄及其他指标。时间序列外部验证中表现令人鼓舞，准确率为0.81（95% CI：0.68-0.92），召回率为0.70（95% CI：0.40-1.00）。

结论：

该初步模型可能具有预测NTSCI患者行走能力的潜力；然而，这些发现属于探索性研究，需要在更大规模、多中心队列中确认之后，才能考虑临床应用。

通俗语言摘要

人工智能能否帮助预测非创伤性脊髓损伤后的行走恢复？一个早期结果令人鼓舞的机器学习模型

脊髓损伤会严重影响一个人的行走能力。非创伤性脊髓损伤——由肿瘤或血管问题引起——随着人口老龄化正变得越来越常见，但医生缺乏可靠工具来预测患者在康复后是否能恢复行走能力。这促使我们探索机器学习是否能够帮助解决这一问题。我们假设，早期神经系统检查——如腿部肌力和感觉——将强烈预测行走恢复情况。我们分析了148例患者的数据，并使用机器学习开发了一个预测模型——机器学习方法非常适合捕捉多个临床因素之间的复杂模式。随后，我们在另外37例患者中测试了最终模型。模型表现良好：它正确识别了大多数恢复行走能力的患者。最强的预测因素是腿部肌力、年龄和感觉评分——这些发现与我们的临床预期一致。这些结果表明，早期神经系统指标结合机器学习，可以帮助临床医生识别最有可能从强化康复中获益的患者，从而支持更个性化的护理和更有效的资源利用。然而，该模型是在单中心、患者数量相对较少的情况下开发的。在临床应用之前，其准确性需要在更大规模、多中心的研究中得到确认。在此阶段，应将其视为一个有前景的研究工具，而非可直接使用的临床辅助工具。尽管如此，它为NTSCI患者的个体化康复计划制定迈出了第一步。

获取本文完整访问权限

查看本文的所有访问和购买选项。

获取访问权限