《JMIR Research Protocols》：Machine Learning–Based Predictive Model for Functional Independence in Spinal Cord Injury: Protocol for a Predictive Rule Development and Validation Study
编辑推荐：
背景：脊髓损伤（SCI）通过破坏脊髓通路导致严重残疾，使得功能独立性成为康复的核心目标。2024年，全球约有1540万人患有SCI。尽管具有临床相关性，传统预后工具，特别是《脊髓损伤神经学分类国际标准》（ISNCSCI），存在局限性。此外，先进诊断技术的可及性
背景：脊髓损伤（SCI）通过破坏脊髓通路导致严重残疾，使得功能独立性成为康复的核心目标。2024年，全球约有1540万人患有SCI。尽管具有临床相关性，传统预后工具，特别是《脊髓损伤神经学分类国际标准》（ISNCSCI），存在局限性。此外，先进诊断技术的可及性限制了预测能力。现有模型常无法估计独立性，限制了目标设定和资源规划。目的：本研究旨在开发并验证基于机器学习（ML）的规则，以预测脊髓损伤（SCI）患者伤后3、6和12个月的功能独立性，该功能独立性通过脊髓独立性评估量表第三版（SCIM-III）测量。模型结合临床入院预测因子，这些因子易于获取以增强预测性能：年龄、性别、受伤后时间、上下肢肌力、国际标准（美国脊髓损伤协会损伤量表分级和神经损伤平面）、康复类型以及研究团队验证的躯干控制量表评分。方法：利用墨西哥国立康复医院Luis Guillermo Ibarra Ibarra（INR LGII；国家级三级康复转诊中心）2015年至2026年的回顾性电子病历进行模型开发，并使用前瞻性独立队列（2026年10月至2027年10月）进行外部验证。本研究将开发ML模型以准确且通用地预测SCIM-III结果。符合条件的参与者为年龄在18岁及以上的亚急性或慢性SCI成人。比较六种架构：线性回归、分类与回归树、类别型梯度提升（梯度提升算法）、轻量级梯度提升机、多层感知器和高斯过程回归，采用10折分层交叉验证进行内部验证。性能通过均方根误差、平均绝对误差、R2、曲线下面积、校准图和决策曲线分析评估。该方法优先考虑可重复性、可解释性和临床适用性，以解决先前模型的局限性（样本量小、验证有限和输入要求不切实际）。关键步骤包括数据预处理、特征选择、使用适当算法进行模型训练，以及针对现有预后基准进行稳健评估。整合了外部验证和伦理考量，并在可行的情况下承诺数据共享。结果：该研究于2025年10月获批并获得资助。回顾性开发队列目标为500份注册记录（来自2015年至2026年），收集时间为2025年10月至2026年6月。截至2026年3月，已处理119份记录。ML开发计划于2026年6月至2027年3月进行。外部前瞻性验证队列（n=100）计划于2026年10月至2027年10月进行，验证计划于2027年6月至2028年3月进行。结果预计于2028年1月公布。结论：将开发一种可靠、临床可行的基于机器学习的预测工具，用于估计SCIM-III轨迹，以支持SCI护理中的目标设定、康复规划和资源分配。模型性能将与已发表的SCI预测规则进行基准比较，如果在前瞻性验证队列中优于平均分数基线和现有规则，则被视为具有临床实用性。试验注册：Open Science Framework osf.io/4fmy6；https://osf.io/4fmy6/overview 国际注册报告标识符（IRRID）：DERR1-10.2196/95236
### 论文解读：基于机器学习的脊髓损伤功能独立性预测模型方案
#### 研究背景与问题
脊髓损伤（spinal cord injury, SCI）是导致残疾的重要原因，因脊髓上行和下行通路受损，严重影响患者的功能独立性和生活质量。康复医学的核心目标之一是帮助患者实现功能独立性，而目标设定（goal setting）是患者、家属及多学科团队共同参与的关键环节。然而，临床目标设定常缺乏客观依据，存在争议。当前主要预后工具是《脊髓损伤神经学分类国际标准》（International Standards for Neurological Classification of Spinal Cord Injury, ISNCSCI），但其预测性能有局限，例如对轻度损伤（美国脊髓损伤协会损伤量表AIS D级）存在天花板效应，以及初始检查或随访时易出现误分类。其他预测方法如磁共振成像（magnetic resonance imaging, MRI）、脑脊液生物标志物和神经生理学测量，虽有一定价值，但多数中心难以在急性期获得，且通常需在伤后数小时内进行，这在许多地区不现实。现有临床预测规则多聚焦于步行能力预测，且使用回归模型，并非最优预测模型。一项近期研究关注独立性，但使用功能独立性测量（Functional Independence Measure, FIM）评分（非SCI特异性），且仅限于颈髓损伤患者，限制了其适用性。因此，需要开发基于机器学习（machine learning, ML）的、使用特异性验证工具（如脊髓独立性评估量表第三版，Spinal Cord Independence Measure version III, SCIM-III）的预测规则，以更准确地估计SCI患者的功能预后。
#### 研究目标与设计
本研究旨在开发并验证基于ML的规则，预测SCI患者伤后3、6和12个月的功能独立性（以SCIM-III测量）。研究假设：利用临床变量（年龄、受伤后时间、上下肢肌力UEMS/LEMS、躯干控制）结合ML算法，可开发可靠且临床相关的功能预测规则。研究在墨西哥国立康复医院Luis Guillermo Ibarra Ibarra（INR LGII）进行，该中心为国家三级康复转诊中心。研究设计为观察性、分析性、混合设计（回顾性-前瞻性），包括两个部分：回顾性收集2015年至2026年患者电子病历（目标500份，用于模型开发与内部验证），以及前瞻性纳入2026年10月至2027年10月的新患者队列（n=100，用于外部验证）。纳入标准：年龄≥18岁，亚急性或慢性SCI（创伤性或非创伤性）。排除标准：合并严重神经疾病、无运动缺陷、年龄<18岁。剔除标准：缺失数据超过30%、严重记录错误、重复记录或知情同意撤回。
#### 关键技术与方法
本研究采用的关键技术方法包括：（1）数据预处理：对缺失数据采用两步插补策略（<10%缺失用中位数/众数，10%-30%用预测均值匹配多变量回归插补）；连续变量进行Z分数归一化或最小-最大缩放；分类变量（AIS分级、康复类型）进行独热编码；若冗余则考虑主成分分析（principal component analysis, PCA）降维。（2）特征选择：综合滤波法（Pearson/Spearman相关、ANOVA F检验）、嵌入法（基尼重要性、正则化系数）和包装法（递归特征消除加交叉验证）。（3）模型训练：比较六种模型架构——多元线性回归（可解释基线）、分类与回归树（CART，生成透明IF-THEN规则）、类别型梯度提升（CatBoost，原生处理类别变量）、轻量级梯度提升机（LightGBM，高效处理大数据）、多层感知器（MLP，含两层隐藏层）和高斯过程回归（GPR，提供概率预测和95%可信区间）。（4）过拟合预防：采用数据分区（60/20/20训练/验证/测试）、10折分层交叉验证、算法级正则化（丢弃法、L1/L2正则化、早停等）、特征选择、奥卡姆剃刀原则（偏好简单模型）、保守超参数优化（贝叶斯优化），以及最终在前瞻性外部验证队列上进行无偏评估。（5）模型评估：主要回归指标包括均方根误差（RMSE）、平均绝对误差（MAE）、R2、校准图；次要分类分析采用SCIM-III临床阈值（≥55分代表可出院，≥75分代表高独立性），使用ROC曲线下面积（AUC）、敏感度/特异度、决策曲线分析。可解释性通过Shapley加法解释（SHAP）值实现。样本队列来源为INR LGII的电子病历系统。
#### 研究结果（预期与计划）
**结果（Results）**：本研究于2025年10月获得资助（墨西哥科学、人文学科、技术与创新秘书处CBF-2025-I-3891）并获伦理批准（INRLGII 128/25）。回顾性数据提取于2025年10月开始，截至2026年3月，已提取并匿名化119份符合条件的患者记录，正在进行质量控制与预处理。ML模型开发计划于2026年6月至2027年3月进行。外部验证队列（n=100）计划于2026年10月至2027年10月招募，外部验证于2027年6月至2028年3月进行。研究结果预计于2028年1月提交发表。
**讨论（Discussion）**：
- **主要发现（预期）**：本研究将开发墨西哥首个基于ML的SCIM-III预测模型。研究人员预期纳入躯干控制量表（ECT，研究团队开发的，未被ISNCSCI捕获的变量）与经典临床变量（UEMS、LEMS、AIS、年龄、受伤后时间）将显著提高预测准确性，优于仅基于神经学分类的模型。初步数据表明躯干控制可解释大量功能独立性变异。通过SHAP分析的比较模型将识别预测准确性与临床可解释性之间的最佳平衡。
- **与既往工作比较**：既往研究如van Middendorp等开发的基于年龄和神经参数的步行预测规则，Kaminski等报告的基于四项初始检查参数的SCIM-III简单方程，以及Zhong等的系统综述显示ML模型优于传统统计模型。本研究在此基础上引入躯干控制变量，并采用多种ML架构。
- **局限性**：回顾性设计存在不可避免的偏倚，且无法控制混杂变量；样本量对ML而言较小；单中心研究可能限制普适性；尽管采用两步插补策略，仍可能存在缺失数据残余偏倚；高容量架构（MLP、GPR）在较少的开发样本上可能不稳定；未测量参与（国际功能、残疾和健康分类）因素；未纳入生物标志物或先进神经影像学。但研究人员指出在低收入国家，多数中心缺乏急性期开展这些检查的技术。
- **结论**：SCI后功能独立性恢复的早期预测有助于从急性期制定康复策略。利用ML，本研究旨在开发工具识别关键临床预测因子并提供决策支持系统，从而预测在急性康复中心入院时恢复的独立程度。该方案开发了墨西哥首个基于ML的SCI功能预测工具，可实现个性化康复规划并准备临床应用，为未来SCI康复研究奠定基础。研究结论部分翻译：SCI后功能独立性恢复的早期预测有助于从急性期制定患者管理中的康复策略。利用ML，我们旨在开发一种工具，使我们能够识别关键临床预测因子并提供决策支持系统，从而预测在急性康复中心入院时恢复的独立程度。该方案开发了墨西哥首个基于ML的SCI功能预测工具，允许个性化康复规划并准备临床应用，为未来SCI康复研究奠定基础。
