《International Orthopaedics》：Predicting postoperative coronal imbalance in Lenke 1/2 adolescent idiopathic scoliosis: A machine learning model with clinical interpretability
编辑推荐：
目的：选择性后路胸椎融合术（sPTF）治疗Lenke 1/2型青少年特发性脊柱侧凸（AIS）旨在协调多平面矫正与运动保留。然而，术后冠状面失衡（CIB）常影响这些目标。本研究开发了一种可解释的机器学习架构，以分层CIB风险并识别关键预测因子。方法：研究人员分析
目的：选择性后路胸椎融合术（sPTF）治疗Lenke 1/2型青少年特发性脊柱侧凸（AIS）旨在协调多平面矫正与运动保留。然而，术后冠状面失衡（CIB）常影响这些目标。本研究开发了一种可解释的机器学习架构，以分层CIB风险并识别关键预测因子。方法：研究人员分析了282例患者的数据。在24个候选预测因子中经过双阶段降维（Boruta和LASSO）后，训练并评估了10种机器学习架构，采用分割样本内部验证。通过曲线下面积（AUC）、Brier评分和决策曲线分析评估模型效能，并使用SHapley Additive exPlanations（SHAP）框架实现算法透明性。结果：LightGBM模型表现出良好的性能，在训练集和内部验证集中分别达到0.885和0.824的峰值AUC。SHAP识别出三个关键预测因子：最低固定椎体与最后一个实质性接触椎体（LIV-LSTV）的空间关系、区域腰椎适应性（Lumbar Modifier）和骨骼成熟度（Risser等级）。较低LIV-LSTV值、Lumbar Modifier C型和较低Risser等级与更高的CIB预测风险相关。结论：该框架整合了远端固定选择、腰椎曲线形态和骨骼成熟度的信息。该模型可为未来术前CIB风险评估提供初步基础，并支持对畸形矫正与保留腰椎运动节段之间权衡的更明智评估。在模型用于指导手术决策前，需要进行独立的外部验证。
**研究背景与问题**
青少年特发性脊柱侧凸（AIS）手术管理，尤其是选择性后路胸椎融合术（sPTF）治疗Lenke 1型和2型曲线，需要在多平面畸形矫正与运动保留之间取得精细平衡。然而，术后冠状面失衡（CIB）是常见并发症，其发生率因AIS曲线模式和术后评估时间点而异。持续CIB（定义为冠状面平衡距离（CBD）绝对值>20 mm）不仅影响美观效果，还与健康相关生活质量（HRQoL）下降及需翻修的机械性内固定失败相关。由于胸椎主导曲线固有的复杂非线性生物力学特点，准确预测CIB极具挑战性。尽管已识别出一些风险因素，但这些因素很少适用于Lenke 1/2型患者。胸椎主导曲线的独特骨盆代偿机制可能限制传统线性模型捕捉潜在非线性关系和交互作用的能力。此外，样本量相对较小，关于Lenke 1/2型AIS患者矫正术后CIB的主要原因和风险因素的报道较少，术后CIB是否可预测仍不明确。近期，机器学习（ML）模型在通过捕捉传统统计方法未能充分代表的复杂关系来预测术后并发症方面显示出潜力。为弥补这一证据缺口，本研究基于单中心回顾性分析，开发了一种可解释的基于ML的模型，用于预测Lenke 1/2型AIS患者术后CIB，旨在分层CIB风险，并为术前规划提供初步数据驱动框架。该论文发表在《International Orthopaedics》。
**关键技术方法**
本研究为单中心回顾性设计，样本来源于湘雅医院282例接受sPTF的Lenke 1/2型AIS患者（2016年1月至2021年5月）。主要技术方法包括：1）双阶段降维，先通过Boruta算法消除冗余特征，再通过LASSO回归（L1正则化，使用1-SE标准）优化特征子集，最终从24个候选预测因子中保留三个关键变量：LIV-LSTV、Lumbar Modifier和Risser等级；2）构建并比较10种机器学习架构（包括Logistic回归、LightGBM、随机森林等），通过七三分割进行内部验证，采用AUC、Brier评分和决策曲线分析（DCA）评估模型性能；3）嵌入SHAP框架实现算法透明性，提供全局预测因子重要性和患者特异性风险贡献。
**研究结果**
**患者特征与单变量分析**：在282例患者中，58例发生术后CIB。训练集（197例）和内部验证集（85例）基线特征无显著差异。CIB组患者腰椎曲线灵活性显著较低，LIV-LSTV节段数较少，Risser等级分布不同（P=0.014），且Lumbar Modifier B型和C型比例显著更高（P<0.001）。
**降维与特征选择**：通过双阶段筛选，Boruta算法将24个候选因子缩减至10个，LASSO回归（λ1se=0.041）最终保留三个预测因子：LIV-LSTV、Risser等级和Lumbar Modifier。
**模型性能评估**：LightGBM模型表现最优，在训练集AUC为0.885（95% CI: 0.832–0.938），内部验证集AUC为0.824（95% CI: 0.717–0.930）。与传统多变量Logistic回归（LR）相比，LightGBM在内部验证集AUC（0.824 vs. 0.765）、准确率（0.776 vs. 0.659）和F1评分（0.537 vs. 0.473）上数值更高，Brier评分更低（0.118 vs. 0.125）。校准图和DCA显示LightGBM提供良好净收益。
**算法可解释性与风险解构**：SHAP分析揭示三个关键预测因子对CIB风险的贡献：LIV-LSTV、Lumbar Modifier和Risser等级。较低LIV-LSTV、Lumbar Modifier C型和较低Risser等级与更高CIB预测风险相关。瀑布图和力图展示了个体患者特异性预测因子贡献。
**讨论与结论**
研究开发了一个可解释的LightGBM模型，用于预测Lenke 1/2型AIS患者术后CIB。通过SHAP框架，识别出三个关键预测因子：LIV-LSTV、Lumbar Modifier和Risser等级。这些发现为个体化术前风险评估提供了初步基础。与既往研究相比，本研究聚焦于选择性后路胸椎融合术后CIB，并评估了LIV-LSTV、Lumbar Modifier和Risser等级的综合贡献。LightGBM模型能捕捉非线性关系和交互作用，但性能提升是否具有临床意义需外部验证。若经外部验证，该模型可能用于术前风险分层，帮助识别需更仔细审查的计划LIV、未融合腰椎曲线代偿能力和骨骼成熟度的患者，并支持医患沟通。但模型尚未评估其是否改变手术决策或改善患者结局。研究局限性包括：单中心回顾性设计限制外部效度；未进行外部验证；CIB与CB组比例失衡（约1:4）；有限的事件数可能影响模型稳定性和预测性能；未应用类加权或重采样策略；SHAP框架无法从回顾性数据中提取明确生物力学因果关系；模型依赖静态影像参数，未捕捉动态平衡变化。未来需进行前瞻性多中心外部验证，并评估类加权算法、重采样策略和动态参数（如三维运动分析）能否进一步优化风险预测。
**研究结论**：这项单中心研究开发了一个可解释的LightGBM模型，用于预测Lenke 1/2型AIS患者术后CIB。SHAP分析识别出远端固定选择（LIV-LSTV）、腰椎曲线形态（Lumbar Modifier）和骨骼成熟度（Risser等级）为主要预测因子。该模型在内部验证中表现出良好性能，使用常规可获得的术前变量。若经外部验证，它可作为全面影像学评估和外科医生判断的辅助工具，通过识别可能需要更仔细审查计划LIV的患者，并支持关于冠状面稳定性与保留腰椎运动节段之间权衡的咨询。在模型用于指导常规临床决策前，需要进行独立的多中心前瞻性评估，以确立其泛化性和临床实用性。
