基于三维打印衍生关节吻合生物力学的踝关节骨折后创伤性骨关节炎的机器学习预测

《Frontiers in Medicine》：Machine learning prediction of post-traumatic osteoarthritis based on three-dimensional printing-derived joint congruence biomechanics in ankle fractures

　　

目的：尽管解剖复位，20–40%的患者在踝关节骨折固定后发生创伤性骨关节炎（PTOA）。本研究旨在开发一种结合三维（3D）打印衍生的关节吻合生物力学的机器学习模型，用于个体化PTOA预测。方法：这项回顾性队列研究包括263名患者（2020年1月–2024年1月），他们接受了术前3D打印模型辅助的手术计划，并进行了至少24个月的随访。有限元分析量化了关节吻合参数，包括峰值接触压力（peak contact pressure）、压力不均匀性指数（pressure inhomogeneity index）和接触中心偏移（contact center offset）。使用训练数据（n=158，60%）开发了四种机器学习算法，并在时间上进行了验证（n=105，40%）。主要结局是由Kellgren-Lawrence分级≥II且伴有临床症状定义的PTOA。结果：在平均36.4个月的随访中，102名患者（38.8%）发生了PTOA。PTOA患者表现出显著更高的峰值接触压力（15.2±3.8 vs. 9.6±2.4 MPa，P<0.001）和压力不均匀性指数（2.8±0.6 vs. 2.3±0.4，P<0.001）。在验证集中，XGBoost完整模型实现了0.83的曲线下面积（AUC）（95% CI 0.75–0.90），显著优于不含生物力学变量的受限模型（AUC 0.74，95% CI 0.65–0.82；P=0.008）。在198名解剖复位的患者中，完整模型保持了优越的区分能力（AUC 0.81 vs. 0.68，P=0.01），识别出一个高风险亚组（峰值压力>13 MPa），其PTOA发生率为58.3%，而低压患者为18.2%（P<0.001）。结论：来自3D打印有限元分析的关节吻合参数显著改善了踝关节骨折后PTOA的机器学习预测，即使在解剖复位后也能识别高风险患者。

**论文解读：基于三维打印衍生关节吻合生物力学的踝关节骨折后创伤性骨关节炎的机器学习预测**

**研究背景与问题**

踝关节骨折是骨科常见创伤，高收入国家年发病率每10万人中100至180例，约40%需手术干预。尽管手术技术和植入物不断进步，创伤性骨关节炎（PTOA）仍是术后最严重的长期并发症，10年内发生率20–40%，复杂骨折20年随访中高达50%。传统治疗范式以解剖复位为核心，依赖术后X线评估关节面台阶、内外踝移位等参数。然而，临床证据表明，即使达到影像学上的解剖复位，仍有20–30%的患者进展为PTOA；反之，部分轻度残留移位的患者长期无症状。这种形态恢复与临床结局的脱节提示二维静态成像难以充分捕捉关节存活的生物力学决定因素。三维打印（3D打印）技术通过术前CT数据构建物理模型，可直观显示骨折块空间关系并模拟复位。更重要的是，基于复位后几何的有限元分析（FEA）能计算接触压力分布、应力集中和载荷传递模式，这些信息无法通过常规影像获取。机器学习（ML）可整合多维预测因子并识别非线性关系，结合3D打印模型的生物力学参数有望构建精准的PTOA风险预测模型。研究人员假设，FEA衍生的关节吻合参数能显著改善PTOA预测，并识别出即使解剖复位后仍存在的高风险患者。该研究旨在开发并验证一个基于3D打印模型数据的机器学习模型，实现踝关节骨折管理的个体化风险分层。论文发表在《Frontiers in Medicine》。

**主要关键技术方法**

该单中心回顾性队列研究纳入2020年1月至2024年1月间接受术前3D打印模型辅助手术计划的263例踝关节骨折患者（来源：九江市第一人民医院），随访至少24个月。关键技术包括：①基于术前CT（0.625 mm层厚）进行三维重建，由两名独立骨科医生在盲法下进行虚拟复位，并通过79例术后CT验证虚拟复位精度（平均表面距离0.73 mm，ICC 0.94）。②有限元分析：构建复位后三维几何的四面体网格模型，模拟单腿站立动态峰值载荷（1.5倍体重，按BMI分层），求解准静态平衡方程，输出接触压力空间分布、von Mises应力等参数。③机器学习建模：采用LASSO正则化逻辑回归、随机森林、XGBoost和Cox比例风险回归四种算法，以训练集（n=158，60%）训练，时间验证集（n=105，40%）验证，处理缺失数据（多重插补）和类别不平衡（SMOTE过采样）。主要结局为Kellgren-Lawrence分级≥II且伴临床症状的PTOA。

**研究结果**

**3.1 队列特征**：共263例患者纳入分析，平均年龄48.3±14.2岁，男性54.0%，BMI 26.8±4.2 kg/m2。OTA/AO分类：33.8%为44A型，48.7%为44B型，17.5%为44C型。解剖复位率75.3%。平均随访36.4±8.7个月，PTOA发生102例（38.8%），训练集与验证集发生率无显著差异（40.5% vs. 36.2%，P=0.51）。PTOA患者年龄更大、BMI更高，糖尿病和高能量损伤比例更高。

**3.2 虚拟复位精度验证**：79例术后CT验证显示，虚拟复位与实际术后解剖的平均表面距离0.73±0.27 mm，94.9%病例<1 mm，组内相关系数（ICC）0.94，Bland-Altman分析显示系统性偏差极小。CT验证与非验证亚组的模型AUC无显著差异（0.84 vs. 0.82，P=0.67），支持虚拟复位的稳健性。

**3.3 关节吻合参数**：有限元分析显示，PTOA组峰值接触压力（15.2±3.8 MPa vs. 9.6±2.4 MPa，P<0.001）、压力不均匀性指数（2.8±0.6 vs. 2.3±0.4，P<0.001）、高压面积比（>10 MPa：18.4%±8.2% vs. 6.2%±4.1%，P<0.001）和接触中心偏移（2.8±1.1 mm vs. 1.6±0.8 mm，P<0.001）均显著高于非PTOA组，总接触面积略小（612±98 mm2 vs. 658±105 mm2，P=0.001），复合关节吻合指数显著更低（-0.42±0.85 vs. 0.68±0.72，P<0.001）。这些参数揭示了PTOA患者的关节面应力集中和匹配不良。

**3.4 机器学习模型性能**：在训练集中，XGBoost模型AUC最高（0.84，95% CI 0.78–0.89），优于LASSO（0.78）、随机森林（0.82）和Cox回归（0.81）。在验证集中，包含关节吻合参数的完整XGBoost模型AUC为0.83（95% CI 0.75–0.90），显著高于仅含人口学、临床和常规影像变量的受限模型（AUC 0.74，95% CI 0.65–0.82；P=0.008），提升幅度0.09超过预设优效性阈值0.05。校准良好（Hosmer-Lemeshow P=0.28），决策曲线分析显示完整模型在15–80%阈值概率范围内净收益更高。特征重要性分析显示，峰值接触压力排名第一，其次为压力不均匀性指数、年龄、高压面积比和BMI。SHAP分析表明，峰值接触压力>12–13 MPa时，每增加1 MPa，预测风险增加约8%。

**3.5 亚组分析**：在198例解剖复位患者中，68例（34.3%）发生PTOA。完整模型AUC为0.81（95% CI 0.72–0.89），显著高于受限模型（AUC 0.68，95% CI 0.58–0.78；P=0.01）。基于训练集确定的峰值压力最佳截断值13 MPa（灵敏度72%，特异性78%），在验证集中，解剖复位但高压（>13 MPa）患者PTOA发生率为58.3%，低压（≤13 MPa）患者为18.2%（P<0.001）。模型在不同骨折类型（44A、44B、44C）和随访时长（<36个月、≥36个月）中表现一致（AUC 0.80–0.85）。

**3.6 风险分层与临床应用**：根据XGBoost预测概率，将患者分为低风险（<20%）、中风险（20–40%）和高风险（>40%）。验证集中，低风险组PTOA发生率12.5%，中风险组37.8%，高风险组70.0%（趋势检验P<0.001）。Kaplan-Meier分析显示三组生存曲线显著不同（log-rank P<0.001），高风险组中位PTOA诊断时间为18个月，中风险组28个月，低风险组未达到。敏感性分析（完整病例分析、排除非CT验证病例、不同结局定义）均支持模型稳健性。

**讨论与结论**

讨论部分指出，该研究证明了基于3D打印有限元分析的关节吻合生物力学参数显著改善了机器学习对踝关节骨折后PTOA的预测能力。将峰值接触压力、压力不均匀性指数等参数纳入后，AUC从0.74提升至0.83，超过预设优效性阈值，具有临床意义的改善。即使在影像学解剖复位患者中，生物力学评估仍能识别出高风险亚组（PTOA发生率58%），表明常规影像学标准不足以预测预后。研究结果与既往实验研究一致，即静水压超过10 MPa可引起软骨细胞代谢紊乱，本研究中PTOA患者平均峰值压力15.2 MPa，显著高于阈值。PTOA发生率38.8%高于既往系统综述的25%，可能归因于更长的随访时间和复合诊断标准。有限元分析能够检测X线片无法显示的细微异常（如局部应力集中），解释了为何部分解剖复位患者仍进展为PTOA。3D打印技术为克服常规影像限制提供了变革性解决方案，该研究扩展了其应用，从手术模拟转向定量生物力学分析。机器学习方法相比传统统计的优势在于捕捉非线性交互，XGBoost的SHAP值提供了可解释的临床见解（如峰值压力每增加1 MPa，风险增加8%）。关节吻合参数优于常规影像测量，具有重要临床意义，可用于识别早期生物干预（如自体软骨细胞移植）的候选患者，从被动治疗终末期关节炎转向预防PTOA进展。研究局限性包括：单中心回顾性设计、有限样本量、虚拟复位模拟理想解剖而非实际手术结果、有限元模型的简化假设（如各向同性线弹性骨材料、准静态载荷）可能低估峰值压力，但保留患者相对排序，支持风险分层的区分效度。平均36个月随访可能未涵盖延迟发病病例。

**结论**：该研究证实，三维打印衍生的关节吻合生物力学显著增强了踝关节骨折后创伤性骨关节炎的机器学习预测。即使在影像学解剖复位患者中识别出高风险个体，挑战了传统评估范式，支持将生物力学分析整合入临床决策。这些发现为踝关节骨折管理的个体化医疗奠定了基础，最终目标是预防而非单纯预测创伤后关节退变。