《BMC Oral Health》：A machine learning approach to predict treatment response in myofascial pain patients receiving masseter trigger point injections
编辑推荐：
背景：触发点注射(TPI)疗法广泛用于治疗咬肌肌筋膜痛综合征(MPS)，但疗效差异显著，缺乏个体化预测工具，常导致试错性治疗选择。目的：开发、外部验证并推广集成机器学习模型，用于预测咬肌TPI后复合治疗成功，并部署基于网络的临床决策支持系统(CDSS)。方法：
背景：触发点注射(TPI)疗法广泛用于治疗咬肌肌筋膜痛综合征(MPS)，但疗效差异显著，缺乏个体化预测工具，常导致试错性治疗选择。目的：开发、外部验证并推广集成机器学习模型，用于预测咬肌TPI后复合治疗成功，并部署基于网络的临床决策支持系统(CDSS)。方法：这项多中心研究纳入1181例经DC/TMD诊断的咬肌MPS患者，接受六种注射方式之一治疗。基线变量包括疼痛(VAS)、最大张口度(MMO)和口腔健康相关生活质量(OHIP-14)。复合治疗成功定义为3个月时同时达到临床有意义改善：VAS降低≥2分、MMO增加≥5 mm、OHIP-14降低≥5分。随机森林(RF)与XGBoost模型在内部队列训练，在地理独立队列外部验证。性能通过ROC-AUC、精确率-召回率AUC(PR-AUC)、校准、决策曲线分析(DCA)和SHAP可解释性评估。结果：总体复合成功率为43.1%。内部验证ROC-AUC为0.914(RF)和0.888(XGBoost)；外部验证ROC-AUC分别为0.771和0.787。外部PR-AUC为0.759(RF)和0.761(XGBoost)。两模型校准良好，DCA在临床相关阈值具正净获益。SHAP分析确定基线MMO、OHIP-14、年龄、疼痛强度和注射方式为最具影响力预测因子，跨模型与队列排名一致。验证后XGBoost模型部署为网络CDSS。结论：机器学习模型良好预测咬肌TPI后多维治疗成功。基线MMO、OHIP-14、年龄、疼痛强度和注射方式是最强决定因素。外部验证、SHAP可解释性与DCA支持模型稳健性及MPS个体化治疗规划的潜在临床效用。临床相关性：该工具可支持治疗选择、减少无效干预并改善肌筋膜痛管理患者结局。
研究背景与问题提出
肌筋膜痛综合征(MPS)是以骨骼肌激痛点(MTrPs)为特征的慢性肌肉骨骼疾病，咬肌作为咀嚼主肌常受累，导致疼痛、张口受限及生活质量下降。触发点注射(TPI)虽广泛应用，但个体疗效异质性大，依赖医师经验与通用方案，目前缺乏经认证的个体化预测工具，临床多陷于试错选择。机器学习在门诊疼痛管理已有神经网络与集成模型预测术后阿片需求、肩袖撕裂分诊等先例，SHAP可解释性渐成标准，但针对咬肌TPI治疗反应的预测模型仍稀缺。该研究由研究人员发表于《BMC Oral Health》，旨在填补这一空白，开发可外部验证的集成模型并部署CDSS。
主要关键技术方法
研究人员汇总六项随机对照试验个体数据，来自埃及三中心（Fayoum大学医院、New Alamein市医院、Sohag大学医院及私立诊所）2025年3至11月1181例DC/TMD确诊咬肌MPS成人。采用地理分层验证：Fayoum队列(n=493)作内部集（训练438/测试55），其余地理独立队列(n=639)作外部验证。预处理仅拟合训练集防泄漏；RF与XGBoost经5折分层网格搜索调参，Youden指数定阈值；评估含ROC-AUC(DeLong)、PR-AUC、Brier校准、DCA；SHAP(TreeExplainer)做群体蜜蜂图与个体瀑布图；按TRIPOD+AI报告。
研究结果
基线特征：中位年龄34岁，女性占92%。各组基线VAS中位7，MMO中位30.7 mm，OHIP-14以硫酸镁组最高(42)。既往注射史在Botox、硫酸镁、PRF组近100%，局麻与盐水组<10%，反映临床序贯而非随机失败。
治疗结局：总体复合成功率43.1%(95% Wilson CI 40.3–45.9%)。硫酸镁(79%)与PRF(68%)最高，Botox(23%)与局麻(21%)最低。非应答者672人中局麻失败79.2%、Botox 76.6%，而硫酸镁21.4%、PRF 31.8%；应答与非应答者基线VAS均7、MMO差<1 mm，说明单维严重度不能解释失败。3个月VAS中位降幅7分，MMO增益硫酸镁6.4 mm、PRF 5.9 mm超MCID，Botox 2.9 mm、局麻2.8 mm未达；OHIP-14降幅干针最大40分。
预测建模：训练集RF-AUC 0.986、XGB 0.970；内部测试RF 0.914、XGB 0.888；外部验证RF 0.771、XGB 0.787，PR-AUC 0.759/0.761高于无技能基线0.432。外部敏感度降至约50%但特异度>92%，模型偏保守。DeLong检验两模型无显著差异。
SHAP可解释：内外队列基线MMO均排第一，高MMO呈负向贡献（天花板效应）；注射方式中Botox负向、硫酸镁正向；OHIP-14高基线降概率；外部队列疼痛VAS重要性上升。RF与XGB排名Spearman ρ内0.931外0.913，跨队列ρ>0.99。
个体推理：XGB瀑布图示高预测成功者获硫酸镁、低基线MMO、年轻、高VAS；低预测成功者近正常MMO（天花板）、Botox、轻基线，反映AND逻辑复合终点对轻度患者结构性限制。
决策曲线：内外队列两模型净获益全程高于“全治/全不治”，RF在0.3–0.9阈值优于XGB，仅阈值>0.95交零，无临床意义。
讨论与结论翻译
讨论指出，RF与XGBoost性能相当且预测因子结构跨站点稳定，支持关系为真实临床信号。复合终点（VAS↓≥2、MMO↑≥5 mm、OHIP-14↓≥5）比单维更严，致43.1%成功率但更具恢复意义。六种注射剂异质性大：硫酸镁经NMDA拮抗与中枢敏化衰减、PRF经生长因子释效而优；Botox镇痛佳但MMO改善弱，局麻仅短期，故复合成功低。非应答者基线单维近同应答者，印证需多变量整合。外部验证跌AUC仍可接受，具地理位置迁移性；牙科ML少有外部验证，本研究补此缺口。DCA、校准、PR-AUC共证临床效用。
结论原文凝译：机器学习模型显示出良好能力以预测咬肌TPI后多维治疗成功。基线MMO、OHIP-14、年龄、疼痛强度与注射方式为最强结局决定因素。外部验证、SHAP可解释性与DCA支持模型稳健性及在MPS个体化治疗规划中的潜在临床效用。该工具可支持治疗选择、减少无效干预并改善肌筋膜痛管理患者结局。
