用于短节段腰椎融合术后影像学显示的邻近节段退变围手术期风险分层的可解释机器学习方法

《Spine》：Explainable Machine Learning for Perioperative Risk Stratification of Radiographic Adjacent Segment Degeneration After Short-Segment Lumbar Fusion

　　

研究设计。

回顾性队列研究。

研究目的。

开发一种可解释的机器学习框架，并通过外部验证，用于评估短节段腰椎融合术后影像学上相邻节段退变的风险等级。

背景数据概述。

腰椎融合术后常会出现影像学上的相邻节段退变现象，在某些患者中，这可能是出现有症状的相邻节段疾病之前的早期结构变化。然而，现有的风险评估方法存在风险因素多样、模型可解释性不足以及外部验证有限等问题。机器学习方法可以通过整合临床、影像、手术及功能方面的变量，从而改善围手术期风险的分级。

研究方法。

从两家医院回顾性地收集了临床数据。内部队列包含570名因腰椎退行性疾病而接受后路短节段腰椎融合术的患者，另外还有一组来自另一家机构的150名患者作为外部验证样本。内部队列根据相邻节段退变状况，以7:3的比例通过分层抽样随机分为训练组和内部测试组。特征选择仅在训练组中进行，所采用的方法包括最小绝对值收缩和选择回归法、随机森林递归特征消除法以及Boruta算法。共开发了五种算法并进行了比较，分别是逻辑回归、随机森林、极端梯度提升树、轻量级梯度提升机以及多层感知器。模型性能通过鉴别能力、校准度、精确度-召回率分析以及决策曲线分析来评估，同时运用沙普利加性解释法对模型进行解读。

研究结果。

在内部队列的570名患者中，有212人出现了影像学上的相邻节段退变。最终选出五个围手术期变量用于模型构建，分别是术前椎间间隙高度、术后骨盆倾斜度与腰椎前凸度的差异、身体虚弱程度、Coflex植入情况以及术前根据西安大略大学和麦克马斯特大学骨关节炎指数评估的下肢功能障碍程度。在各种候选算法中，随机森林模型的鉴别能力最强，其在内部测试组中的AUC值为0.782，在外部验证组中的AUC值为0.749。沙普利分析表明，术前椎间间隙高度是影响模型输出的最重要因素。

研究结论。

这一经过外部验证的基于随机森林的模型，为短节段腰椎融合术后的影像学相邻节段退变风险分级提供了结构清晰且易于理解的框架。通过整合那些容易获取的围手术期变量，该模型有助于实现个性化的影像学随访，并为今后以有症状的相邻节段疾病或再次手术作为研究终点的相关研究提供基础。

关键词：

腰椎融合术；相邻节段退变；机器学习；围手术期风险分级