综述：退变性颈椎脊髓病进展及结局预测模型：一项系统评价与批判性评估

《Frontiers in Neurology》：Prediction models for progression and outcomes in degenerative cervical myelopathy: a systematic review and critical appraisal

　　

目的：本研究系统评价退变性颈椎脊髓病（DCM）疾病进展及术后结局预测模型的方法学质量、预测效能、偏倚风险及临床适用性，为模型优化与临床转化提供循证依据。方法：研究人员检索PubMed、Embase及Web of Science建库至2026年5月的文献，纳入开发或验证DCM预测模型的原创研究。数据提取遵循预测模型研究系统评价数据提取与批判性评估清单（CHARMS），采用预测模型偏倚风险评估工具（PROBAST）评价偏倚风险，依据多变量预测模型个体预后或诊断透明报告规范（TRIPOD）评估报告质量。结果：共纳入12项研究（来自中国、美国、加拿大及捷克共和国的前瞻性与回顾性队列），建模方法涵盖传统回归至机器学习算法，受试者工作特征曲线下面积（AUC）为0.53~0.93。主要预测因子包括年龄、基线日本骨科协会评分（JOA）/改良JOA（mJOA）、症状持续时间、吸烟史、合并症及影像组学特征。PROBAST评估显示，多数研究在参与者、预测因子及结局领域偏倚风险较低，仅Kadanka等2017年研究存在高结局偏倚；但所有研究在分析领域均存在高偏倚风险，源于样本-事件匹配不足、连续变量处理不当、缺失数据管理不一致及校准报告不充分。仅5项研究同时报告区分度与校准度，4项完成内部与外部验证。TRIPOD依从率为59.1%~81.8%，样本量规划、校准报告及模型系数报告缺失最为突出。临床转化目前仍受限。结论：当前DCM预测模型整体偏倚风险较高且方法学异质性显著。基于易获取预测因子（年龄、基线mJOA、症状持续时间）的简约临床模型在校准度与可解释性上优于高维影像组学机器学习模型。未来研究应优先开展简约模型的外部验证及床旁工具开发，并严格遵循TRIPOD与PROBAST标准。系统评价注册号：CRD420261407781。

引言

退变性颈椎脊髓病（DCM）是成人非创伤性脊髓功能障碍最常见病因，也是最严重的退变性颈椎疾患之一，以脊髓受压导致的进行性神经功能恶化为核心特征，常伴步态异常、手部精细运动障碍及生活质量下降。全球流行病学数据显示，中老年人群DCM患病率逐年升高，其高致残风险已成为威胁公共卫生的重要脊柱疾病，其病理机制涉及慢性生物力学过载与机械性脊髓压迫，是转化脊柱生物力学与临床工程的核心研究对象。DCM的自然病史与围手术期恢复是临床管理的核心环节，疾病进展与手术结局受年龄、基线神经功能、影像学脊髓受压程度、髓内信号改变及合并症等多因素影响。若未能及时识别快速进展或预后不良的高危患者，可能错失最佳干预窗口，导致不可逆神经缺损，显著降低患者及家属生活质量，加重医疗与社会经济负担。因此，早期精准识别DCM进展与不良预后高危人群对优化干预时机、改善临床结局至关重要。临床预测模型已广泛应用于脊柱外科领域，可基于患者基线特征量化疾病进展与不良术后结局风险，为个体化决策提供参考，提升医疗效率与预后评估准确性，指导干预时机与手术策略选择。开发DCM进展与预后的多变量预测模型可明确多影响因素的协同效应，深化对DCM自然病史与恢复过程的循证认知，支持分层管理策略制定，降低神经功能恶化与不良预后风险。现有国内外研究已开发并验证了针对不同人群的DCM相关预测模型，但其方法学质量与证据强度尚不明确。既往脊柱预测模型系统评价普遍报告方法学局限与高偏倚风险，但尚未系统比较高维影像组学特征与易获取临床预测因子的实用价值，未基于校准度与外部验证效能（而非孤立AUC值）对建模方法进行排序，也未为临床与计算研究者建立清晰的分层研究优先级。本研究系统总结与评价已发表的DCM进展及预后预测模型研究，为未来模型优化、外部验证与临床转化提供参考，重点生成整合性、可操作的转化建议以回应上述未满足的研究需求。

方法

本研究严格遵循预测模型研究系统评价数据提取与批判性评估清单（CHARMS）进行文献筛选与数据提取，采用预测模型偏倚风险评估工具（PROBAST）评价DCM进展与预后预测模型原始研究的偏倚风险与适用性，依据多变量预测模型个体预后或诊断透明报告规范（TRIPOD）评估DCM预测模型开发的方法学标准化程度。两名研究人员独立依据完整的22项TRIPOD清单进行逐条盲法评估，将每项条目归类为完全报告（FR）、部分报告（PR）或未报告（NR），计算每项研究的整体报告依从率（完全符合的TRIPOD条目占全部22项标准的比率）。本研究前瞻性注册于PROSPERO平台（注册号：CRD420261407781）。

检索策略方面，研究在PubMed、Embase及Web of Science数据库开展全面电子检索，时间跨度为建库至2026年5月1日。检索策略结合医学主题词（MeSH）与标题、摘要及关键词中的自由词，聚焦DCM研究人群及疾病进展、临床预后、风险预测、预测模型、列线图、风险评分及机器学习等研究主题，严格遵循PRISMA 2020报告规范，完整检索策略见补充文件S1以供透明复现。

文献筛选与纳入标准方面，研究人员使用EndNote软件去除重复记录，两名独立研究者依次完成标题摘要初筛与全文复筛。纳入标准为：研究对象为确诊DCM患者；研究开发或验证了DCM进展或术后功能恢复、并发症、再手术等临床结局的预测模型，具备完整的模型构建、验证与评估流程；为聚焦预测模型开发与验证的原创临床研究；以英文发表。排除标准为：仅探索DCM影响因素而未构建预测模型的研究；综述、会议摘要、系统评价、Meta分析、信件、病例报告及专家意见；基础细胞或动物实验、纯影像学分析及未开展模型开发与验证的单变量分析；纳入非DCM人群或合并脊髓肿瘤、创伤、炎性脊髓病患者的研究；重复发表、低质量及无法获取原始数据的研究。两名研究者分歧通过第三方协商达成共识，所有纳入研究均进行交叉核对以确保筛选准确性。

数据提取方面，两名研究人员独立完成数据提取，由第三名研究者交叉核对，分歧通过小组讨论或咨询专业专家解决。基于CHARMS建立标准化数据提取表，提取内容包括：研究基本特征（发表年份、国家、研究设计、参与者、研究场景、随访时长）；预测结局（DCM进展、术后神经恢复、并发症、再手术等终点的定义与诊断标准）；模型开发细节（候选预测因子数量、连续变量处理方法、样本量、结局事件数、缺失数据规模与处理方式、建模方法与变量选择策略）；模型效能与预测因子（效能评估与验证方法、主要预测因子、模型呈现形式、研究优势与局限）。模型效能从区分度与校准度两方面评估：采用受试者工作特征曲线下面积（AUC）评估区分度，AUC为0.5提示无预测能力，1提示完美预测效能；采用校准曲线或Hosmer-Lemeshow拟合优度检验评估校准度，校准曲线中X轴为预测概率、Y轴为观测概率，理想校准模型的截距接近0、斜率接近1，Hosmer-Lemeshow检验用于分析预测与实际事件概率的统计学差异。验证分为内部验证与外部验证：内部验证常通过数据拆分或Bootstrap重抽样实现；外部验证用于评估模型泛化能力，包括时间验证、地域验证与领域验证。鉴于纳入研究的预测终点异质性显著，研究将所有模型按定义终点分为两类：疾病进展模型（预测无症状颈椎脊髓压迫向症状性DCM的转化）与术后预后模型（预测mJOA/JOA恢复、颈部视觉模拟评分[VAS]疼痛缓解及最小临床重要差异[MCID]达标等手术结局），基于该分层开展模型效能与方法学质量的亚组比较，避免跨异质性终点的过度合并结论。

偏倚风险与适用性评估方面，两名研究人员采用PROBAST工具独立评估纳入研究的偏倚风险与适用性。PROBAST包含参与者、预测因子、结局与分析4个核心领域，前3个领域评估适用性，全部4个领域评估偏倚风险。通过20个信号问题进行综合评估，每个问题回答为“是（Y）”“可能是（PY）”“可能不是（PN）”“否（N）”或“信息不足（NI）”，每个领域及整体研究评级为低偏倚风险、高偏倚风险或偏倚风险不明确，适用性评级为良好、较差或不明确。整体判定规则为：所有领域均为低偏倚风险且适用性良好的研究评为整体低偏倚风险、适用性良好；任一领域存在高偏倚风险或适用性较差的研究评为整体高偏倚风险或适用性较差；任一领域评级不明确但其余领域为低偏倚风险或适用性良好的研究，整体评级为偏倚风险不明确或适用性不明确。评估前两名研究人员接受标准化培训，通过小组讨论确保对PROBAST工具的理解与应用一致性，评分分歧通过第三名资深研究者仲裁解决，仲裁流程与文献筛选、数据提取一致。

结果

文献筛选方面，共检索到1380篇DCM预测模型相关文献，经逐步筛选最终纳入12项研究。首先去除89篇重复记录，通过标题摘要初筛排除781篇研究类型不符文献与304篇研究主题无关文献，对剩余206篇文献进行全文评估，排除143篇仅探索影响因素未构建预测模型的研究、39篇模型开发与验证流程不完整的研究、2篇预测变量少于2个的研究及10篇无法获取原始数据的研究，最终纳入12项完全符合纳入标准的研究。

纳入研究基本特征方面，12项研究中8项发表于近5年，来自中国、美国、加拿大、捷克共和国4个国家。研究设计上，7项为前瞻性队列研究，5项为回顾性队列研究。研究人群中，1项研究聚焦无症状颈椎脊髓压迫患者的疾病进展风险，其余11项纳入接受颈椎减压手术的DCM患者。数据来源涵盖附属大学医院、三级医院、国际多中心前瞻性脊柱队列及国家临床注册数据库，覆盖单中心与多中心调查，以临床病历与专科脊柱数据库为核心数据源。所有研究均开展术后神经结局随访，随访时长3个月至3年，覆盖短期（3~6个月）、中期（1~2年）与长期（3年）观察周期。术后结局采用多维度异质性指标评估，包括JOA评分、mJOA评分、术后神经功能分层、颈部VAS疼痛评分及MCID达标情况。预测终点异质性显著：仅Kadanka等2017年研究构建预测无症状脊髓压迫向症状性DCM进展的模型，其余11项研究均构建颈椎减压术后恢复相关的预后模型。候选预测变量数量为7~1032个，8项研究保留年龄、病程、术前JOA/mJOA评分、体重指数（BMI）等连续变量的原始值，未进行分组或转换；其余4项研究采用分层、四分位分组、限制性立方样条或临床截断值对年龄、症状持续时间、脊髓受压程度等连续变量进行离散化处理。缺失数据处理方面，2项研究未报告缺失数据管理策略；10项研究明确报告处理方式，其中5项采用完整病例分析直接排除缺失样本，5项采用插补或校正方法：Merali等2019年研究先去除缺失率>5%的预测因子，再采用k近邻（KNN）算法插补剩余缺失值；Khan等2021年研究直接采用KNN算法插补；Tetreault等2015年研究采用多重插补；Stephens等2023年研究通过典型变量回归校正缺失协变量；Zhou等2025年研究将所有缺失二分类变量赋值为负值。

模型开发与效能方面，5项研究采用单一统计方法建模，7项研究采用2~9种方法构建联合模型。建模方法涵盖逻辑回归、有序比例优势回归、Cox回归、正则化逻辑回归、朴素贝叶斯、决策树、随机森林、梯度提升、支持向量机、人工神经网络、极端梯度提升（XGBoost）、轻量梯度提升机及额外树等。变量选择方法包括直接变量纳入、逐步回归、剪枝算法、过滤式特征选择、递归特征消除、最小绝对收缩与选择算子（LASSO）回归、主成分分析、典型相关分析、因子分析、独立成分分析、最优子集选择、向前/向后逐步选择、穷举搜索及SHapley Additive exPlanations（SHAP）特征筛选。验证策略异质性显著：4项研究同时开展内部验证（数据拆分、交叉验证或Bootstrap重抽样）与独立外部验证；3项仅采用随机数据拆分或k折交叉验证开展内部验证；3项仅通过Bootstrap重抽样开展内部验证；2项未报告任何正式内部或外部验证流程，仅呈现单变量或多变量回归分析结果。预测模型AUC范围为0.53~0.93，异质性源于临床终点差异：唯一预测临床前DCM进展的模型AUC为0.60~0.76；11项聚焦mJOA/JOA、VAS及MCID的术后预后模型AUC为0.53~0.93，提示不同术后临床终点的区分度差异显著。校准度评估方面，仅5项研究报告校准评估（校准图、校准曲线、Hosmer-Lemeshow检验）。主要预后预测因子包括术前神经功能（JOA/mJOA评分、36项简短健康调查[SF-36]各维度）、人口学因素（年龄、性别、BMI）、疾病相关指标（病程、颈部疼痛、吸烟状态、合并症）、影像与影像组学参数（脊髓横截面积、脊髓受压率、T2*加权影像组学特征）及手术相关因素（后路手术入路、手术方式）。模型呈现形式多样，包括传统回归模型、结合SHAP分析的机器学习模型、简化风险评分系统、基于影像组学的预测模型、有序比例优势回归模型及基于随机森林的预测计算器。

偏倚风险与适用性评估方面，PROBAST评估显示12项研究整体偏倚风险均为高，但各单领域与临床适用性表现良好。参与者领域：7项前瞻性队列研究因纳入标准明确、DCM诊断定义清晰，评为低偏倚风险；5项回顾性队列研究因数据源于非连续单中心病历、未充分报告参与者选择序列及是否连续纳入，存在潜在选择偏倚与未测量混杂，评为偏倚风险不明确。预测因子领域：所有研究均评为低偏倚风险，临床与影像预测因子（年龄、病程、术前mJOA评分、颈椎影像参数、髓内高信号、合并症、吸烟状态）在单中心与多中心研究中均采用统一诊断与评估标准，多数研究未明确报告结局评估者盲法，但未自动假定盲法评估，该局限已在整体偏倚判定中充分考虑；所有预测因子均可在常规临床实践中获取，满足预测模型临床应用的数据收集要求。结局领域：仅Kadanka等2017年研究评为高偏倚风险，其余11项研究均为低偏倚风险。Kadanka等2017年研究仅基于临床症状与常规影像学表现主观判定无症状脊髓压迫向症状性DCM的进展，未采用mJOA评分等国际公认标准化评估体系，缺乏客观定量标准，且随访间隔不一致、存在失访，易导致结局误分类与主观评估偏倚。其余研究均采用术后固定时间点的mJOA评分、JOA改善率或MCID作为结局定义，应用统一的结局判定标准，评估者盲法基线预测因子信息，预测因子测量与结局随访的时间间隔设置合理，具备标准化结局评估体系。分析领域：所有研究均评为高偏倚风险。5项研究满足事件每变量数（EPV≥20）的方法学要求，6项研究结局事件数有限而候选预测因子过多，未达到EPV阈值，1项研究未报告结局事件总数无法计算EPV。连续变量处理不当为常见方法学缺陷：3项研究采用基于截断值的二分法或分组，1项研究无依据应用限制性立方样条，偏离保留连续变量原始形式的最佳实践，可能导致信息损失与模型设定错误。部分研究基于单中心队列或特定亚组而非所有符合条件参与者建模，限制泛化能力并引入未测量混杂。缺失数据处理存在显著异质性与方法学缺陷：5项研究采用完整病例分析，在缺失数据非完全随机时可能引入选择偏倚并降低有效样本量；仅1项研究采用多重插补，4项研究采用其他明确插补或校正策略（KNN插补、负值赋值、典型变量回归）；2项研究未报告任何缺失数据处理策略。完整病例分析的主导地位及插补方法缺乏合理性说明（尤其缺失比例未报告时）是分析领域偏倚的主要来源，可能扭曲原始数据分布并损害模型有效性。尽管5项研究报告区分度与校准度，4项完成外部验证，但多数模型缺乏严谨的校准报告与外部检验，完整病例分析的普遍应用及连续变量处理依据不足进一步加剧分析偏倚。1项机器学习模型纳入1032个预测因子仅含80个结局事件（EPV≈0.08），存在严重过拟合风险。

TRIPOD报告质量评估方面，12项研究的整体TRIPOD依从率为59.1%~81.8%，3项研究依从率最高（81.8%），3项研究依从率最低（59.1%）。最常被遗漏的TRIPOD条目为预设样本量规划（条目8）、正式模型校准评估（条目14）、独立外部验证队列构建（条目16）及完整原始回归/模型系数表（条目22）。

讨论

本研究系统概述并批判性评估了现有DCM疾病进展与术后结局预测模型，纳入的12项研究涵盖4国的前瞻性与回顾性队列，建模方法从传统逻辑回归到多样机器学习与集成算法，区分度（AUC）为0.53~0.93。尽管建模技术多样，一致发现年龄、mJOA/JOA评估的基线神经功能、症状持续时间、吸烟状态及合并症为最稳定的独立预测因子，与既往DCM预后因素系统评价结论一致，凸显了这些易获取临床变量的预后主导地位。近期2项研究中影像组学特征的出现代表新方向，但其相较于传统临床与MRI参数的增量预测价值尚不明确，两项研究均未与简约参考模型开展头对头比较，该证据缺口需未来研究重点关注。

研究设计与实施的广泛异质性是证据整合的主要挑战，异质性源于多维度：研究设计（7项前瞻性vs5项回顾性队列）、目标人群（1项预测无症状压迫进展vs11项聚焦术后恢复）、结局定义（mJOA/JOA恢复、VAS改善、MCID达标或复合轨迹）、随访时长（3个月~3年）及建模算法（简单逻辑回归到复杂集成方法）。该异质性带来两方面影响：一是无法开展定量Meta分析，仅能进行定性评价；二是警示避免直接跨模型比较，模型AUC的表观优势可能仅反映结局定义或病例组合差异，而非真实方法学进步。未来DCM预测模型研究应采用共识驱动的标准化结局定义与随访方案，以促进跨人群与场景的有意义比较。

尽管建模方法层出不穷，纳入研究的方法学质量仍欠佳。所有研究PROBAST整体偏倚风险均为高，主要源于分析领域缺陷。最突出的问题是校准评估被普遍忽视：仅5项研究报告任何形式的校准评估，其余7项仅依赖AUC。该失衡存在显著问题，因为AUC仅反映模型对患者的风险排序能力，无法体现预测概率与实际事件发生率的一致性——这一特性对临床决策至关重要。该现象的可能原因包括：临床研究者对校准指标不熟悉，误将AUC等同于全面效能评估；部分研究采用“概念验证”思路，优先关注算法新颖性而非方法学严谨性，将校准评估视为次要环节；小样本（EPV<20）研究中过拟合几乎必然导致校准不佳，报告校准会暴露该局限。这些原因共同凸显了加强方法学培训及期刊严格执行TRIPOD报告要求（尤其是校准相关条目）的必要性。

传统回归与机器学习方法的最优选择仍是DCM预测建模的开放问题，现有数据可提供若干细化观察。基于有限预设临床预测因子的传统逻辑回归模型（如Tetreault等2015年的三变量模型，包含年龄、基线mJOA、症状持续时间）AUC达0.74~0.77，且完成严谨的内部与外部验证。相比之下，机器学习模型虽偶达更高AUC（如Song等2024年研究达0.93），但该优势需谨慎解读：首先，机器学习模型通常纳入远更多预测因子（如Zhang等2021年研究纳入1032个影像组学特征），在结局事件有限的情况下存在严重过拟合风险（如上述研究EPV≈0.08）；其次，机器学习研究均未开展内部交叉验证之外的外部验证，而效能最优的临床模型均在独立外部队列中验证；第三，复杂机器学习模型的效能优势在外部检验中常大幅衰减，这一现象在预测建模文献中已有充分记载，但本研究中机器学习研究外部验证的匮乏使其难以验证；第四，机器学习模型常牺牲可解释性——临床决策的核心要求——却未提供成比例的预测精度提升。因此，基于现有证据，具备严谨校准与外部验证的简约临床模型比高维影像组学机器学习模型更具临床可部署性，后者仍处于探索阶段，需等待多中心验证。影像组学机器学习模型的边际区分度增益（最高AUC 0.93 vs临床回归的0.77）被严重的泛化性与实施局限抵消，在常规医院条件下增量临床获益可忽略。

预测模型的临床转化面临超越统计效能的实质障碍。首先，基于影像组学的模型需要T2*加权成像序列、专用特征提取软件及训练有素的人员，这些资源并非普遍可及，尤其在基层医院与资源有限地区。其次，影像组学特征因MRI硬件、采集协议与后处理流程的固有差异，中心间可重复性有限，即使内部效能良好，外部泛化性仍存疑。第三，即使是简约临床模型，纳入研究均未在模型开发后系统评估临床有效性或决策影响（如决策曲线分析或实施研究），模型是否改善术前咨询、手术决策或患者结局的真实价值仍未知。为填补这些转化缺口，未来研究应优先开展：现有简约临床模型（尤其是Tetreault等的三变量模型）在地理多样化外部队列中的验证；开发无需专用软件的床旁友好列线图或风险计算器；开展前瞻性实施研究，评估模型引导的风险分层是否真正改善临床决策或以患者为中心的结局。

本系统评价的优势包括严格遵循CHARMS、PROBAST与TRIPOD规范；全面检索主要英文数据库；双人独立筛选、数据提取与偏倚评估并交叉核对；覆盖单中心与多中心队列。与既往仅罗列方法学缺陷的定性评价不同，本研究进一步提供了基于预测因子可及性、模型校准质量与验证完整性的分层、可操作研究建议，为临床脊柱外科医生与计算研究者开展高价值后续研究提供指导。

本研究也存在若干局限：纳入研究限定为英文发表，未检索中文数据库，可能存在语言偏倚，遗漏中文期刊发表的相关研究；研究设计、结局定义与建模算法的显著异质性导致无法开展定量Meta分析，仅能进行定性系统评价；作为基于已发表汇总数据的二次分析，无法获取个体患者水平原始数据，不能独立重建模或外部验证以核实报告效能指标，限制了对真实泛化性的评估；存在发表偏倚可能，效能较差的研究发表概率更低，报告的AUC可能高估模型在常规临床实践中的真实预测能力。未来Meta分析或个体 participant 数据（IPD）Meta分析可部分解决这些局限。

结论

本系统评价表明，当前DCM预测模型存在显著方法学异质性与高整体偏倚风险，主要源于样本-事件匹配不足、连续变量处理不当及校准报告匮乏。基于年龄、基线mJOA与症状持续时间的简约临床模型目前实现了效能与可解释性的最佳平衡，而影像组学机器学习模型尚未证明其足以抵消复杂度与实施障碍的增量价值。未来研究应优先开展现有简约模型的外部验证及床旁工具开发，并严格遵循TRIPOD与PROBAST报告标准。