基于机器学习算法构建可视化模型预测成人脊柱畸形矫形术后力学并发症的发生风险

来源：中华骨科杂志2025年第17期北京时间：

作者：李劼,田振,何中,秦晓东,乔军,毛赛虎,史本龙,邱勇,朱泽章,刘臻

单位：南京市鼓楼医院,南京鼓楼医院,南京市鼓楼医院,南京市鼓楼医院,南京市鼓楼医院,南京市鼓楼医院,南京市鼓楼医院,南京市鼓楼医院,南京市鼓楼医院,南京鼓楼医院

摘要：目的 探讨应用机器学习算法构建可视化模型预测成人脊柱畸形（adult spine deformity，ASD）矫形术后力学并发症的可行性，并分析力学并发症发生的危险因素。方法 回顾性收集2017年1月至2021年12月于南京鼓楼医院接受手术治疗的525例ASD患者的资料，男88例、女437例，年龄（42.2±18.1）岁。随机分配到训练集（70%）和验证集（30%）开发机器学习算法。记录患者的人口统计学数据、合并症、局部和全身影像学参数、椎旁肌脂肪浸润（fat infiltration，FI）和椎体骨质量（vertebral bone quality，VBQ）评分。分别应用随机森林模型（random forest，RF）、高斯朴素贝叶斯模型（Gaussian Naive Bayes，GNB）、轻量梯度提升模型（Light GBM）、支持向量机器模型（support vector machine，SVM）、极限梯度提升模型（XGBoost，XGB）、逻辑回归模型（logistic regression，LR）对数据集进行训练和验证，根据受试者工作特征（receiver operating characteristic，ROC）曲线下面积（area under curve，AUC）和精确率-召回率（precision-recall，PR）曲线下面积（area under PR curve，PRC）筛选最佳机器学习模型。通过Shapley加和解释值（Shapley additive explanations，SHAP）分析对危险因素进行贡献度排序，再应用局部可解释模型（local interpretable model-agnostic explanations，LIME）分析构建可视化模型，用于单例患者术后发生力学并发症的风险。结果 纳入的525例ASD患者中135例（25.7%）患者术后2年出现力学并发症，其中80例（59.3%）发生近端交界后凸或失败（proximal junction kyphosis/failure，PJK/PJF）、7例（5.2%）发生远端交界处后凸或失败（distal junction kyphosis/failure，DJK/DJF）、28例（20.7%）发生断棒、29例（21.5%）发生严重矫正丢失。经验证集验证RF模型AUC最高（0.80），其次分别为GNB（AUC=0.77）、XGB（AUC=0.76）、LR（AUC=0.74）、Light GBM（AUC=0.73）及SVM（AUC=0.66）。RF模型表现出最高的PRC值（0.58）和灵敏度（0.65）以及最低的布里尔分数（Brier score=0.20）。GNB、Light GBM与LR模型准确度最高，均为0.78。Light GBM模型表现出最高的特异度（0.93）。SHAP分析显示术前较高的椎旁肌FI、术前较大的T 骨盆角、术前较高的VBQ评分是发生力学并发症的危险因素。基于RF模型应用LIME分析成功构建了按各变量特征分布的可视化预测模型，用于准确计算单例ASD患者矫形术后发生力学并发症的风险。 结论 RF模型表现出最佳的力学并发症预测性能，基于机器学习的可视化预测模型有望为ASD患者的手术决策提供重要指导。

关键词：成年人;脊柱弯曲;手术后并发症;机器学习

基金资助：江苏省科技计划专项资金重点研发计划社会发展项目BE2023658