摘要
目的： 本文的第一个目的是通过机器学习为行长后路内固定融合术的Lenke5型青少年特发性脊柱侧凸（AIS）患者术后发生近端交界性后凸（PJK）的风险建立预测模型，并联合多种方法共同分析PJK的风险因子。第二个目的是以优化重要的手术风险因子为目标构建一个程序化设计工具，以辅助医生进行手术设计，降低患者术后发生PJK的风险。 方法： 回顾性收集2013年1月至2018年12月符合纳排标准的44例AIS患者（女性/男性：34/10;非PJK/PJK：34/10）。通过两名研究者独立测量共获得了37个人口学、临床和影像学变量。使用四种类型的机器学习算法以及两种上采样方法（合成少数技术（SMOTE）和随机过采样）总共构建了十二个模型。受试者曲线下面积（AUC）用于模型判别能力评价，F1分数和准确性用于模型临床效用评估。通过传统统计学方法（Cox比例风险回归）和机器学习进行PJK风险因子分析的同时，使用贝叶斯网络进行变量间的因果分析，以确定影响PJK发生的主要变量。以优化主要的手术风险因子为目标，再次排除没有完整术前CT的患者后，共十二名患者（非PJK/PJK：9/3）可用于手术优化研究。计算每个患者的上固定椎体的头端椎间盘的载荷后，采用有限元方法计算每个单元的应力，并将应力信息汇总为多个感兴趣区域的手术前后的差值。采用两层全连接神经网络模型模拟患者的应力特征和风险因子与PJK之间的关系。留一交叉验证法和敏感性分析用于模型的准确性和稳定性评估，通过模型可个性化获取患者手术风险因子的优化值。 结果： P值通过了多重比较校正的变量如下：性别（P=0.019）和术后因子[近端交界角（PJA，P=0.038），上固定椎体角（UIV-UIV+1，P=0.019）]。训练时采用SMOTE对数据进行处理的随机森林模型在独立测试数据集上拥有较好预测性能（AUC=0.944，准确度=0.909，F1分数=0.667）。由机器学习模型得到的变量重要性排序的前三分别为，性别、矢状面轴向距离和PJA。Cox模型显示，男性和术前T1S分别是PJK的独立预后因素[比值比（OR）分别为10.701和57.074]。变量的因果分析结果提示术后PJA可通过术后UIV-UIV+1、RCA来影响患者的临床结局。将术后PJA和SVA作为手术优化的目标，性别、术前T1S等作为协变量，得到的全连接神经网络模型的平均预测准确性为0.833，AUC为0.889。当输入变量值在5％的范围内波动时，模型的输出方差始终小于5％。 结论： 训练时采用SMOTE对数据进行处理的随机森林模型对于预测Lenke5型AIS患者长后路脊柱内固定术后发生PJK的风险程度具有重要价值。将Cox模型的结果与通过机器学习提取的重要预后因子结合而进行的风险因子分析比单独使用任何一种方法都更具有价值。此外，因果分析可以明确变量之间的关系，辅助得到影响术后并发症发生的主要风险因子。本文提出的将生物力学和机器学习联合使用的程序化工具可以预测每一位患者采取特定的术中PJA和SVA值对应的术后发生PJK的风险，并可得到最佳的术中PJA和SVA值以辅助手术决策。
NETL