机器学习方法在预测截肢患者接受初次和二次针对性肌肉再神经化后的疼痛结果中的应用

《Plastic and Reconstructive Surgery》：Machine Learning Approach to Predict Pain Outcomes Following Primary and Secondary Targeted Muscle Reinnervation in Amputees

本研究构建了靶向肌肉再支配（TMR）术后疼痛缓解预测的机器学习模型，通过分析2017-2024年187例TMR患者的术前特征与疼痛评分数据，发现随机森林和 relevance vector machine模型表现最佳（AUROC 0.78-0.80），关键风险因素包括术前药物依赖、抑郁史（初次TMR）和吸烟史（二次TMR）。该模型为个性化手术方案制定提供了数据支持。

　　

摘要通俗语言总结

---

引言：

靶向肌肉再神经化（TMR）可以预防和治疗截肢患者的神经性疼痛，但成功率各不相同。本研究开发了一种机器学习（ML）模型，根据患者特征预测初次和二次TMR后疼痛缓解的持续可能性。

方法：

研究纳入了2017年至2024年间在三级医疗机构接受TMR治疗的患者。根据预先定义的标准，将这些患者分为疼痛缓解效果良好或较差的两组：对于二次TMR，疼痛评分降低≥3分（使用数字评分量表）；对于初次TMR，疼痛评分≤3分且持续时间≥3个月。测试了三种ML架构（套索逻辑回归、随机森林分类器和相关性向量机（RVM））。通过接收者操作特征曲线下面积（AUROC）评估模型性能；使用Shapley加性解释（SHAP）量化特征重要性。

结果：

共纳入77名初次TMR患者和101名二次TMR患者（中位随访时间为2.0年）。RVM模型在初次和二次TMR中的预测准确率分别为0.74±0.12，AUROC分数分别为0.78±0.13和0.80±0.05。对于初次TMR，术前使用阿片类药物、男性性别和抑郁症史具有显著的负面影响。对于二次TMR，术前吸烟、疼痛评分升高和焦虑史是强烈的负面预测因素。该模型的表现显著优于传统的统计方法。

讨论：

这种新型的定制ML模型在预测TMR结果方面表现出强大的能力，证明了它作为手术规划和患者选择实用工具的概念可行性。识别出几个可改变的风险因素为术前优化提供了机会，从而可能改善手术结果。

通俗语言总结：本研究开发了一种机器学习（ML）模型，用于预测接受靶向肌肉再神经化（TMR）治疗的截肢患者的疼痛缓解效果。利用2017年至2024年间治疗的77名初次TMR患者和101名二次TMR患者的数据，该模型根据疼痛评分的降低情况来评估结果。相关性向量机（RVM）模型的准确率很高，初次TMR的AUROC分数为0.78，二次TMR的AUROC分数为0.80。影响结果的关键负面因素包括：初次TMR的术前使用阿片类药物、男性性别和抑郁症史；二次TMR的术前吸烟、疼痛评分升高和焦虑史。该ML模型有助于手术规划和患者选择，突出了可改变的风险因素，以获得更好的结果。

文本由机器生成，可能存在不准确之处。常见问题解答