《Orthopaedics & Traumatology: Surgery & Research》：An archetypal analysis of lumbopelvic profiles could help predict adverse spinopelvic mobility after total hip arthroplasty
编辑推荐：
脊柱骨盆运动模式与全髋关节置换术后不良转归的AI亚型分类研究。作者通过开发基于原型分析的机器学习模型，对108例前路全髋置换患者进行回顾性分析，发现A4、A5、A6、A7亚型术后脊柱骨盆角变化≥20°的风险显著升高（p=0.01），其中A7亚型风险最高达87.5%。该研究验证了AI驱动的亚型分类系统在术前风险预测和个性化术中导航（如假体方向调整）的应用价值。
托马斯·奥贝尔（Thomas Aubert）| 奥雷利安·哈莱（Aurelien Hallé）| 奥利维尔·奥贝尔（Olivier Aubert）
迪亚科内斯十字圣西蒙医院集团（Groupe Hospitalier Diaconesses Croix Saint Simon），地址：法国巴黎阿夫龙街125号（125 Rue d’Avron），邮编75020
摘要
背景
髋关节与脊柱的关系（HSR）在全髋关节置换术（THA）的结果中起着关键作用，因为它影响着脊柱-骨盆的移动性以及假体撞击的风险。传统的术前评估方法依赖于静态的脊柱-骨盆参数，往往无法预测术后的变化。为了克服这一局限性，我们基于一种“原型分析”（archetype analysis）开发了一个无监督的机器学习模型，该模型发现了七种不同的腰-骨盆特征类型，这些类型与可改变的术后因素无关。本研究的目的是将训练好的模型应用于新的患者群体，并分析不同原型类型的术后脊柱-骨盆移动模式。
假设
我们的假设是，使用原型分析法可以帮助我们预测腰-骨盆移动性发生变化的患者以及那些存在不良脊柱-骨盆移动风险的患者。
方法
回顾性分析了108名通过前路手术接受全髋关节置换术的患者的数据。这些患者的术前脊柱-骨盆参数包括年龄、站立时骨盆倾斜度（SPT）、腰椎前凸（LL）、骨盆入射角（PI）和腰椎前凸与骨盆入射角的不匹配程度（PI-LL），这些数据被输入到之前训练好的“原型分析”模型中。根据每位患者的最高原型得分（总分为1.0），将患者分为七种不同的原型类型。术前和术后三个月时，通过站立位及屈曲坐位侧位X光片评估脊柱-骨盆移动性（ΔSPT）和骨盆-股骨角度（ΔPFA）。将ΔSPT≥20°定义为不良脊柱-骨盆移动。
结果
术后平均ΔSPT增加了9.53°（范围从-34.4°到50.3°），在与矢状面不平衡和腰椎僵硬相关的原型类型中，术后ΔSPT≥20°的比例显著增加：A4型（63.33%）、A5型（60%）、A6型（62.5%）和A7型（87.5%）（p=0.01）。逻辑回归分析证实了这些原型类型与术后不良移动性风险较高有关（调整后的OR值介于3.2到7.5之间；p<0.05）。
结论
这种基于人工智能的原型分类方法显示了其与不良脊柱-骨盆移动性之间的关联，表明其在风险分层方面具有潜在价值，有助于识别可能需要个性化手术策略（包括调整植入物方向）的高风险患者群体。
证据水平
IV级；回顾性研究。引言
脊柱与髋关节的关系可用于在全髋关节置换术前预测不良的脊柱-骨盆移动性[1,2]。这对于调整植入物的位置以防止撞击和边缘负荷非常重要[3]。这些因素已被证明会导致早期磨损、脱位和摩擦声[4,5]。本分析基于对骨盆移动性的评估，该评估通过从站立位到屈曲坐位的骶骨倾斜度或骨盆倾斜度来进行。与放松的坐位相比，屈曲坐位在评估撞击风险和分析腰椎僵硬度方面具有更高的准确性[6]。
多种风险因素会导致不良的脊柱-骨盆移动性，定义为站立位和坐位之间脊柱-骨盆倾斜度（ΔSPT）的偏差超过20°[7]。这些因素大多是退行性的，包括骨盆后倾、腰椎僵硬和平背综合征，其特征是骨盆入射角（PI）与腰椎前凸（LL）之间的不匹配[8]。这些因素在预测脊柱-骨盆移动障碍方面表现出良好的敏感性；然而，它们的阈值因分析方法而异[9]。此外，腰椎前凸较低和骨盆入射角较低的患者似乎也有更高的不良腰-骨盆运动学风险[10]。
在术前分析腰-骨盆运动学时，必须评估从站立位到坐位的骨盆移动性，因为这与髋关节移动性有关[11]。这种不良的脊柱-骨盆移动性已被证明是全髋关节置换术后撞击和脱位的主要风险因素[12,13]。然而，患有髋关节骨关节炎的患者通常表现出髋关节僵硬，这会阻碍异常腰-骨盆运动学的表现。在这种情况下进行全髋关节置换术（THA）可能会加剧异常的骨盆移动性[14,15]。在某些研究中，研究人员试图预测髋关节移动性的恢复或腰-骨盆移动性的变化[16,17]，但在常规临床实践中缺乏足够的精确度。几种分类方法可以通过考虑脊柱-骨盆移动性来调整植入物的位置，从而降低撞击风险，其实用性已在常规临床实践中得到验证[18,19]。然而，术后髋关节和骨盆移动性的变化可能会改变最佳植入物方向，因此需要识别出有不良脊柱-骨盆移动风险的患者。
表型分析已成为研究的重点，人工智能使得利用连续数据进行更精细的分析成为可能。Cutler和Breiman提出的原型分析法[20]通过识别数据集中的少量独特或纯粹的表型来处理人群异质性。这种方法将每位患者表示为这些原型的组合，从而在保留个体患者特征的同时进行概率评估。当应用于全髋关节置换术（THA）前的患者群体时，该分析发现了七种原型[21]。原型1（A1）被称为“理想型”，用于描述没有腰-骨盆风险因素的年轻患者。三种原型分别具有以下特征：原型2（A2）具有较高的腰椎前凸和较高的骨盆入射角；原型3（A3）具有中等程度的腰椎前凸和中等程度的骨盆入射角；原型4（A4）具有较低的腰椎前凸和较低的骨盆入射角，这与较高的腰-骨盆运动学异常风险相关。原型5和6（A5和A6）具有矢状面不平衡或“平背”特征，其中A6在站立位时伴有代偿性的骨盆后倾，而A5则没有。最后，原型7（A7）尽管存在腰椎僵硬，但仍然没有矢状面不平衡。
这种不依赖于术后可改变的移动性参数（ΔSPT和ΔPFA）并使用连续值的原型分析法支持了以下假设：该方法有助于识别术后可能出现不良脊柱-骨盆移动风险的患者。主要目标是通过评估全髋关节置换术前和术后三个月患者的脊柱-骨盆移动性，以及使用监督统计模型评估这些原型与术后结果之间的关联，来对外部验证之前开发的人工智能模型的预测性能。次要目标是识别在全髋关节置换术前和术后三个月内导致异常移动性变化的原型类型。
患者信息
患者
分析了109名连续接受初次全髋关节置换术（THA）的患者的临床数据。其中一名患者有股骨颈骨折的历史，没有患者因近期骨折而接受过置换手术，还有一名患者之前接受过腰椎手术。由于放射图像质量不足，有一名患者被排除在外，最终剩下108名患者。所有手术均由同一位资深外科医生完成，所有符合条件的患者都接受了功能性侧位检查。
患者的基线特征
患者的平均年龄为66.3±9.45岁。该队列包括39名男性（36.11%）和69名女性（63.89%），其中60个髋关节（56%）和48个髋关节（44%）接受了手术。
根据患者的术前脊柱-骨盆参数（包括年龄、站立时骨盆倾斜度（SPT）、腰椎前凸（LL）、骨盆入射角（PI）和腰椎前凸与骨盆入射角的不匹配程度（PI-LL），将每位患者分配到一个相应的原型类型中。11名患者被归类为原型1，5名患者归类为原型2，36名患者归类为原型3，30名患者归类为原型4。
讨论
髋关节与脊柱的关系可以反映不良脊柱-骨盆移动的可能性[24]。然而，术后的可改变因素使得准确识别高风险患者变得困难[15]。利用人工智能的无监督机器学习方法进行原型分析，能够识别出术后脊柱-骨盆移动异常风险增加的患者表型和原型类型[21]。
在我们的分析中，...
结论
对患者进行原型分析有助于识别那些在髋关节屈曲恢复后出现不良脊柱-骨盆运动学变化的原型类型。因此，在缺乏能够精确预测术后移动性变化的系统的情况下，原型分析可以帮助识别可能需要调整植入物方向或类型的高风险患者。
作者贡献：TA设计了这项研究
致谢
我们感谢American Journal Experts（AJE）对手稿的校对和编辑工作。
