《The Spine Journal》：Functional evaluation in Adult Spinal Deformity can be reduced to three key kinematic parameters that can sufficiently predict health-related quality of life outcomes: an observational prospective study
编辑推荐：
埃利奥·梅卡埃尔（Elio Mekhael）|拉米·拉奇基迪（Rami Rachkidi）|纳比尔·纳西姆（Nabil Nassim）|乔治·埃尔·哈达德（Georges El Haddad）|马克·布特罗斯（Marc Boutros）|玛丽亚·R·卡拉姆（Maria R Kar
埃利奥·梅卡埃尔（Elio Mekhael）|拉米·拉奇基迪（Rami Rachkidi）|纳比尔·纳西姆（Nabil Nassim）|乔治·埃尔·哈达德（Georges El Haddad）|马克·布特罗斯（Marc Boutros）|玛丽亚·R·卡拉姆（Maria R Karam）|埃马纽埃尔·瓦基姆（Emmanuelle Wakim）|玛丽亚·阿斯马尔（Maria Asmar）|穆罕默德·卡拉姆（Mohamad Karam）|阿比尔·马萨德（Abir Massaad）|伊斯玛特·加尼姆（Ismat Ghanem）|阿伊曼·阿西（Ayman Assi）
黎巴嫩贝鲁特圣约瑟夫大学医学院
摘要
背景
最近的研究表明，使用3D步态分析（3DGA）进行的功能评估在预测成人脊柱畸形（ASD）患者的健康相关生活质量（HRQOL）方面优于静态放射学评估。然而，3DGA提供了许多参数，非专家可能难以解读。一项最新研究显示，动态骨盆倾斜（dPT）、头部和胸部的前向投影（dODHA）以及步长（SL）是ASD患者步态运动学中最具代表性的指标。
目的
本研究旨在确定仅使用这三个关键参数是否仍能通过机器学习（ML）随机森林回归模型预测ASD患者的HRQOL结果。
结局指标
自我报告指标：SF36量表（包括身体和心理部分PCS & MCS）、Oswetry残疾指数（ODI）、贝克抑郁量表（BDI）以及视觉模拟量表（VAS）用于评估疼痛。
生理指标：低剂量全身双平面X光检查及3D骨骼重建。
功能指标：行走时的全身3D步态分析。
预测准确性：随机森林回归机器学习模型。
方法
所有受试者均接受了低剂量全身双平面X光检查及3D骨骼重建（包括计算脊柱-骨盆和对齐参数），以及行走时的全身3D步态分析（包括计算全身关节运动学参数），并完成了HRQOL问卷调查：SF36量表（包括身体和心理部分PCS&MCS）、ODI、BDI和VAS用于评估疼痛。使用随机森林回归机器学习模型进行了4次模拟预测：（Sim-1）X光参数（脊柱-骨盆和对齐）；（Sim-2）关键运动学参数（dPT、dODHA和SL）；（Sim-3）X光参数和dPT、dODHA及SL；（Sim-4）所有运动学参数。通过10折交叉验证评估了预测准确性和均方根误差（RMSE），并比较了各模拟结果。同样的方法也应用于30名接受医疗、骨科和手术治疗后的ASD患者（随访时间为6个月至2年）。
结果
模拟1、2、3和4的准确率分别为82%、85%、86%和86%。模拟2、3和4在所有HRQOL指标上的预测准确性相当，并且高于模拟1（即PCS的准确率分别为86±3% vs 90±2%、91±3%和91±3%，p<0.05）。对30名随访中的ASD患者也得到了类似的结果。
结论
头部和骨盆的运动学参数以及步长足以预测HRQOL指标，甚至在术后也能获得比传统的脊柱-骨盆和对齐参数更高的准确率。虽然后者在ASD患者的手术计划中起着整合作用，但将放射学评估与仅3个关键功能参数相结合将是最优选择，以便进行全面评估和术后随访。未来的技术应专注于捕捉这三个参数，使外科医生能够轻松进行功能评估，避免复杂的步态分析过程。
引言
随着全球人口老龄化，肌肉骨骼疾病（如骨质疏松症、骨关节炎和退行性疾病）的发病率显著增加。例如，在美国，肌肉骨骼疾病影响了超过1.21亿人，是所有疾病组中致残率最高的[1]。成人脊柱畸形（ASD）是一种主要的肌肉骨骼系统退行性疾病，表现为脊柱的三维变形，影响姿势和脊柱-骨盆的平衡[2,3]。它对患者的生活质量[4,5]和医疗系统[6]有重大影响，并被强调为多发病研究中的关键决定因素[[7], [8], [9]]。ASD还影响患者的功能[10], [11], [12], [13], [14], [15]]。
传统的评估方法基于静态全身X光检查，以评估脊柱畸形及其在不同层面的代偿机制。多种放射学参数与生活质量下降相关[16], [17], [18], [19]，是评估患者报告的结果与疾病严重程度及术后变化的金标准[20]。然而，静态放射学评估被批评未能对ASD患者进行功能评估。
最近的研究表明，3D步态分析（3DGA）在预测HRQOL指标方面优于单独的静态X光片[21]。尽管如此，这种功能评估在ASD患者的常规评估中仍未得到广泛应用，可能是因为3D运动分析复杂、耗时且需要专业知识。由此产生的众多运动学参数对外科医生来说是一个负担。
最近的研究表明，基于骨盆（动态骨盆倾斜dPT）、头部（动态ODHA和SL）和步长（SL）的3个关键运动学参数足以反映ASD患者的功能限制。并且基于这些参数描述了特定的步态模式[22]。然而，目前尚不清楚这些关键运动学参数是否仍能充分预测ASD患者的生活质量下降。因此，本研究旨在确定仅使用这三个关键参数是否仍能预测ASD患者的HRQOL结果。
章节片段
数据收集与获取
这是一项获得IRB批准（CEHDF1259）的单中心前瞻性研究。纳入标准如下：年龄超过20岁，自我报告有背痛，符合ISSG的ASD放射学标准之一：前凸Cobb角>20°，矢状垂直轴（SVA）>5厘米，骨盆倾斜（PT）>25°，骨盆前倾-腰椎前凸不匹配（PI-LL）>10°和/或胸椎后凸（TK: T1T12）>60°。排除有神经系统疾病或可能影响运动的下肢病变的患者
研究对象
研究对象包括197名ASD患者（平均年龄54.1±18.3岁，147名女性）和57名对照组受试者（平均年龄51±8.2岁，25名女性），年龄、体重和性别相当（表1）。在197名ASD患者中，65人有前凸畸形（前凸Cobb角>20°），67人有胸椎后凸（胸椎后凸>60°），另有65人因矢状轴错位（SVA>5厘米，PI-LL>10°和/或PT>25°而被纳入。共有30名患者接受了6个月至2年的随访（取决于患者的可用时间和治疗时长）
讨论
本研究试图探讨仅使用3个关键运动学参数通过机器学习模型预测ASD患者HRQOL结果的可能性。研究表明，动态骨盆倾斜、动态ODHA和步长足以预测ASD患者的HRQOL结果，优于单独的X光检查。
在第一次模拟中，仅使用放射学参数就能预测HRQOL指标，准确率为81.8%，这证实了
结论
总之，本研究建议脊柱外科医生在必要时使用骨盆（dPT）、头部（dODHA）和步长这三个关键运动学参数作为临床实用解决方案。该研究还强调了将功能评估纳入ASD患者的常规评估和术后随访的重要性。3DGA的主要问题在于所需材料的可获得性
作者贡献声明
概念设计：埃利奥·梅卡埃尔（EM）、拉米·拉奇基迪（RR）、纳比尔·纳西姆（NN）、乔治·埃尔·哈达德（GEH）、马克·布特罗斯（MB）、玛丽亚·R·卡拉姆（MK）、埃马纽埃尔·瓦基姆（EM）、玛丽亚·阿斯马尔（AM）、伊曼纽埃尔·瓦基姆（IG）、阿伊曼·阿西（AA）；数据管理：埃利奥·梅卡埃尔（EM）、拉米·拉奇基迪（RR）、纳比尔·纳西姆（NN）、乔治·埃尔·哈达德（GEH）、马克·布特罗斯（MB）、玛丽亚·R·卡拉姆（MK）、埃马纽埃尔·瓦基姆（EM）、玛丽亚·阿斯马尔（AM）、伊曼纽埃尔·瓦基姆（IG）、阿伊曼·阿西（AA）；资金获取：拉米·拉奇基迪（RR）、伊曼纽埃尔·瓦基姆（IG）、阿伊曼·阿西（AA）；研究实施：埃利奥·梅卡埃尔（EM）、拉米·拉奇基迪（RR）、纳比尔·纳西姆（NN）、乔治·埃尔·哈达德（GEH）、马克·布特罗斯（MB）、玛丽亚·R·卡拉姆（MK）、埃马纽埃尔·瓦基姆（EM）、玛丽亚·阿斯马尔（AM）、伊曼纽埃尔·瓦基姆（IG）、阿伊曼·阿西（AA）；方法学：埃利奥·梅卡埃尔（EM）、纳比尔·纳西姆（NN）、乔治·埃尔·哈达德（GEH）、马克·布特罗斯（MB）、玛丽亚·R·卡拉姆（MK）、埃马纽埃尔·瓦基姆（EM）、玛丽亚·阿斯马尔（AM）、伊曼纽埃尔·瓦基姆（IG）、阿伊曼·阿西（AA）；项目管理：埃利奥·梅卡埃尔（EM）、拉米·拉奇基迪（RR）、纳比尔·纳西姆（NN）、马克·布特罗斯（MB）、玛丽亚·R·卡拉姆（MK）、埃马纽埃尔·瓦基姆（EM）、玛丽亚·阿斯马尔（AM）、伊曼纽埃尔·瓦基姆（IG）、阿伊曼·阿西（AA）；资源获取：埃利奥·梅卡埃尔（EM）、纳比尔·纳西姆（NN）、乔治·埃尔·哈达德（GEH）、马克·布特罗斯（MB）；软件使用：埃利奥·梅卡埃尔（EM）、纳比尔·纳西姆（NN）、乔治·埃尔·哈达德（GEH）、马克·布特罗斯（MB）；监督：埃利奥·梅卡埃尔（EM）、拉米·拉奇基迪（RR）、纳比尔·纳西姆（NN）、马克·布特罗斯（MB）、玛丽亚·R·卡拉姆（MK）、埃马纽埃尔·瓦基姆（EM）、玛丽亚·阿斯马尔（AM）、伊曼纽埃尔·瓦基姆（IG）、阿伊曼·阿西（AA）；验证：埃利奥·梅卡埃尔（EM）、拉米·拉奇基迪（RR）、阿伊曼·阿西（AA）；可视化：埃利奥·梅卡埃尔（EM）、纳比尔·纳西姆（NN）、MRM；初稿撰写：埃利奥·梅卡埃尔（EM）、拉米·拉奇基迪（RR）、纳比尔·纳西姆（NN）、马克·布特罗斯（MRK）、埃马纽埃尔·瓦基姆（EM）、玛丽亚·阿斯马尔（AM）；写作-审阅与编辑：埃利奥·梅卡埃尔（EM）、拉米·拉奇基迪（RR）、伊曼纽埃尔·瓦基姆（IG）、阿伊曼·阿西（AA）
资金声明
本研究由圣约瑟夫大学资助（资助编号FM361）。资金来源未参与研究设计、数据收集与分析、报告撰写或文章发表的决定。
CRediT作者贡献声明
埃利奥·梅卡埃尔：初稿撰写、验证、软件使用、资源管理、数据分析。拉米·拉奇基迪：审阅与编辑、初稿撰写、验证、资源管理、资金获取。纳比尔·纳西姆：验证、软件使用、方法学设计、数据分析。乔治·埃尔·哈达德：研究实施、数据分析。马克·布特罗斯：研究实施、数据分析。玛丽亚·R·卡拉姆：研究实施、数据分析。埃马纽埃尔·瓦基姆：研究实施、数据分析。玛丽亚：
