机器学习在预测颈椎脊髓病的外科手术方案及临床异质性方面的应用

《BMC Musculoskeletal Disorders》：Machine learning prediction of surgical approach and clinical heterogeneity in cervical spondylotic myelopathy

　　

摘要

背景

颈椎脊髓病（CSM）的术前手术方案规划是精准医疗的核心。本研究采用监督机器学习（SML）构建了用于选择CSM手术方法的预测模型，并应用无监督机器学习（UML）来探讨临床异质性。

方法

在这项回顾性研究中，首先排除了围手术期数据不完整的患者，然后使用884名接受手术治疗的CSM患者作为模型开发的队列。将显示组间显著差异的变量输入到四种监督机器学习算法中，包括支持向量机（SVM）、极端梯度提升（XGBoost）、随机森林（RF）和广义线性模型（GLM），以进行特征筛选和模型构建。此外，还对接受前路手术的患者进行了基于围手术期特征变量的探索性无监督聚类分析，以表征临床异质性。进一步使用200名患者的独立外部验证队列来评估最终模型的区分能力、校准性能和临床实用性。

结果

最终的手术方法预测模型纳入了四个关键变量：美国脊柱损伤协会损伤评分（ASIA）、嗜酸性粒细胞（EOS）、总蛋白（TP）和白蛋白（Alb），在开发队列中的曲线下面积（AUC）为0.811。模型评分与围手术期指标显著相关。UML在接受前路手术的患者中识别出两个具有不同围手术期特征的亚组。在外部验证队列中，该模型的AUC为0.726（95% CI 0.615–0.828），校准性能良好，并且在决策曲线分析中显示出潜在的临床净收益。

结论

ASIA、EOS、TP和Alb被确定为与CSM患者手术方法选择相关的变量。内部开发的模型显示出良好的区分能力，并在独立的外部验证队列中保持了中等性能。此外，探索性无监督聚类分析表明接受前路手术的患者存在不同的围手术期特征。这些发现为模型的潜在可转移性提供了初步支持，尽管仍需进一步的前瞻性多中心验证。