使用机器学习预测转移性脊柱肿瘤手术后的神经学结局

《Spine》：Predicting Postoperative Neurological Outcomes in Metastatic Spinal Tumor Surgery Using Machine Learning

本研究采用回顾性分析，通过构建随机森林、XGBoost等机器学习模型预测脊髓转移癌患者术后1个月神经功能恢复情况，并识别关键影响因素。结果显示随机森林模型AUC最高（0.8516），术前神经功能、转移能力、炎症标志物及手术时机为重要预测因子，为精准手术规划和患者管理提供依据。

　　

摘要 通俗语言总结

---

研究设计

对多个中心收集的数据进行回顾性分析。

研究目的

开发机器学习模型，以预测接受手术治疗的转移性脊柱肿瘤患者在术后1个月的神经功能恢复情况，并确定影响神经功能恢复的关键因素。

研究背景

脊柱转移瘤的发病率不断增加，因此需要更多手术干预来解决机械不稳定性和神经功能缺陷问题。通过Frankel分级评估术后神经功能状态，可以为手术规划和患者咨询提供宝贵信息。传统的预后模型在捕捉神经功能恢复的复杂性方面存在局限性。

患者与方法

我们分析了来自38家机构的244名因转移性疾病接受脊柱手术的患者的数据。主要结局指标是术后1个月的行走能力，定义为Frankel分级为D或E。使用了四种机器学习算法（随机森林、XGBoost、LightGBM和CatBoost）来构建预测模型。特征选择采用了Boruta算法和方差膨胀因子分析来减少多重共线性。

研究结果

在244名患者中，术后能够行走（Frankel分级为D或E）的比例从术前的36.8%增加到术后的63.1%。随机森林模型的接收者操作特征曲线下面积（AUC）最高，为0.8516，其次是XGBoost（0.8351）、CatBoost（0.8331）和LightGBM（0.8098）。Shapley加性解释分析表明，术前Frankel分级、转移能力、炎症标志物（C-反应蛋白和白细胞-淋巴细胞）以及手术时机是术后结果的最重要预测因素。

结论

机器学习模型在评估转移性脊柱肿瘤患者的术后神经功能状态方面表现出很强的预测能力。术前神经功能、功能能力和炎症标志物等关键因素显著影响了术后结果。这些发现可以为手术决策提供依据，并通过更准确的预后预测帮助设定现实的术后期望，从而可能改善患者护理。

通俗语言总结本研究利用机器学习技术预测转移性脊柱肿瘤患者术后的神经功能恢复情况。分析了来自38家机构的244名患者的数据，重点关注他们术后1个月的行走能力（Frankel分级为D或E）。随机森林模型的准确性最高，AUC为0.8516。重要的预测因素包括术前神经功能状态、转移能力、炎症标志物以及手术时机。研究结果表明，机器学习可以有效预测患者的恢复情况，通过突出影响术后结果的关键因素，辅助手术规划和患者咨询。

本文为机器生成，可能存在不准确之处。常见问题解答