编辑推荐：
本研究聚焦于全髋关节置换术（THA）患者术后效果不佳的预测，通过机器学习模型分析患者报告结果测量（PROMs）数据，揭示影响最小临床重要差异（MCID）和显著临床获益（SCB）的关键因素，为术前风险评估和患者管理提供重要依据。
全髋关节置换术（THA）是一种常见的骨科手术，用于改善髋关节疾病患者的症状和生活质量。然而，部分患者术后未能达到预期的临床改善效果，这不仅影响患者满意度，还可能对医疗资源的合理分配和质量评估产生影响。为解决这一问题，研究人员开展了一项基于机器学习的研究，旨在术前预测患者术后能否达到最小临床重要差异（MCID）和显著临床获益（SCB），并探索影响这些结果的风险因素。
本研究由佛罗里达大学的研究团队完成，并发表在《BMC Musculoskeletal Disorders》上。研究人员通过回顾性分析电子健康记录（EHR）数据，收集了2016年至2022年间接受全髋关节置换术的患者数据，重点关注术前和术后一年的髋关节功能评分（HOOS JR）和患者报告结果测量信息系统（PROMIS-10）问卷调查结果。研究利用机器学习模型，包括惩罚性逻辑回归（PLR）、支持向量机（SVM）和随机森林（RF），分别对锚定法（anchor-based）和分布法（distribution-based）MCID以及SCB进行预测，并通过接收者操作特征曲线下面积（ROC-AUC）和精确率-召回率曲线下面积（PR-AUC）评估模型性能。
研究结果显示，在350名完成术前和术后问卷调查的患者中，有16.0%未能达到锚定法MCID（17.7分），8.3%未能达到分布法MCID（10.6分），20.3%未能达到SCB（22.0分）。机器学习模型表现优异，ROC-AUC值均高于基线水平，显示出良好的预测可靠性。此外，研究还通过逻辑回归模型分析了影响MCID和SCB的风险因素，发现种族（黑人患者）和术前心理健康状况（如抑郁病史）是影响术后效果的共同风险因素。
该研究为术前评估患者术后效果提供了新的视角，强调了术前心理健康筛查和文化敏感性干预的重要性。通过识别高风险患者，医生可以在术前进行更充分的沟通和干预，提高患者满意度和医疗质量。此外，研究还展示了患者报告结果测量（PROMs）在术前风险评估中的潜在价值，为未来医疗质量评估和资源分配提供了重要参考。
在技术方法方面，研究人员采用了以下关键方法：首先，通过电子健康记录（EHR）系统收集患者数据，确保样本的完整性和代表性；其次，运用机器学习算法（PLR、SVM、RF）对术后效果进行预测，这些算法能够处理复杂的变量关系并提供可靠的预测结果；最后，通过逻辑回归模型分析风险因素，识别出影响术后效果的关键变量。样本队列来源于佛罗里达大学附属医疗机构的患者数据库。
研究结果部分，研究人员详细分析了机器学习模型的性能，发现惩罚性逻辑回归（PLR）模型在预测锚定法MCID时表现最佳，ROC-AUC平均值为0.77；随机森林（RF）模型在预测分布法MCID时表现最佳，ROC-AUC平均值为0.85。此外，研究还发现黑人患者相比白人患者更有可能未能达到MCID和SCB，其风险比（OR）分别为6.33和6.43。术前心理健康状况不佳的患者，如存在抑郁病史，也更有可能未能达到MCID和SCB，其风险比分别为2.33和4.90。这些结果表明，种族和心理健康是影响术后效果的重要因素。
在讨论部分，研究人员指出，尽管目前尚无统一的MCID和SCB定义标准，但本研究通过综合分析两种MCID和SCB，为临床实践提供了有价值的参考。研究强调了术前心理健康筛查的重要性，并建议医疗机构开展文化敏感性培训，以改善少数族裔患者的术后护理体验。此外，研究还指出，未来研究应进一步探索更复杂的人工智能模型，并扩大样本量，以提高预测性能和结果的普适性。总之，本研究不仅为全髋关节置换术的术前风险评估提供了新的工具，也为改善患者术后体验和医疗质量提供了重要的理论依据。
