基于堆叠集成机器学习模型预测退行性颈椎脊髓病患者术后轴性疼痛强度的研究成果

《Scientific Reports》：A stacking ensemble machine learning model for predicting postoperative axial pain intensity in patients with degenerative cervical myelopathy

研究人员开展退行性颈椎脊髓病（DCM）患者术后轴性疼痛（PAP）预测研究，发现相关关键因素，有重要临床意义。

　　在医学领域，退行性颈椎脊髓病（DCM）并不少见，它是指因脊髓椎管后天性狭窄，导致非创伤性脊髓损伤的病症。目前，针对 DCM 的主要治疗手段是椎管减压手术，像后路椎板成形术和椎板切除术是常用的脊髓减压方法。然而，这些手术虽然能缓解脊髓压迫，却会带来一个棘手的问题 —— 不少患者术后会出现轴性疼痛（PAP）。这种疼痛不仅让患者感到不适，还会阻碍身体恢复。

研究人员发现，PAP 的发生可能与解剖异常、神经功能、术前疼痛强度等因素有关。但一直以来，都缺乏有效的预测模型来识别术后可能出现 PAP 的高风险患者。鉴于 PAP 对患者康复的不良影响，深入探究这些因素与 PAP 强度之间的关系就显得尤为重要，这将有助于制定更具个性化的手术方案和术后护理策略，降低 PAP 的发生率。

在此背景下，来自西安交通大学附属红会医院、天津医科大学总医院等机构的研究人员开展了一项研究，旨在开发基于机器学习（ML）的分类器，利用堆叠集成策略预测 DCM 患者术后 PAP 的强度。该研究成果发表在《Scientific Reports》上。

研究人员为开展此项研究，采取了一系列关键技术方法。他们回顾性收集了 2016 年至 2024 年红会医院骨科 711 例连续接受颈椎后路减压手术治疗 DCM 患者的数据。经过筛选，最终 484 例患者纳入研究。研究利用多种潜在的术前预测指标，包括患者人口统计学信息、基线轴性颈部疼痛强度、功能状态、心理健康评估以及相关影像学和手术因素等。运用 7 种特征选择技术和 13 种机器学习算法，生成 91 个分类器。数据集按 8:2 的比例分为训练集和测试集，并进行 10 折交叉验证和独立测试，最终将表现最佳的 3 个分类器集成到一个综合模型中 。

研究结果如下：

• 患者临床特征：纳入研究的患者平均年龄 63.2 岁，女性占比 35.1%。术前平均轴向疼痛强度评分为 4.74±2.1，术后降至 3.65±1.8，1 年随访时进一步降至 2.36±1.2。1 年随访时，34.9% 的患者报告有中重度轴向颈部疼痛，65.1% 的患者疼痛轻微或无疼痛。
• 模型预测性能：EmbeddingLR_-RF、EmbeddingRF_-MLP 和 RFE_-SVM 这三个分类器表现最为突出，在测试数据集中，它们的 AUC 值分别为 0.81、0.81 和 0.80。集成模型中，SVM 集成分类器表现最佳，AUC 达到 0.91，优于最初的分类器。
• 特征重要性：通过排列重要性评估特征的重要性，发现 “术前轴向疼痛强度”“JOARR”“术前 C2 - 7 Cobb 角”“HADS_-D” 和 “年龄” 是影响术后轴性疼痛预测的五个最重要因素。

在研究结论与讨论部分，该研究有几个重要发现。首先，应用集成学习方法，将 EmbeddingLR_-RF、EmbeddingRF_-MLP 和 RFE_-SVM 这三个常用的 ML 模型集成，显著提高了分类器的性能。其次，像堆叠这样的集成学习方法，能提升机器学习分类器的表现，其中 SVM 集成分类器效果最佳。再者，明确了术前轴向疼痛强度、JOARR、术前 C2 - 7 Cobb 角、HADS_-D 和年龄是 DCM 患者颈椎后路减压手术后，预测术后轴性疼痛的五个最重要临床因素。

这一研究成果意义重大，它为临床医生术前识别可能出现术后轴性疼痛的患者提供了有力帮助，有助于更合理地制定围手术期管理策略，提高医疗资源的利用效率。不过，该研究也存在一些局限性，如样本量相对较小且来自单中心，研究具有回顾性，可能存在偏差等。未来还需要更大规模、多中心的研究来进一步验证和完善该模型 。