编辑推荐：
胫骨骨折治疗中，准确预测胫骨髓内钉（IMN）长度是一大难题，传统方法存在诸多弊端。研究人员运用人体测量数据和机器学习（ML）模型开展相关研究，发现线性回归模型预测效果最佳。这一成果有助于优化术前规划，减少手术时间和辐射暴露。
在骨科手术的世界里，胫骨骨折的治疗是一个重要课题。胫骨髓内钉（IMN）技术，就像是给受伤的胫骨穿上了坚固的 “铠甲”，以微创、固定稳定和能让患者早期活动等优点，成为治疗胫骨骨折的常用手段。然而，在这看似成熟的技术背后，却隐藏着一个棘手的问题 —— 如何精准地确定合适的髓内钉长度。
传统的术中确定髓内钉长度的方法，比如使用放射尺和导丝测量，就像蒙着眼睛射箭，误差较大。这些方法不仅会延长手术时间，让患者和医生在手术台上耗费更多精力，还会增加患者的辐射暴露风险，就像让患者多经受了一轮 “辐射攻击”。而且，如果髓内钉长度选择不当，后续可能引发一系列并发症，比如骨折部位的对位不良、关节受到刺激，严重时甚至需要进行二次手术，这无疑给患者带来了更多的痛苦和经济负担。所以，找到一种可靠的术前预测 IMN 长度的方法，迫在眉睫。
为了解决这个难题，来自土耳其伊兹密巴克尔恰伊大学（Izmir Bakircay University）等机构的研究人员踏上了探索之旅。他们开展了一项关于利用人体测量数据和机器学习（ML）模型预测胫骨髓内钉长度的研究。研究结果令人眼前一亮，他们发现结合人体测量数据和 ML 模型，尤其是线性回归模型，能够有效地预测 IMN 长度。这一成果意义非凡，它就像为骨科手术术前规划点亮了一盏明灯，可以减少术中测量，缩短手术时间，降低辐射暴露，为患者带来更好的治疗体验。该研究成果发表在《BMC Musculoskeletal Disorders》杂志上。
在这项研究中，研究人员采用了多种关键技术方法。他们对 2018 年 1 月 1 日至 2024 年 8 月 30 日期间，在两所医院接受胫骨 IMN 治疗的患者数据进行回顾性分析。通过医院病历和标准化测量工具，收集患者的身高、鞋码、鹰嘴至第 5 掌骨距离（OM）、胫骨结节至内踝距离（TTMM）等人体测量数据 ，以及手术中使用的胫骨髓内钉长度数据。然后，运用线性回归、随机森林、决策树和 XGBoost 这四种 ML 模型进行预测，并使用均方误差（MSE）和 R2 值评估模型性能。
下面来看看具体的研究结果：
- 描述性统计：研究共纳入 163 例患者。统计数据显示，胫骨髓内钉长度平均为 338.65±33.93mm，患者身高平均 172.52±10.26cm ，鞋码平均 40.70±2.12（EU） ，TTMM 平均 356.40±35.85mm，OM 平均 384.40±75.88mm。这些数据为后续分析提供了基础。
- 相关性分析：经皮尔逊相关性分析发现，IMN 长度与所有独立变量都呈显著正相关。其中，TTMM 与 IMN 长度的相关性最强（r=0.911），其次是身高（r=0.899）、鞋码（r=0.823）和 OM（r=0.811） ，且所有相关性在统计学上都显著（p<0.001）。这表明这些人体测量指标与 IMN 长度之间存在紧密联系。
- 模型评估：在众多模型中，线性回归模型脱颖而出。它的 R2 值达到 0.8945 ，意味着能解释 IMN 长度 89.45% 的方差，MSE 为 117.53 ，RMSE 为 10.84mm 。相比之下，随机森林、决策树和 XGBoost 模型的预测准确性较低。例如，随机森林模型的 RMSE 为 13.00mm，决策树模型的 RMSE 为 15.57mm ，XGBoost 模型的 RMSE 为 14.63mm。这充分显示出线性回归模型在预测 IMN 长度方面的优势。
- 交叉验证：为了确保模型的可靠性，研究人员进行了 10 折交叉验证。结果表明，线性回归模型的平均 R2 分数为 0.784±0.144，随机森林为 0.796±0.104 ，决策树为 0.661±0.175 ，XGBoost 为 0.748±0.133 。这进一步验证了各模型性能在不同数据子集上的一致性。
在讨论部分，研究人员指出，该研究在利用人体测量数据计算 IMN 尺寸方面具有开创性。虽然复杂的 ML 模型通常在大样本数据中表现出色，但在本研究的有限样本中，线性回归模型反而表现更优，这说明研究中的自变量与 IMN 长度之间主要是线性关系。而且，线性回归模型的 RMSE 为 10.84mm，在临床上，这个误差范围对于胫骨髓内钉长度的预测是可以接受的，结合其高预测准确性（R2=0.8945） ，表明该模型在术前规划中具有较高的实用性。
此外，与传统的基于影像学的术前规划技术和单一人体测量指标的估计方法相比，本研究的 ML 模型，尤其是线性回归模型，具有更高的预测性能。它无需依赖放射成像，仅通过简单的人体测量参数就能进行预测，为一些特殊场景，如院前急救、紧急情况或医疗资源有限的地区，提供了一种快速、实用的术前规划工具。
不过，研究也存在一定的局限性。数据集仅针对特定的接受胫骨 IMN 治疗的患者群体，可能影响研究结果的普遍性；人体测量数据的变异性，特别是鞋码，对预测准确性有一定影响；而且研究缺乏外部验证，无法确定模型在独立患者队列中的性能。
总体而言，这项研究展示了 ML 模型在预测胫骨髓内钉长度方面的巨大潜力，为骨科术前规划提供了新的思路和方法。虽然还有需要完善的地方，但它为未来进一步研究 ML 在骨科领域的广泛应用奠定了坚实的基础，有望推动骨科手术朝着更加精准、高效的方向发展。
