编辑推荐：
髋部骨折手术中 “V 效应”（V-effect）影响老年患者术后恢复，为明确其风险因素并构建预测模型，研究人员运用多种机器学习方法分析 319 例患者数据。结果确定 8 个风险因素，构建的模型预测效果良好，为临床防治提供参考。
随着全球老龄化加剧，老年人髋部骨折问题日益突出。髋部骨折不仅给患者带来极大痛苦，还对家庭和医疗系统造成沉重负担。在髋部骨折手术中，有一种名为 “V 效应”（V-effect）的并发症让人头疼不已。“V 效应” 指的是在髓内钉手术时，骨折部位出现楔形分离，最常见的表现就是髋内翻，这会导致术后内固定失败，严重影响患者的康复效果。然而，目前对于 “V 效应” 的研究十分有限，相关风险因素并不明确，也缺乏有效的临床预测模型。如果能提前知晓哪些因素会引发 “V 效应”，并预测患者出现该并发症的风险，就能采取针对性措施，降低其发生概率，这对于改善患者预后意义重大。
基于此，贵航贵阳 300 医院等机构的研究人员开展了一项极具价值的研究。他们通过筛选风险因素并构建预测模型，对 “V 效应” 展开深入探究。该研究成果发表在《BMC Musculoskeletal Disorders》杂志上。
研究人员采用了多种关键技术方法。他们收集了 2019 - 2021 年 319 例老年患者的临床数据（这些患者均符合特定的纳入和排除标准），运用了 3 种机器学习方法，包括最小绝对收缩和选择算子（LASSO）回归、Boruta 算法和递归特征消除（RFE）进行变量筛选，再通过多元逻辑回归构建预测模型 ，利用 Spearman 相关性分析排除变量间的共线性，借助限制立方样条（RCSs）分析变量间的关系，还使用多种统计分析方法评估模型的性能。
下面来看具体的研究结果：
- 单变量筛选：通过 3 种机器学习方法的筛选，发现有 8 个变量在 3 种方法中均出现，为后续构建模型奠定了基础。
- 模型构建：将这 8 个变量纳入多元逻辑回归，经分析发现变量间不存在共协方差问题。最终确定 BMI、手术经验、小转子骨折、外侧壁厚度、进钉点、骨密度、骨折分类和节假日手术为影响 “V 效应” 发生的风险因素。同时，RCS 分析表明 BMI 和外侧壁厚度与 “V 效应” 的发生呈线性关系，并得出了相应的截断值。
- 模型评估：
- ROC 曲线：训练集和验证集的 500 次自举受试者工作特征曲线下面积（AUROC）分别为 0.94（95% CI：0.91 - 0.98）和 0.86（95% CI：0.77 - 0.95），显示模型有较好的区分度。
- 校准曲线：虽然训练集和验证集的校准曲线与理想曲线稍有偏差，但仍具有良好的准确性。
- 决策曲线分析（DCA）：在训练集和验证集的特定阈值概率范围内，该模型的临床净收益优于完全干预和完全不干预的治疗策略，临床影响曲线（CICs）也表明模型在训练集和验证集都有良好的预测效率。
- 合理性分析：与其他单变量模型相比，该预测模型在训练集和验证集的 AUROC 和 DCA 方面表现更优。
在研究结论和讨论部分，研究构建的预测模型有助于骨科医生深入了解导致老年人髋部骨折手术中 “V 效应” 的风险因素。例如，小转子骨折、骨折分类和外侧壁厚度代表骨折本身的形态特征；进钉点和手术经验反映了外科医生的技术水平；BMI 和骨密度体现了患者自身的身体状况；节假日手术则是外部影响因素 。不过，这些因素对老年髋部骨折患者 “V 效应” 的具体影响机制仍有待进一步探索。针对不同的高风险因素，研究人员也提出了相应的预防措施。
总体而言，这项研究意义非凡。它构建的 “V 效应” 预测模型，为骨科医生提供了重要的参考，有助于医生提前采取措施，降低 “V 效应” 的发生风险，进而提高老年髋部骨折患者的手术治疗效果和康复质量，为老年髋部骨折的临床治疗开辟了新的方向。
