基于可解释机器学习的后路腰椎椎体间融合术后慢性疼痛风险预测模型构建

摘要

目的 基于机器学习构建高精度、可解释性好的后路腰椎椎体间融合术后慢性疼痛(chronic post-surgical pain, CPSP)风险预测模型，为临床早期识别高危人群、实现精准预防提供可靠工具。方法 回顾性分析2019年1月至2023年12月在我院行后路腰椎椎体间融合术患者759例，其中男375例，女384例，33～80(55.28±9.94)岁。按7∶3比例分层随机分为训练集(n=531)和测试集(n=228)。收集所有患者术前、术中、术后共40项特征数据。行数据预处理和LASSO回归特征筛选后，构建7种机器学习模型，以受试者工作特征曲线下面积(area under the curve, AUC)、F1分数等作为核心指标筛选模型，使用沙普利加法解释(Shapley additive explanations, SHAP)工具对其进行可解释性分析。结果 最终筛选出CPSP核心预测特征10项，其中疼痛灾难化量表(pain catastrophizing scale, PCS)、术前手术部位疼痛、并发症为三大核心驱动因素(累计贡献48.21%)。朴素贝叶斯(AUC=0.914)、逻辑回归(AUC=0.913)模型表现出较好的模型效果，朴素贝叶斯特异度达0.958,逻辑回归综合性能更均衡(F1分数=0.685)。SHAP分析明确了各特征对于预测结果的影响作用方向及强度，揭示PCS评分超过30分时，CPSP风险显著升高的阈值效应。结论 利用解释性强的可解释机器学习算法所构建的后路腰椎椎体间融合术后CPSP风险预测模型，具有良好的判别效能和临床可解释性，且核心预测因子有助于指导临床个性化防控策略的开展，推动脊柱外科从“经验医学”向“数据驱动精准预防”转变。

关键词

后路腰椎椎体间融合术 / 术后慢性疼痛 / 机器学习 / 风险预测模型 / 可解释人工智能 / 算法比较