基于机器学习的老年退行性颈脊髓病患者术后短期疗效预测

摘要

目的 通过构建并验证一套机器学习（ML）模型，以预测60岁及以上退行性颈脊髓病（DCM）患者的短期手术疗效。方法 回顾性分析2011年1月至2020年12月期间在北京大学第三医院骨科接受手术治疗的193例年龄≥60岁老年DCM患者的病例资料。术前预测变量涵盖人口学信息、临床症状、体征、影像学表现（颈椎核磁共振脊髓T2高信号、椎管狭窄）、SF-36评分和日本骨科学会（JOA）评分等。以术后3～6个月内JOA评分提高≥2.5分，定义为达到最小临床重要差异（MCID）。数据按7∶3比例分为训练集和测试集。构建5种机器学习模型（逻辑回归、支持向量机、随机森林、XGBoost、LightGBM），初步采用默认参数并进行3折交叉验证，表现最优的模型进一步经网格搜索优化。最终使用受试者工作特征曲线下面积（AUROC）、精准率-召回率曲线下面积（AUPRC）、敏感性、特异性、准确率等指标评估性能，并通过SHAP值解释模型的特征重要性。结果 99例患者在术后3～6个月随访JOA评分改善达到了MCID。在5种模型中，基于决策树的模型（随机森林、XGBoost、LightGBM）表现较好，LightGBM模型在训练集中的AUROC为0.631、AUPRC为0.673。在测试集的内部验证中，LightGBM模型保持了最优预测性能，AUROC为0.731,AUPRC为0.759。SHAP分析显示，最具预测价值的前9个变量为：术前JOA评分、SF-36心理健康、社会功能、生理功能、上肢肌力减弱、下肢麻木、肩部肌力减弱、SF-36情感职能和身体疼痛。结论 本研究构建并验证了一个基于LightGBM的机器学习模型，能够较为准确地预测老年DCM患者的短期手术预后（AUROC=0.731）。模型核心预测因子涵盖术前功能状态、生活质量指标及神经系统症状表现，可用于术前风险分层和临床决策支持。

关键词

脊髓疾病 / 预测 / 机器学习 / 老年人 / 退行性颈脊髓病