研究队列构建与数据划分
建立回顾性队列，明确纳入排除标准，并将数据分层划分为训练集和内部验证集。
纳入2014年9月至2021年9月在本院接受后路脊柱融合术的Lenke 1型或2型AIS患者，收集术前临床和影像学变量，按7:3比例分层随机分为训练集（n=195）和内部保留验证集（n=84）。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
利用术前影像学指标和机器学习预测青少年特发性脊柱侧凸术后远端交界性后凸的风险
Predicting the Risk of Distal Junctional Kyphosis After Surgery for Adolescent Idiopathic Scoliosis Using Preoperative Radiographic Indicators and Machine Learning
实验完整度
中回顾性单中心队列279例，使用术前影像学变量和九种机器学习算法建模，含内部保留验证、嵌套交叉验证及SHAP解释，但无外部验证或前瞻性功能验证。
主要模型
279例Lenke 1型或2型AIS患者回顾性队列 训练集195例 内部保留验证集84例
重点核对
DJK定义：末次随访时LIV与LIV+1之间节段性后凸角>10° 队列按7:3分层随机分为训练集（n=195）和内部保留验证集（n=84） 特征选择仅限训练集，Boruta筛选后行LASSO回归，λ.1se=0.05485925保留TLK、LIV-SSV、TK三个特征 SVM使用径向基核，超参数sigma=0.01、C=0.1，通过重复10折交叉验证（5次重复）以ROC AUC为优化指标选择 内部保留验证集仅用于最终评估，用于计算C指数、敏感性、特异性、Brier分数及配对DeLong检验
摘要
研究设计：回顾性队列研究。目的：开发并内部验证一个可解释的机器学习模型，利用术前影像学指标预测Lenke 1型或2型青少年特发性脊柱侧凸（AIS）术后远端交界性后凸（DJK）。方法：纳入279例接受后路脊柱融合术的Lenke 1型或2型AIS患者，其中47例发生DJK，232例未发生。评估了33个术前变量。队列按7:3分为训练集和内部保留验证集。特征选择和超参数调优仅在训练集中进行。使用Boruta和最小绝对收缩和选择算子回归进行特征选择，并比较了九种算法。结果：在内部保留验证集中，支持向量机（SVM）的C指数数值最高（0.930；95% CI，0.867-0.992），而逻辑回归为（0.912；95% CI，0.838-0.987）。配对DeLong检验显示差异无统计学意义（差值，0.017；95% CI，-0.015至0.050；P = 0.292）。SVM的敏感性为0.857，特异性为0.843，精确率为0.522，F1分数为0.649，Brier分数为0.073。十倍嵌套交叉验证得到的汇总C指数为0.891（95% CI，0.826-0.948）。SHAP确定TLK、LIV-SSV和TK为主要贡献因素。结论：术前矢状面力线和LIV-SSV关系可能有助于探索性DJK风险分层。三特征SVM显示出有前景的内部性能，但其相对于逻辑回归的数值优势并不能确立优越性。在临床实施前需要外部验证。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 能否利用术前影像学指标和机器学习模型预测Lenke 1型或2型AIS患者术后远端交界性后凸（DJK）的风险？
- 核心机制
- 术前矢状面力线参数（TLK、TK）及LIV与SSV的关系（LIV-SSV）被模型识别为DJK预测的主要贡献因素；较高的TLK和TK值以及LIV位于SSV上方增加了预测的DJK风险。
- 主要证据
- SVM在内部保留验证集中C指数为0.930（95% CI，0.867-0.992），敏感度0.857，特异度0.843，Brier分数0.073；配对DeLong检验显示SVM与逻辑回归C指数差异无统计学意义（P=0.292）；十倍嵌套交叉验证汇总C指数为0.891（95% CI，0.826-0.948）；SHAP分析显示TLK、LIV-SSV和TK为三个主要贡献变量。
- 研究意义
- 术前矢状面力线和LIV-SSV关系可能为Lenke 1型或2型AIS患者术后DJK风险的探索性分层提供有用信息；三特征SVM显示出有前景的内部预测性能，但作者明确指出该模型不应作为独立的临床决策工具，需要独立的多中心验证和前瞻性临床影响评估。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
特征选择
从33个候选变量中筛选出与DJK预测最相关的特征，降低模型复杂度。
先在训练集中使用Boruta算法评估所有候选变量的相对重要性，保留confirmed变量；随后对Boruta筛选后的变量进行LASSO回归，采用λ.1se选择非零系数的变量作为最终候选预测因子。
机器学习模型构建与超参数调优
在训练集中构建并调优九种机器学习模型，用于预测术后DJK。
使用LR、SVM、GBM、神经网络、RF、XGBoost、KNN、AdaBoost和决策树九种算法，以TLK、LIV-SSV、TK为输入变量，在训练集中使用caret框架进行模型拟合和超参数调优。
模型内部验证与性能评估
在内部保留验证集中评估各模型的预测性能、校准和临床净获益。
使用准确率、敏感性、特异性、精确率、F1分数、Brier分数和C指数评估模型性能，通过校准曲线和决策曲线分析评估校准和临床净获益。
嵌套交叉验证敏感性分析
在不依赖于主要分析中三特征选择的情况下，提供分区稳健的敏感性分析。
使用全队列和全部33个候选预测因子进行互补的10折嵌套交叉验证，在每个外层训练折中使用五折内层交叉验证进行L1惩罚特征选择和SVM超参数调优，汇总外层预测计算嵌套交叉验证C指数。
SHAP模型可解释性分析
量化各特征对SVM预测DJK概率的贡献方向和大小。
对最终选择的SVM模型应用SHAP方法，生成变量重要性图、蜜蜂图和个体患者力力图。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据分析与建模 | R软件（v4.4.2） | -- | v4.4.2 |
| LASSO回归 | glmnet包 | -- | -- |
| 机器学习建模 | caret框架 | -- | -- |
| SVM建模 | kernlab::ksvm | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 研究队列与纳入排除标准 | 纳入标准（Lenke 1/2型AIS，年龄10-18岁，随访>24个月）；排除标准（其他术后并发症、既往脊柱手术、信息不完整）；DJK定义（末次随访LIV与LIV+1之间节段性后凸角>10°）；样本量279例（47例DJK，232例无DJK） 阅读提示：Methods 2.1研究设计与数据来源，2.2结局定义与分组；Table 1 |
| 影像学测量 | 33个术前变量均在术前站立位全脊柱X线上测量，依据Spinal Deformity Study Group的AIS Radiographic Measurement Manual；LIV-SSV编码规则（负值=LIV位于SSV头侧，0=同一水平，正值=LIV位于SSV尾侧）；由两名资深脊柱外科医生独立测量取均值，分歧由第三名专家裁定 阅读提示：Methods 2.3预测变量；Figure 2 |
| 数据划分与特征选择 | 按7:3分层随机分为训练集（n=195）和内部保留验证集（n=84）；特征选择仅在训练集中进行；Boruta算法参数及TentativeRoughFix程序；LASSO回归十折交叉验证，λ.1se=0.05485925；最终保留TLK、LIV-SSV、TK 阅读提示：Methods 2.4特征变量选择；Figure 2；Supplementary Material 1 |
| 模型构建与超参数调优 | 九种算法；重复10折交叉验证（5次重复），以ROC AUC为优化指标；SVM径向基核，sigma=0.01、C=0.1；其余算法超参数见Supplementary Material 2；内部保留验证集不参与调优和拟合 阅读提示：Methods 2.5模型构建与超参数调优；Supplementary Material 2 |
| 模型评估与统计比较 | 阈值依赖指标使用最大化Youden指数的截断值；C指数置信区间用DeLong方法；敏感性和特异性用精确二项置信区间；Brier分数置信区间用非参数bootstrap（5000次重采样）；SVM与LR验证C指数差异用配对DeLong检验（差值0.017，95% CI -0.015至0.050，P=0.292） 阅读提示：Methods 2.6模型评估与校准；Table 3；Figure 3 |
| 嵌套交叉验证 | 使用全队列和全部33个候选预测因子；外层10折，内层5折交叉验证；SVM搜索网格sigma（0.1、0.01、0.001）和C（0.1、0.5）；汇总C指数0.891（95% CI，0.826-0.948） 阅读提示：Methods 2.6模型评估与校准（嵌套交叉验证部分） |
| SHAP可解释性分析 | 对最终SVM模型应用SHAP；SHAP值代表模型解释而非因果效应；TLK、LIV-SSV、TK为主要贡献变量 阅读提示：Methods 2.7模型可解释性分析；Figure 4 |