NO
摘要
退行性颈脊髓病（DCM）是一种导致进行性非创伤性颈脊髓压迫的脊髓疾病。脊柱外科医师必须考虑与疾病表现、影像特征和患者特征有关的大量信息，以确定患者是否会受益于DCM的手术。我们应用有监督的机器学习方法建立了一个分类模型来预测DCM手术后的个体患者结局。作为AOS脊柱CSM-NA或CSM-I前瞻性多中心研究的一部分，接受DCM手术的患者被纳入分析。在757名患者中，605名、583名和539名患者分别在6个月、12个月和24个月时有完整的随访信息，并被纳入分析。
主要结果是SF-6D生活质量指标得分通过最小临床重要性差异（MCID）得到改善。次要结果是MCID对改良日本骨科协会（mJOA）评分的改善。预测变量反映了有关术前疾病严重程度、疾病表现、患者人口统计和共病的信息。采用特征工程、数据预处理和模型优化的机器学习方法，创建最准确的DCM术后结果预测模型。在数据预处理后，分别在6个月、12个月和24个月时选择48个、108个和101个特征进行模型训练。最佳预测模型采用随机森林结构，平均曲线下面积（AUC）为0.7。在未用于模型训练的试验队列中进行评估时，分类准确率为77%，敏感性为78%。术前疾病严重程度越差、扩张型心肌病症状持续时间越长、年龄越大、体重越高以及目前吸烟状况与手术结果越差相关。我们开发了一个模型，在独立测试队列中预测DCM的阳性手术结果，在个体患者水平上具有良好的准确性。我们的分析证明了机器学习在脊柱外科预测建模中的适用性。
材料与方法
患者群体
如果患者提供书面同意并符合以下资格标准，则将其纳入研究：
1）年龄大于大于18;
2） 症状性扩张型心肌病伴一种或多种脊髓病征象；
3） 颈髓受压的影像学证据；
4）既往无颈椎手术史。
排除标准为无症状扩张型心肌病、活动性感染、肿瘤性疾病、类风湿性关节炎、外伤、强直性脊柱炎或伴有腰椎管狭窄症。所有入选患者均接受了颈椎手术减压，包括或不包括器械融合。
基础数据和成果计量
基础数据包括确定患者人口统计（如年龄、性别、体重、身高、种族、教育程度等）、临床表现（如症状、体征、病因病理等）、手术治疗（如手术入路、手术次数、手术时间等）和详细的医疗发病率的变量（以前的MI、吸烟史、心脏病理学、精神病学故事等）。收集了术前测量、SF-36评分、颈部残疾指数（NDI）和Nurick评分。我们的目标是根据术前临床变量预测现代手术结果。是否包括确定手术类型的变量（前、后）或在非最终模型上的旋转水平。
在术后6个月、12个月和24个月评估结果指标。主要结果指标是生活质量的改善，由SF-36问卷得出的SF-6D评分衡量。生活质量的改善被定义为SF-6D得分增加0.03，代表最小的临床重要差异（MCID）[20]。次要结果指标是mJOA评分至少提高2分，代表所有术前疾病严重程度的平均MCID[11,19]。
数据预处理与特征工程
丢失的数据以两种方式处理。对于丢失数据超过5%的特征，将消除整个特征。对于缺失数据少于5%的特征，使用k-最近邻算法（kNN）来插补缺失数据。所有样本绘制在111维特征空间中，每个样本识别出10个具有最小欧氏距离的邻居。然后通过计算10个相邻区域的平均值来估算缺失值。数据预处理是通过为分类特征创建虚拟变量以及对有序和连续特征进行居中和缩放来进行的。
使用递归特征消除进行特征选择。以SF-6D的改善为结果生成随机森林模型，并记录均方根误差（RMSE）。通过计算使用每个特征的树的数量来确定特征的重要性，并消除最重要的特征。接下来，使用剩余的特征生成随机森林模型，并迭代地继续该过程，直到所有特征都被消除。选择产生最低RMSE的特征集作为最终特征集。数据集分为训练/验证和测试数据集。对数据进行分割，使培训/验证数据集和测试数据集之间的分类频率相等。
模型的选择
通过比较随机森林、支持向量机、logistic回归、简单决策树和人工神经网络（ANN）模型（使用SF-6D改进的所有特征作为结果），进行初始模型选择。对于初始模型比较，使用了两个重复的4倍交叉验证。Caret软件包提供的默认超参数用于随机森林、支持向量机、逻辑回归、决策树和人工神经网络模型。
总结
我们回顾性地将机器学习方法应用于一组因扩张型心肌病接受手术减压的多中心患者。我们的最终随机森林模型能够在独立患者水平上预测积极的手术结果，并且具有很好的准确性，这是在一个不用于模型训练的独立测试队列中进行的。我们的模型发现，术前疾病严重程度越差、扩张型心肌病症状持续时间越长、年龄越大、体重越高以及当前吸烟状况与手术结果越差相关。