换一批基于不同机器学习算法构建胸腰椎骨折术后残余腰背痛风险预测模型及评价
Construction and evaluation of a risk prediction model for residual low back pain after thoracolumbar fracture surgery based on different machine learning algorithms
摘要目的 探究基于不同机器学习算法构建胸腰椎骨折术后残余腰背痛(RBP)风险预测模型,以期为临床准确识别高风险人群、有效防控RBP提供依据.方法 选取2023年1月至2024年6月河北工程大学附属医院收治的278例胸腰椎骨折患者,收集患者临床资料,并根据视觉模拟评分(VAS)分为RBP组与非RBP组,运用Logistic回归分析确定进入胸腰椎骨折术后RBP预测模型构建的特征变量,采用不同程序包构建风险预测模型,采用受试者工作特征曲线(ROC)及曲线下面积(AUC)验证其预测效能.结果 随访3个月,成功完成随访者共有274例.274例胸腰椎骨折患者中,术后RBP发生率为14.60％,术后1 d、1周、1个月、3个月RBP组VAS评分高于非RBP组(P＜0.05);Logistic回归分析显示,骨密度T值≥-2.5 SD、脊柱后凸角矫正度数是胸腰椎骨折术后RBP的保护因素,筋膜损伤、骨折椎体数、椎体内裂隙征、肌肉减少症、肌肉脂肪浸润程度(MFI)是其危险因素(P＜0.05);ROC显示随机森林模型、列线图预测模型、决策树模型预测胸腰椎骨折术后RBP的AUC分别为 0.934(95％CI:0.897～0.960)、0.906(95％CI:0.865～0.938)、0.876(95％CI:0.831～0.913),其中随机森林的 AUC＞列线图AUC＞决策树模型AUC(P＜0.05).结论 相比决策树、列线图,基于随机森林算法构建的预测模型对胸腰椎骨折术后RBP的预测效能更好,可有效评估术后RBP的发生概率,为RBP的防控提供指导.
更多相关知识
关键词
胸腰椎骨折机器学习算法残余腰背痛预测模型特征变量预测效能thoracolumbar vertebral fracturemachine learning algorithmresidual low back painpredictive modelcharacteristic variablespredictive efficiency
分类号
R274.1（中医骨伤科）
栏目名称
DOI
10.3969/j.issn.1005-7234.2025.04.008
发布时间
2025-08-01（万方平台首次上网日期，不代表论文的发表时间）
基金项目
河北省医学科学研究课题（20220665）
- 浏览8
- 被引0
- 下载10
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
