目的分析骨质疏松性椎体压缩骨折(osteoporotic vertebral compression fractures,OVCF)患者经皮椎体成形术(percutaneous vertebroplasty,PVP)术后疼痛缓解不佳的危险因素并构建列线图。方法选取2019年7月至2022年6月,我院PVP治疗的136...目的分析骨质疏松性椎体压缩骨折(osteoporotic vertebral compression fractures,OVCF)患者经皮椎体成形术(percutaneous vertebroplasty,PVP)术后疼痛缓解不佳的危险因素并构建列线图。方法选取2019年7月至2022年6月,我院PVP治疗的136例OVCF患者。根据术前1天和术后1个月的疼痛视觉模拟评分(visual analogue scales,VAS)差值定义疼痛缓解不佳和疼痛缓解良好。通过多因素Logistic回归分析OVCF患者术后疼痛缓解不佳的独立危险因素。通过接收者操作特征曲线(receiver operating characteristic curve,ROC)评估独立危险因素的诊断能力。基于独立危险因素列线图并通过校正曲线和决策曲线分析评估列线图预测准确性和临床净收益。结果PVP术后疼痛缓解不佳患者58例(42.6%),疼痛缓解良好患者78例(57.4%)。多因素Logistic回归分析结果显示,年龄、美国麻醉医师协会(American Society of Anesthesiologists,ASA)分级(Ⅲ~Ⅳ级)、吸烟、胸腰筋膜损伤、骨密度(bone mineral density,BMD)、骨水泥注入量和骨水泥渗漏是PVP术后疼痛缓解不佳的独立危险因素(P<0.05)。年龄、ASA分级、吸烟、胸腰筋膜损伤、BMD、骨水泥注入量和骨水泥渗漏曲线下面积(area under the curve,AUC)分别为0.782、0.604、0.601、0.622、0.743、0.840和0.651。PVP术后疼痛缓解不佳风险的列线图校正曲线与原始曲线及理想曲线接近,C-index为0.814(95%CI:0.704~0.913),模型拟合度高。当列线图预测风险阈值在0.08~1.00时,能提供显著意义的临床净收益。结论基于年龄、ASA分级、吸烟、胸腰筋膜损伤、BMD、骨水泥注入量和骨水泥渗漏构建的列线图能有效定量OVCF患者PVP术后疼痛缓解不佳风险。展开更多
目的通过机器学习算法识别股骨颈骨折患者复位内固定后股骨头坏死(osteonecrosis of the femoral head,ONFH)并构建预测模型。方法选取我院2017年1月至2020年1月期间诊治的249例股骨颈骨折患者。使用最小绝对收缩选择算子(least absolut...目的通过机器学习算法识别股骨颈骨折患者复位内固定后股骨头坏死(osteonecrosis of the femoral head,ONFH)并构建预测模型。方法选取我院2017年1月至2020年1月期间诊治的249例股骨颈骨折患者。使用最小绝对收缩选择算子(least absolute shrinkage and selection operator,LASSO)和支持向量机-递归特征消除(support vector machine-recursive feature elimination,SVM-RFE)算法识别ONFH风险变量。ROC曲线、校正曲线、临床影响曲线及决策曲线分析评估Nomogram模型。结果249例中,ONFH发生率为25.7%。LASSO算法识别出11个术后ONFH风险变量;SVM-RFE算法识别出6个术后ONFH风险变量。交集风险变量为体质量指数(body mass index,BMI)、Garden分型、复位质量和中心粒细胞与淋巴细胞比值(neutrophil-lymphocyte ratio,NLR)。多因素Logistic回归模型分析证实BMI(OR:1.093,95%CI:1.038~1.151,P=0.001)、Garden分型[(Ⅲ型OR:2.294,95%CI:1.493~3.524,P<0.001),(Ⅳ型OR:4.458,95%CI:1.525~5.658,P<0.001)]、复位质量(OR:1.252,95%CI:1.031~1.521,P=0.023)和NLR(OR:1.351,95%CI:1.161~1.572,P<0.001)是术后ONFH的独立风险变量。ROC曲线及校正曲线证实Nomogram模型具有较高预测能力,AUC为0.811(95%CI:0.733~0.888),C-Index为0.823(95%CI:0.813~0.925)。在高风险群体中能有效识别出术后ONFH患者且提供显著临床净收益。结论基于机器学习算法开发和验证的Nomogram能有量化患者术后ONFH风险且便于临床实践。展开更多
文摘目的分析骨质疏松性椎体压缩骨折(osteoporotic vertebral compression fractures,OVCF)患者经皮椎体成形术(percutaneous vertebroplasty,PVP)术后疼痛缓解不佳的危险因素并构建列线图。方法选取2019年7月至2022年6月,我院PVP治疗的136例OVCF患者。根据术前1天和术后1个月的疼痛视觉模拟评分(visual analogue scales,VAS)差值定义疼痛缓解不佳和疼痛缓解良好。通过多因素Logistic回归分析OVCF患者术后疼痛缓解不佳的独立危险因素。通过接收者操作特征曲线(receiver operating characteristic curve,ROC)评估独立危险因素的诊断能力。基于独立危险因素列线图并通过校正曲线和决策曲线分析评估列线图预测准确性和临床净收益。结果PVP术后疼痛缓解不佳患者58例(42.6%),疼痛缓解良好患者78例(57.4%)。多因素Logistic回归分析结果显示,年龄、美国麻醉医师协会(American Society of Anesthesiologists,ASA)分级(Ⅲ~Ⅳ级)、吸烟、胸腰筋膜损伤、骨密度(bone mineral density,BMD)、骨水泥注入量和骨水泥渗漏是PVP术后疼痛缓解不佳的独立危险因素(P<0.05)。年龄、ASA分级、吸烟、胸腰筋膜损伤、BMD、骨水泥注入量和骨水泥渗漏曲线下面积(area under the curve,AUC)分别为0.782、0.604、0.601、0.622、0.743、0.840和0.651。PVP术后疼痛缓解不佳风险的列线图校正曲线与原始曲线及理想曲线接近,C-index为0.814(95%CI:0.704~0.913),模型拟合度高。当列线图预测风险阈值在0.08~1.00时,能提供显著意义的临床净收益。结论基于年龄、ASA分级、吸烟、胸腰筋膜损伤、BMD、骨水泥注入量和骨水泥渗漏构建的列线图能有效定量OVCF患者PVP术后疼痛缓解不佳风险。
文摘目的通过机器学习算法识别股骨颈骨折患者复位内固定后股骨头坏死(osteonecrosis of the femoral head,ONFH)并构建预测模型。方法选取我院2017年1月至2020年1月期间诊治的249例股骨颈骨折患者。使用最小绝对收缩选择算子(least absolute shrinkage and selection operator,LASSO)和支持向量机-递归特征消除(support vector machine-recursive feature elimination,SVM-RFE)算法识别ONFH风险变量。ROC曲线、校正曲线、临床影响曲线及决策曲线分析评估Nomogram模型。结果249例中,ONFH发生率为25.7%。LASSO算法识别出11个术后ONFH风险变量;SVM-RFE算法识别出6个术后ONFH风险变量。交集风险变量为体质量指数(body mass index,BMI)、Garden分型、复位质量和中心粒细胞与淋巴细胞比值(neutrophil-lymphocyte ratio,NLR)。多因素Logistic回归模型分析证实BMI(OR:1.093,95%CI:1.038~1.151,P=0.001)、Garden分型[(Ⅲ型OR:2.294,95%CI:1.493~3.524,P<0.001),(Ⅳ型OR:4.458,95%CI:1.525~5.658,P<0.001)]、复位质量(OR:1.252,95%CI:1.031~1.521,P=0.023)和NLR(OR:1.351,95%CI:1.161~1.572,P<0.001)是术后ONFH的独立风险变量。ROC曲线及校正曲线证实Nomogram模型具有较高预测能力,AUC为0.811(95%CI:0.733~0.888),C-Index为0.823(95%CI:0.813~0.925)。在高风险群体中能有效识别出术后ONFH患者且提供显著临床净收益。结论基于机器学习算法开发和验证的Nomogram能有量化患者术后ONFH风险且便于临床实践。
