机器学习预测肱骨近端骨折钢板内固定后继发性螺钉切出的风险OA北大核心

背景:继发性螺钉切出关节面是肱骨近端骨折锁定钢板内固定术后的主要并发症之一,切出的螺钉会磨损关节盂和引起肩峰撞击,影响肩关节功能。因此,准确的风险预测有积极的临床意义。目的:通过机器学习方法筛选肱骨近端骨折钢板内固定后继发性螺钉切出的风险因素,开发并验证风险预测模型,便于临床医生早期甄别并干预高风险患者。方法:收集2013年6月至2022年6月接受锁定钢板内固定治疗的214例肱骨近端骨折患者的临床资料作为训练组建立模型,将同一时间段另一医院收治的同类患者61例纳入外部验证组。按照患者术后是否出现继发性螺钉切出,分为螺钉切出组和螺钉维持组。训练组利用随机森林、支持向量机、逻辑回归3种机器学习算法构建预测模型;采用递归特征消除法、10折交叉验证重抽样作为变量的筛选方法,并将3种模型准确度最高时纳入变量的交集作为与螺钉切出高度相关的可靠风险变量。通过R语言软件构建动态预测模型,以网页计算器形式展示,并对模型进行内、外部验证。模型内部检验采用Bootstrap法重抽样1000次,使用受试者工作特征曲线下面积、校准曲线、临床决策曲线评价模型的区分度、校准能力及临床应用价值。通过Youden指数确定预测模型的最佳风险分界值,据此将外部验证组患者分为高、低风险组,根据模型风险预测能力的准确度来评价其稳定性和外延性。结果与结论:①机器学习算法筛选出继发性螺钉切出高度相关的4个风险变量,分别为肱骨近端内侧柱皮质支撑、三角肌结节指数、骨折类型及术后复位情况;②构建的风险预测模型表现出良好的区分度和准确度[曲线下面积=0.874,95%置信区间(0.827,0.922)],校准曲线显示模型预测风险和实际发生风险有较好的一致性;③临床决策曲线提示风险阈值概率在0.1-0.75范围内时,模型具有较好的临床适用性;④风险概率为26%是模型风险分层的最佳阈值,外部验证组利用模型风险分层预测螺钉切出的总正确率为84%;⑤结果说明该风险预测模型准确度和外延性较好,可为指导临床治疗提供依据。