يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة بحثية

التنبؤ بتكرار فتق القرص القطني عند L5-S1 من خلال التعلم الآلي القائم على استئصال القرص بالمنظار عبر النهج بين الصفيحة

932 مشاهدة

⸱

DOI:

10.3791/68550

⸱

يوليو 11, 2025

 ,  ,  ,  , 
1Department of Spine Surgery, Affiliated Hospital 2 of Nantong University, 2Nantong Clinical Medical College of Kangda College of Nanjing Medical University, 3Nantong Hospital to Nanjing University of Chinese Medicine, 4Research Institute for Spine and Spinal Cord Disease of Nantong University

في هذه المقالة

ملخص

تم تطوير نماذج التعلم الآلي للتنبؤ بتكرار فتق القرص L5-S1 بعد جراحة PEID ، وتحليل البيانات من 309 مريضا. تضمنت التنبؤات الرئيسية مؤشر كتلة الجسم و PDHI ، مع غابة عشوائية ونماذج تعزيز التدرج الشديد التي تظهر أفضل أداء.

الملخص

تهدف هذه الدراسة إلى تطوير نماذج التعلم الآلي (ML) للتنبؤ بفتق القرص القطني المتكرر على مستوى L5-S1 (rLDH) بعد استئصال القرص بين الصفيحة بالمنظار عن طريق الجلد (PEID) ، وهو علاج طفيف التوغل لفتق القرص القطني L5-S1. تم تحليل بيانات من 309 مرضى خضعوا لاختبار L5-S1 PEID أحادي المستوى بين يناير 2020 ويونيو 2024 ، مع 6 أشهر على الأقل من المتابعة. تم استخدام السجلات السريرية والتصوير قبل الجراحة ودرجات المقياس التناظري البصري (VAS). حدد انحدار LASSO المتنبئين الرئيسيين ، وتم بناء ستة نماذج ML: آلة ناقلات الدعم (SVM) ، وشجرة القرار (DT) ، والتعزيز التكيفي (ADA) ، وآلة تعزيز التدرج الخفيف (LGBM) ، والغابة العشوائية (RF) ، وتعزيز التدرج الشديد (XGB). من بين المرضى ، عانى 10.7٪ من rLDH ، والذي يعرف بأنه انخفاض بنسبة ≥60٪ في VAS متبوعا بتكرار الأعراض وتأكيد التصوير. تضمنت العوامل الرئيسية مؤشر كتلة الجسم (BMI) ، ومؤشر ارتفاع القرص الخلفي (PDHI) ، وتضيق القناة الشوكية ، ومدة المرض ، والخدر أو الضعف ، والتغيرات المودي ، ونوع الفتق ، ومرض السكري. كان أداء طرازي RF و XGB أفضل. ارتفاع مؤشر كتلة الجسم ، ارتفاع مؤشر كتلة الجسم ، تضيق القناة الشوكية ، مدة المرض أكثر من ستة أشهر ، تغيرات موديك ، فتق غير محتوي ، ومرض السكري يزيد من خطر rLDH. تم تصنيف الأهمية المتغيرة لكلا النموذجين. يمكن أن يؤدي التنبؤ ب rLDH قبل الجراحة إلى تعزيز عملية صنع القرار وتقليل مخاطر التكرار بعد PEID ، مع نماذج ML التي تعمل على تحسين الدقة وتحديد عوامل الخطر الحرجة.

المقدمة

يشمل استئصال القرص القطني بالمنظار عن طريق الجلد (PELD) تقنيات مختلفة ، مثل استئصال القرص عبر الثقب بالمنظار عن طريق الجلد (PETD) واستئصال القرص بين الصفيحة بالمنظار عن طريق الجلد (PEID) ، مع اختيار النهج الجراحي اعتمادا على موقع الآفة والخصائص التشريحية الفردية للمريض1. يعد فتق القرص القطني المتكرر (rLDH) أحد الأسباب الأكثر شيوعا لإعادة الجراحة بعد PELD ، حيث يتراوح معدل الإصابة من 0٪ إلى 12.5٪ 2،3. كتقنية طفيفة التوغل ، تم تطبيق PEID على نطاق واسع في علاج أمراض أسفل الظهر مثل فتق القرص على مستوى L5-S1. مزاياها ، بما في ذلك الحد الأدنى من الصدمات ، والإقامة القصيرة في المستشفى ، والتعافي السريع بعد الجراحة ، جعلتها مفضلة للغاية من قبل كل من الأطباء والمرضى4. ومع ذلك ، على الرغم من الفوائد الكبيرة لتقنيات التنظير الداخلي في تقليل الصدمات الجراحية وتعزيز الشفاء السريع ، لا يزال بعض المرضى يواجهون مشكلة فتق القرص المتكرر بعد الجراحة5.

يرتبط تكرار فتق القرص القطني ارتباطا وثيقا بعوامل متعددة ، بما في ذلك درجة تنكس القرص ، وارتفاع القرص الخلفي ، وتغيرات Modic (التهاب الصفيحة النهائية) ، والمناطق التي تتلامس عن كثب مع الصفيحةالنهائية 6. بالإضافة إلى ذلك ، فإن مؤشر كتلة الجسم له تأثير كبير على التعافي بعد الجراحة ، حيث تشير الدراسات إلى أن المرضى الذين يعانون من ارتفاع مؤشر كتلة الجسم يواجهون عادة خطرا أكبر للتكرار5. تم استخدام مؤشر ارتفاع القرص الفقري ، كمؤشر مهم لتقييم درجة تنكس القرص ، على نطاق واسع. يتم تعريفه على أنه ارتفاع هوامش القرص الأمامي والخلفي مقسوما على المسافة الوسطى للجسمين الفقريين. ومع ذلك ، بالنسبة لفتق القرص وتكرار ما بعد الجراحة ، بسبب توزيع الإجهاد على الهوامش الأمامية والخلفية ، يكون مؤشر ارتفاع القرص الخلفي أكثر أهمية في التنبؤ ب rLDH7. تعد الإزالة غير الكاملة للنواة اللبية أثناء الجراحة أحد الأسباب الرئيسية لأعراض ما بعد الجراحة المتبقية ، حيث يصعب استئصال بعض أنسجة القرص تماما أثناء الإجراء8. تؤدي التغييرات المودية إلى تلف الصفيحة الطرفية والاستجابات الالتهابية ، مما يؤدي إلى عدم الاستقرار الميكانيكي. قد تؤدي مكونات النواة اللبية والغضاريف في فتق القرص غير المحتوي إلى تفاقم تنكس الصفيحة النهائية والقرص الفقري8،9. يرتبط تضيق القناة الشوكية بحدوث rLDH ، خاصة في المرضى الذين يخضعون لجراحة تخفيف الضغط البسيطة بدون دمج10. علاوة على ذلك ، فإن عادات نمط الحياة غير الصحية وأمراض القلب والأوعية الدموية واضطرابات التمثيل الغذائي مثل مرض السكري تطيل بشكل كبير من وقت التئام القرص ، مما يزيد من خطر التكرار والألم11،12. لذلك ، فإن الهدف الأول من هذه الدراسة هو إجراء مزيد من التحقيق في عوامل الخطر المرتبطة ب rLDH بعد PEID في الجزء L5-S1.

في السنوات الأخيرة ، فتحت التطورات في الذكاء الاصطناعي (الذكاء الاصطناعي) وتقنيات التعلم الآلي إمكانيات جديدة للتحليل الطبي. زاد تطبيق الذكاء الاصطناعي والتعلم الآلي في الأبحاث المتعلقة بالعمود الفقري بشكل كبير13،14. باعتباره الجزء السفلي القطني الذي يحمل أكبر وزن في الجزء العلوي من الجسم ويمتلك خصائص ميكانيكية حيوية فريدة ، فإن L5-S1 هو موقع شائع لفتق القرص القطني. استنادا إلى تسلسل التصوير بالرنين المغناطيسي القطني T2 للمريض (نظرا لحساسيته العالية لتصوير القرص الفقري ، والذي يعمل كأداة تقييم أكثر أهمية) ، جنبا إلى جنب مع فحوصات التصوير المقطعي المحوسب والأشعة السينية ، يمكن الحصول على المزيد من المعلومات الفيزيولوجية المرضية حول الأقراص الفقرية للمريض ، مما يؤدي إلى فهم أوضح ل rLDH15. في الممارسة السريرية ، لا يزال التنبؤ بدقة بعوامل خطر تكرار ما بعد الجراحة ، مع الأخذ في الاعتبار الهيكل التشريحي الفريد لمنطقة L5-S1 والمضاعفات المحتملة المختلفة ، يمثل تحديا كبيرا16،17.

تم تطبيق التعلم الآلي على نطاق واسع في المجال الطبي ، حيث تلعب خوارزميات مثل Random Forest و Gradient Boosting دورا مهما في التنبؤ بالمرض وتقييم المخاطر18. يستخدم انحدار LASSO ، من خلال آلية تنظيم L1 الخاصة به للاختيار المتغير وانكماش المعامل ، لمعالجة مشكلات اختيار الميزات والإفراط في التجهيز في البيانات عاليةالأبعاد 19. تستكشف خوارزمية البحث عن الشبكة بشكل شامل مساحة المعلمة الفائقة ، مما يسهل تحديد مجموعة المعلمات الفائقة المثلى لكل نموذج ، وبالتالي تعزيز قدرة التنبؤ والاستقرار20. في هذا السياق ، يمكن استخدام خوارزميات التعلم الآلي المطبقة في لغات الذكاء الاصطناعي السائدة مثل Python و R ، عندما تستند إلى حجم عينة يتجاوز 240 حالة ، لبناء نماذج الذكاءالاصطناعي 21. من خلال استخدام تقنيات مثل انحدار LASSO لاختيار المتغير وبناء النماذج ، يتم استخدام خوارزميات البحث عن الشبكة لتقليل الأخطاء وزيادة دقة التنبؤ ، وبالتالي تحسين استقرار النموذج.

في هذه الدراسة ، من خلال التحليل الإحصائي وقياس عوامل الخطر المختلفة في مرضى L5-S1 ، ودمج البيانات متعددة الأبعاد - بما في ذلك المعلومات السريرية (على سبيل المثال ، العمر ، مؤشر كتلة الجسم) ومتغيرات التصوير (على سبيل المثال ، ارتفاع القرص ، مؤشر ارتفاع القرص الخلفي) - يهدف إلى تطوير نموذج تنبؤي أكثر دقة. الهدف الثاني من هذه الدراسة هو تقييم مخاطر تكرار المرضى قبل الجراحة ، وتقييم أداء النموذج ، وتسليط الضوء على أهمية عوامل الخطر المختلفة.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

هذه الدراسة عبارة عن تحليل بأثر رجعي تمت الموافقة عليه من قبل لجنة الأخلاقيات المؤسسية في مستشفى نانتونغ الأول الشعبي. تم تسجيل التجربة في ClinicalTrials.gov (رقم التسجيل: NCT06833099). نظرا لأن المعلومات الصحية لجميع المشاركين كانت مجهولة المصدر ، لم تكن الموافقة المستنيرة مطلوبة. المواد الاستهلاكية والمعدات المستخدمة مدرجة في جدول المواد.

1. دراسة السكان

تضمنت الدراسة البيانات السريرية وسجلات التصوير قبل الجراحة ل 436 مريضا خضعوا لاستئصال القرص بين الصفيحة بالمنظار عن طريق الجلد (PEID) لآلام أسفل الظهر وآلام الساق بسبب فتق القرص L5-S1 في مستشفى نانتونغ فيرست بيبولز بين 1 يناير 2020 و 30 يونيو 2024. بناء على معايير الاستبعاد ، تم تضمين 309 مرضى في النهاية ، من بينهم تم تأكيد فتق القرص القطني المتكرر (rLDH) من خلال درجات مقياس التناظر البصري (VAS) بعد الجراحة وتصوير المتابعة. من بين 309 مرضى ، عانى 33 من rLDH بعد الجراحة ، بينما كان ال 276 الباقون يعانون من تخفيف كبير من آلام أسفل الظهر والساق ، مع انخفاض درجات VAS بأكثر من 60٪. تم اشتقاق متغيرات التصوير لجميع المشاركين من فحوصات الأشعة السينية والتصوير المقطعي المحوسب والتصوير بالرنين المغناطيسي قبل الجراحة ، جنبا إلى جنب مع المعلومات السريرية التفصيلية ، بما في ذلك الجنس والعمر والطول والوزن ومؤشر كتلة الجسم ودرجات VAS والمتغيرات الأخرى ذات الصلة (الشكل 1).

2. معايير الإدراج والاستبعاد

معايير التضمين ل rLDH: (1) المرضى الذين يعانون من فتق القرص القطني L5-S1 الذين خضعوا ل PEID أحادي القطعة. (2) فحوصات تصوير شاملة تم إكمالها في غضون شهر واحد قبل الجراحة. (3) تخفيض درجة VAS بعد الجراحة ≥60٪ ، تليها زيادة في النتيجة والتأكيد عن طريق التصوير. (4) لم يتم اكتشاف أي تشوهات أخرى في التصوير. (5) فترة متابعة لا تقل عن 6 أشهر.

معايير التضمين لغير rLDH: (1) المرضى الذين يعانون من فتق القرص القطني L5-S1 الذين خضعوا لعملية PEID أحادية القطعة. (2) فحوصات تصوير شاملة تم إكمالها في غضون شهر واحد قبل الجراحة. (3) انخفاض درجة VAS بعد الجراحة ≥60٪ ، مع عدم تكرارها. (4) لم يتم اكتشاف أي تشوهات أخرى في التصوير. (5) فترة متابعة لا تقل عن 6 أشهر.

معايير الاستبعاد: (1) وجود حالات مرضية أخرى تسبب آلام أسفل الظهر ، مثل عدوى القرص أو أورام العمود الفقري أو أمراض العظام الأيضية أو هشاشة العظام. (2) تاريخ من القرص القطني أو جراحات العمود الفقري الأخرى. (3) جودة التصوير الرديئة أو بيانات الفحص غير المكتملة. (4) خسارة المتابعة.

3. المتغيرات الفئوية والمستمرة

تم تحليل وقياس الخصائص السريرية قبل الجراحة وبيانات التصوير للمرضى إحصائيا (الجدول 1 والجدول 2). تم استخدام المتغيرات الفئوية للتمييز بين خصائص المرض الأساسية وعوامل نمط الحياة والمتغيرات الأخرى ، بينما مثلت المتغيرات المستمرة قياسات محددة تصف الحالة الفسيولوجية للمرضى وتغيرات التصوير قبل الجراحة. وللحد من التحيز، نفذت تدابير صارمة لمراقبة الجودة. كان اثنان من أخصائيي الأشعة وجراحي العمود الفقري يتمتعون بخبرة سريرية تزيد عن 10 سنوات مسؤولين عن التحليل الإحصائي وقياس بيانات التصوير. بالنسبة للحالات المعقدة ، قام الطبيبان بحل المشكلات من خلال التشاور المشترك لضمان الدقة والاتساق في معالجة البيانات.

تضمنت المتغيرات الفئوية: الجنس ، والسكري ، وارتفاع ضغط الدم ، وأمراض القلب والأوعية الدموية والأوعية الدموية الدماغية (CCD) ، والجنف ، وتضيق العمود الفقري ، والعوامل المحفزة (على سبيل المثال ، النشاط الشاق ، والالتواء ، والتعرض للبرد ، أو التأثير ، أو عدم وجود محفز واضح) ، ومدة المرض (أكثر من 6 أشهر أو أقل من 6 أشهر) ، والخدر أو الضعف ، ونوع النتوء (المحتوي أو غير المحتوى) ، وتنكس القرص (الدرجات الأول والثاني والثالث والرابع والخامس) ، وتنكس القرص المجاور (الدرجات الأولى ، الثاني والثالث والرابع والخامس) ، وتغيرات موديك ، وتكلس القرص.

تضمنت المتغيرات المستمرة: العمر ، ومدة الجراحة ، والطول ، والوزن ، ومؤشر كتلة الجسم (BMI) ، والحد الأقصى لقطر فتق القرص (MDHD) ، وارتفاع القرص الخلفي (PDH) ، والمسافة بين مركزين للفقرات (DBTVC) ، وزاوية اتجاه مفصل الوجه (FJOA) ، وزاوية القرص (DA) ، وزاوية الانحدار العجزي (SSA) ، وزاوية قعس قطني (LLA) ، ومؤشر ارتفاع القرص الخلفي (PDHI ، PDHI = PDH / DBTVC).

4. تنظيف البيانات واختيار المتغير

أولا ، تمت قراءة ملف البيانات "zjkj3" في R (الإصدار 4.3.1 ، https://www.r-project.org/ ، النظام الأساسي: x86_64-w64-mingw32 / x64 (64 بت) ، حقوق الطبع والنشر (C) 2023 مؤسسة R للحوسبة الإحصائية) باستخدام الوظيفة read_excel وتخزينها في متغير بيانات. كان ترميز الأحرف المحدد هو UTF-8 (النظام الافتراضي) ، وهي طريقة ترميز مستخدمة على نطاق واسع قادرة على دعم اللغات المكتوبة لمعظم البلدان حول العالم. ثم تم استخدام وظيفة التحديد لفصل المتغير الهدف عن متغيرات الميزة. لضمان استنساخ تقسيم البيانات ، تم تعيين بذرة عشوائية ثابتة من 3 ، وتم تقسيم مجموعة البيانات إلى مجموعة تدريب (80٪) ومجموعة اختبار (20٪). أخيرا ، تم تحديد دالة انحدار LASSO ، وتم أخذ عينات من جزء من بيانات التدريب بشكل عشوائي باستخدام وظيفة glmnet لتناسب انحدار LASSO. تم تحديد معلمة التنظيم المثلى λ باستخدام تنظيم L1 والتحقق المتبادل (الافتراضي 10 أضعاف) ، مع ضمان عدم خلط بيانات المريض المكررة بين مجموعات التدريب والاختبار. تم حساب خطأ التحقق المتبادل لكل قيمة λ لتحديد القيمة المثلى λ.

5. تطوير النموذج وتقييمه

SVM (آلة توجيه الدعم): يقوم هذا النموذج بتعيين بيانات التدريب إلى مستوى فائق ، مما يزيد من الهامش بين فئتين للتنبؤ بالهدف. إعدادات المعلمة الفائقة المحددة لنموذج SVM في هذه الدراسة هي: kernel = "خطي" ، التكلفة = 1. يصور الشكل التكميلي 1 مصفوفات الارتباك ل SVM.

DT (شجرة القرار): يقوم هذا النموذج بتقسيم البيانات بشكل متكرر لإنشاء بنية شجرة للتنبؤ بالمتغير المستهدف. إعداد المعلمة الفائقة المحددة لنموذج DT في هذه الدراسة هو: max_depth = 3. يصور الشكل التكميلي 2 مصفوفات الارتباك ل DT.

ADA (AdaBoost): يجمع هذا النموذج بين العديد من المتعلمين الضعفاء (عادة أشجار القرار) لإنشاء متعلم قوي ، وتحسين أداء التصنيف. إعدادات المعلمة الفائقة المحددة لنموذج ADA في هذه الدراسة هي: n_estimators = 150 ، learning_rate = 0.1 ، البذور = 80. يصور الشكل التكميلي 3 مصفوفات الارتباك ل ADA.

LGBM (آلة تعزيز التدرج الخفيف): يستخدم هذا النموذج خوارزمية الرسم البياني لتقسيم الميزات المستمرة ، وتسريع عملية التدريب وتقليل حمل الذاكرة ، مما يجعله إطارا فعالا وسريعا لتعزيز التدرج ، ومناسبا بشكل خاص لمجموعات البيانات واسعة النطاق. إعدادات المعلمات الفائقة المحددة لنموذج LGBM في هذه الدراسة هي: num_leaves = 5 ، learning_rate = 0.05 ، n_estimators = 50. يصور الشكل التكميلي 4 مصفوفات الارتباك للمثليين.

الترددات اللاسلكية (الغابة العشوائية): يقوم هذا النموذج ببناء أشجار قرارات متعددة ويجمع بين تنبؤاتها لتحسين الدقة والتحكم في التجهيز الزائد. إعدادات المعلمة الفائقة المحددة لنموذج التردد اللاسلكي في هذه الدراسة هي: ntree = 310 ، mtry = 1 ، maxnodes = 10 ، max_depth = 1 ، البذور = 80. يصور الشكل التكميلي 5 مصفوفات الارتباك للترددات اللاسلكية.

XGB (تعزيز التدرج الشديد): هذا النموذج عبارة عن خوارزمية محسنة تعتمد على أشجار القرار ، باستخدام خوارزمية شجرة قرار معززة للتدرج المعمم لتسريع بناء النموذج ، مع قابلية تطبيق قوية لمهام التصنيف والانحدار. إعدادات المعلمة الفائقة المحددة لنموذج XGB في هذه الدراسة هي: nrounds = 100 ، max_depth = 2 ، eta = 0.39 ، جاما = 0 ، colsample_bytree = 0.88 ، البذور = 80. يصور الشكل التكميلي 6 مصفوفات الارتباك ل XGB.

تم تقييم أداء النماذج الستة باستخدام المقاييس التالية: مجموعة اختبار ROC AUC ، والدقة ، والحساسية ، والنوعية ، والقيمة التنبؤية الإيجابية (PPV) ، والقيمة التنبؤية السلبية (NPV) ، ودرجة F1. صيغة الحساب هي كما يلي22:

figure-protocol-1

TP: إيجابي حقيقي. TN: سلبي حقيقي. FP: إيجابي كاذب. FN: سلبي كاذب.

6. البحث عن الشبكة وضبط المعلمات الفائقة

لتحسين أداء النموذج ، تم استخدام البحث الشبكي لاستكشاف مجموعات مختلفة من المعلمات الفائقة. من خلال الضبط والتقييم التكراري ، تم تحديد مجموعة المعلمات الفائقة المثلى لتعظيم قيم ROC AUC لكل من مجموعات القطار والاختبار ، وبالتالي تحسين الأداء العام للنموذج. ويرد في الجدول 3 نطاقات المعلمات الفائقة المعدلة. يتم توفير البحث عن الشبكة في الشكل التكميلي 7 ، والشكل التكميلي 8 ، والجدول التكميلي 1 ، والجدول التكميلي 2 ، والجدول التكميلي 3 ، والجدول التكميلي 4.

7. ترتيب الأهمية المتغيرة

تم اختيار النماذج الأفضل أداء - الغابة العشوائية (RF) وتعزيز التدرج الشديد (XGB) - لترتيب الأهمية المتغيرة. تساعد هذه التصنيفات في تحديد أهم المتنبئين ب L5-S1 rLDH بعد PEID.

8. التحليل الإحصائي

تم إجراء جميع التحليلات الإحصائية باستخدام برنامج R. تم الإبلاغ عن المتغيرات الفئوية كنسب مئوية ، بينما تم التعبير عن المتغيرات المستمرة كمتوسط ± انحراف معياري. تمت مقارنة الخصائص السريرية ومعلمات التصوير بين المجموعة غير المتكررة (non-rLDH ، n = 276) والمجموعة المتكررة (rLDH ، n = 33).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

تم تضمين ما مجموعه 309 مرضى يعانون من فتق القرص القطني L5-S1 الذي يسبب آلام أسفل الظهر والساق والذين خضعوا لاستئصال القرص بين الصفيحة بالمنظار عن طريق الجلد (PEID) في هذه الدراسة. تم جمع بيانات التصوير قبل الجراحة والمتغيرات الفسيولوجية السريرية ودرجات VAS ، بالإضافة إلى التصوير بعد الجراحة ودرجات VAS. من بين هؤلاء المرضى ، تم تصنيف 33 في مجموعة فتق القرص القطني المتكرر (مجموعة rLDH) ، وتم تصنيف 276 إلى مجموعة عدم التكرار (مجموعة غير rLDH). تضمنت البيانات السريرية والتصويرية قبل الجراحة 1...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

يلعب استئصال القرص الفقري بالمنظار عن طريق الجلد دورا مهما في علاج فتق القرص L5-S1 ، مما يجعل من المهم للغاية التنبؤ بفتق القرص القطني المتكرر بعد الجراحة (rLDH) 1،2. في مرحلة اختيار الصور وتنظيف البيانات ، قامت هذه الدراسة بقياس صور التصوير بالرنين المغناطيسي بشكل أساسي. عندما كانت جودة الصورة رديئة أو كانت الصور غير واضحة ، تم استخدام الأشعة السينية أو التصوير المقطعي المحوسب للقياسات التكميلية. بالنسبة للمرضى الذين يعانون من ف...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

ويعلن المؤلفون أن البحث أجري في غياب أي علاقات تجارية أو مالية يمكن تفسيرها على أنها تضارب محتمل في المصالح.

شكر وتقدير

يود المؤلفون أن يشكروهم على دعمهم المالي (تم دعم العمل من قبل مؤسسة العلوم التابعة لكلية كانغدا بجامعة نانجينغ الطبية (رقم المنحة. KD2024KYJJ292). تم دعم العمل من قبل صندوق البحوث الخاصة بجامعة نانتونغ للطب السريري (المنحة رقم 2024JY002). تم دعم هذا العمل من قبل مشروع العلوم والتكنولوجيا التابع للجنة الصحة البلدية في نانتونغ (المنحة رقم. MS2024045). تم دعم هذا العمل من قبل مشاريع العلوم والتكنولوجيا في مقاطعة جيانغسو [BE2023742] ، مشروع إدارة جيانغسو للطب الصيني التقليدي (المنحة رقم . MS2023113).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
جهاز معالجة الرسومات للكمبيوتر المحمولNVIDIA CorporationN / A
MRI جهاز التصوير بالرنين المغناطيسيSiemens Healthineers11672453Prisma 3.0T
جهاز التصوير بالرنين المغناطيسيSiemens Healthineers10849662Ingenia CX 3.0T
جهاز التصوير بالرنين المغناطيسيPhilips Healthcare781341iCT 64 شريحة جهاز التصوير المقطعي المحوسب الحلزوني
Philips728326Ysio
آلة الأشعة السينيةSiemens Healthineers100925774.3.1
RThe R Foundationبرنامج مفتوح المصدر ؛ متوفر في https://www.r-project.org/.
readxlRStudio (Posit) أحدث(CRAN)حزمة R مفتوحة المصدر ؛ التثبيت عبر CRAN (install.packages ("readxl")).
tidyverseRStudio (Posit)أحدث (CRAN)مجموعة من حزم R ؛ التثبيت عبر CRAN (install.packages ("tidyverse")).
المساهمون في glmnetCRANأحدث (CRAN)حزمة R مفتوحة المصدر ؛ التثبيت عبر CRAN (install.packages ("glmnet")).
مساهموpROCأحدث حزمة R مفتوحة المصدر (CRAN) ؛ التثبيت عبر CRAN (install.packages("pROC")).
zeallotCRAN المساهمونأحدث (CRAN)حزمة R مفتوحة المصدر ؛ التثبيت عبر CRAN (install.packages("zeallot")).
شبكيRStudio (Posit)أحدث (CRAN)حزمة R مفتوحة المصدر ؛ تثبيت عبر CRAN (install.packages ("شبكي")).
showtextالمساهمون في CRANأحدث (CRAN)حزمة R مفتوحة المصدر ؛ التثبيت عبر CRAN (install.packages ("showtext")).
مساهمو e1071CRANأحدث حزمة R مفتوحة المصدر (CRAN) ؛ التثبيت عبر CRAN (install.packages ("e1071")).
مساهمو rms CRANأحدث (CRAN)حزمة R مفتوحة المصدر ؛ التثبيت عبر CRAN (install.packages("rms")).
مساهمو CRANأحدث (CRAN)حزمة R مفتوحة المصدر ؛ التثبيت عبر CRAN (install.packages ("rpart")).
الإقحامالمساهمون في CRANأحدث (CRAN)حزمة R مفتوحة المصدر ؛ التثبيت عبر CRAN (install.packages("علامة الإقحام")).
rpart.plotالمساهمون في CRANأحدث (CRAN)حزمة R مفتوحة المصدر ؛ التثبيت عبر CRAN (install.packages("rpart.plot")).
مساهمونrandomForestأحدث (CRAN)حزمة R مفتوحة المصدر ؛ التثبيت عبر CRAN (install.packages("randomForest")).
corrplotCRAN المساهمونأحدث (CRAN)حزمة R مفتوحة المصدر ؛ التثبيت عبر CRAN (install.packages("corrplot")).
المساهمونفي PRROCأحدث حزمة R مفتوحة المصدر (CRAN) ؛ التثبيت عبر CRAN (install.packages ("PRROC")).
المساهمونفي Matrixأحدث (CRAN)حزمة R مفتوحة المصدر ؛ التثبيت عبر CRAN (install.packages("Matrix")).
dplyrRStudio (Posit) أحدث(CRAN)جزء من tidyverse ؛ التثبيت عبر CRAN (install.packages ("dplyr")).
ggplot2RStudio (Posit)أحدث (CRAN)جزء من tidyverse; التثبيت عبر CRAN (install.packages("ggplot2")).
فئةالمساهمين في CRANأحدث (CRAN)حزمة R مفتوحة المصدر ؛ التثبيت عبر CRAN (install.packages ("class")).
ada CRAN المساهمونأحدث (CRAN)حزمة R مفتوحة المصدر ؛ التثبيت عبر CRAN (install.packages("ada")).
lightgbmMicrosoftأحدث (CRAN / GitHub)حزمة R مفتوحة المصدر ؛ التثبيت عبر CRAN (install.packages ("lightgbm")) أو GitHub.
xgboostCRANأحدث (CRAN)حزمة R مفتوحة المصدر ؛ التثبيت عبر CRAN (install.packages("xgboost")).
CRAN علامة CRAN CRAN CRAN مساهمو

المراجع

  1. Chen, Z., et al. Transforaminal versus interlaminar approach of full-endoscopic lumbar discectomy under local anesthesia for L5/S1 disc herniation: A randomized controlled trial. Pain Physician. 25 (8), E1191-E1198 (2022).
  2. Cheng, J., et al. Reoperation after lumbar disc surgery in two hundred and seven patients. Int Orthop. 37 (8), 1511-1517 (2013).
  3. Yin, S., et al. Prevalence of recurrent herniation following percutaneous endoscopic lumbar discectomy: A meta-analysis. Pain Physician. 21 (4), 337-350 (2018).
  4. Pan, M., et al. Percutaneous endoscopic lumbar discectomy: Indications and complications. Pain Physician. 23 (1), 49-56 (2020).
  5. Ju, C. I., Lee, S. M. Complications and management of endoscopic spinal surgery. Neurospine. 20 (1), 56-77 (2023).
  6. Modic, M. T., Ross, J. S. Lumbar degenerative disk disease. Radiology. 245 (1), 43-61 (2007).
  7. Frobin, W., Brinckmann,, Kramer, M., Hartwig, E. Height of lumbar discs measured from radiographs compared with degeneration and height classified from MR images. Eur Radiol. 11 (2), 263-269 (2001).
  8. Li, H., Deng, W., Wei, F., Zhang, L., Chen, F. Factors related to the postoperative recurrence of lumbar disc herniation treated by percutaneous transforaminal endoscopy: A meta-analysis. Front Surg. 9, 1049779(2023).
  9. Hao, L., et al. Recurrent disc herniation following percutaneous endoscopic lumbar discectomy preferentially occurs when Modic changes are present. J Orthop Surg Res. 15 (1), 176(2020).
  10. Kim, C. H., et al. Reoperation rate after surgery for lumbar spinal stenosis without spondylolisthesis: a nationwide cohort study. Spine J. 13 (10), 1230-1237 (2013).
  11. Huang, W., Han, Z., Liu, J., Yu, L., Yu, X. Risk factors for recurrent lumbar disc herniatioN: A Systematic Review and meta-analysis. Medicine (Baltimore). 95 (2), e2378(2016).
  12. Wang, H., Zhou, Y., Li, C., Liu, J., Xiang, L. Risk factors for failure of single-level percutaneous endoscopic lumbar discectomy. J Neurosurg Spine. 23 (3), 320-325 (2015).
  13. Harada, G. K., et al. Artificial intelligence predicts disk re-herniation following lumbar microdiscectomy: development of the "RAD" risk profile. Eur Spine J. 30 (8), 2167-2175 (2021).
  14. Berg, B., et al. Machine learning models for predicting disability and pain following lumbar disc herniation surgery. JAMA Netw Open. 7 (2), e2355024(2024).
  15. Suthar, P., Patel, R., Mehta, C., Patel, N. MRI evaluation of lumbar disc degenerative disease. J Clin Diagn Res. 9 (4), TC04-9(2015).
  16. Li, R., et al. Comparative analysis of percutaneous endoscopic interlaminar discectomy for highly downward-migrated disc herniation. J Orthop Surg Res. 18 (1), 602(2023).
  17. Han, M., Liu, L., Hu, M., Liu, G., Li, P. Medical expert and machine learning analysis of lumbar disc herniation based on magnetic resonance imaging. Comput Methods Programs Biomed. 213, 106498(2022).
  18. Jordan, M. I., Mitchell, T. M. Machine learning: Trends, perspectives, and prospects. Science. 349 (6245), 255-260 (2015).
  19. Tibshirani, R., et al. Strong rules for discarding predictors in lasso-type problems. J R Stat Soc Series B Stat Methodol. 74 (2), 245-266 (2012).
  20. Panda, A., Datar, R., Deshpande, S., Bacher, G. Enhancing pH prediction accuracy in Al2O3 gated ISFET using XGBoost regressor and stacking ensemble learning. Sci Rep. 15 (1), 19197(2025).
  21. Balki, I., et al. Sample-size determination methodologies for machine learning in medical imaging research: A systematic review. Can Assoc Radiol J. 70 (4), 344-353 (2019).
  22. Chiu, P. F., et al. Machine learning assisting the prediction of clinical outcomes following nucleoplasty for lumbar degenerative disc disease. Diagnostics (Basel). 13 (11), 1863(2023).
  23. Jia, M., et al. Development and validation of a nomogram predicting the risk of recurrent lumbar disk herniation within 6 months after percutaneous endoscopic lumbar discectomy. J Orthop Surg Res. 16 (1), 274(2021).
  24. Li, Y., et al. Adjuvant surgical decision-making system for lumbar intervertebral disc herniation after percutaneous endoscopic lumbar discectomy: A retrospective nonlinear multiple logistic regression prediction model based on a large sample. Spine J. 21 (12), 2035-2048 (2021).
  25. Siemionow, K., An, H., Masuda, K., Andersson, G., Cs-Szabo, G. The effects of age, sex, ethnicity, and spinal level on the rate of intervertebral disc degeneration: a review of 1712 intervertebral discs. Spine (Phila Pa 1976). 36 (17), 1333-1339 (2011).
  26. Choi, G., Lee, S. H., Raiturker, P. P., Lee, S., Chae, Y. S. Percutaneous endoscopic interlaminar discectomy for intracanalicular disc herniations at L5-S1 using a rigid working channel endoscope. Neurosurgery. 58 (1 Suppl), ONS59-ONS68 (2006).
  27. Yu, C., et al. Risk factors for recurrent L5-S1 disc herniation after percutaneous endoscopic transforaminal discectomy: A Retrospective Study. Med Sci Monit. 26, e919888(2020).
  28. Shi, H., Zhu, L., Jiang, Z. L., Wu, X. T. Radiological risk factors for recurrent lumbar disc herniation after percutaneous transforaminal endoscopic discectomy: A retrospective matched case-control study. Eur Spine J. 30 (4), 886-892 (2021).
  29. Ren, G., et al. Machine learning predicts recurrent lumbar disc herniation following percutaneous endoscopic lumbar discectomy. Global Spine J. 14 (1), 146-152 (2024).
  30. Wilke, H. J., et al. ISSLS prize winner: A novel approach to determine trunk muscle forces during flexion and extension: A comparison of data from an in vitro experiment and in vivo measurements. Spine (Phila Pa 1976). 28 (23), 2585-2593 (2003).
  31. Schmidt, H., et al. Application of a new calibration method for a three-dimensional finite element model of a human lumbar annulus fibrosus. Clin Biomech (Bristol). 21 (4), 337-344 (2006).
  32. Leven, D., et al. Risk factors for reoperation in patients treated surgically for intervertebral disc herniation: A AR SPORT Data. J Bone Joint Surg Am. 97 (16), 1316-1325 (2015).
  33. Fritzell, P., Knutsson, B., Sanden, B., Strömqvist, B., Hägg, O., et al. Recurrent versus primary lumbar disc herniation surgery: Patient-reported outcomes in the Swedish Spine Register Swespine. Clin Orthop Relat Res. 473 (6), 1978-1984 (2015).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

الوسوم

تم نشر هذه المقالة

الفيديو قريباً

تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.