需要JoVE订阅才能观看此内容。 请登录或开始免费试用

研究文章

基于机器学习预测L5-S1椎间盘突出经皮内镜髓核切除术后的复发情况 通过 经椎板间入路

935 次观看

⸱

DOI：

10.3791/68550

⸱

2025年7月11日

 ,  ,  ,  , 
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

本文内容

摘要

开发了机器学习模型，用于预测经皮内镜腰椎间盘切除术（PEID）术后L5-S1椎间盘突出复发情况，并分析了309例患者的数据。主要预测因素包括BMI和PDHI，其中随机森林模型和极端梯度提升模型表现出最佳预测性能。

摘要

本研究旨在开发机器学习（ML）模型，以预测L5-S1节段腰椎间盘突出症患者在接受经皮内镜椎间孔镜髓核切除术（PEID）这一微创治疗后，发生复发性腰椎间盘突出（rLDH）的风险。研究分析了2020年1月至2024年6月期间接受单节段L5-S1 PEID治疗且随访时间不少于6个月的309例患者的资料。采用临床记录、术前影像学资料及视觉模拟评分（VAS）进行分析。通过LASSO回归筛选关键预测因子，并构建了六种机器学习模型：支持向量机（SVM）、决策树（DT）、自适应提升（ADA）、轻量梯度提升机（LGBM）、随机森林（RF）和极端梯度提升（XGB）。在患者中，10.7%出现了rLDH，定义为VAS评分降低≥60%后症状复发，并经影像学证实。关键预测因子包括体重指数（BMI）、后方椎间盘高度指数（PDHI）、椎管狭窄、病程持续时间、麻木或肌力减弱、Modic改变、突出类型以及糖尿病。其中，RF和XGB模型表现最优。较高的BMI、较高的PDHI、椎管狭窄、病程超过六个月、Modic改变、非包容性突出以及糖尿病均会增加rLDH的风险。两种模型均对变量重要性进行了排序。术前预测rLDH有助于优化临床决策，降低PEID术后复发风险，而机器学习模型可提高预测准确性并识别关键风险因素。

引言

经皮内镜腰椎间盘切除术（PELD）包含多种技术，如经皮内镜椎间孔入路椎间盘切除术（PETD）和经皮内镜椎板间入路椎间盘切除术（PEID），手术入路的选择取决于病变部位及患者的个体解剖特征1。腰椎间盘突出复发（rLDH）是PELD术后再次手术最常见的原因之一，其发生率在0%至12.5%之间2,3。作为一种微创技术，PEID已广泛应用于L5-S1节段椎间盘突出等腰椎疾病的治疗。该技术具有创伤小、住院时间短和术后恢复快等优势，受到临床医生和患者的广泛青睐4。然而，尽管内镜技术在减少手术创伤和促进快速康复方面具有显著优势，部分患者术后仍面临椎间盘再突出的问题5。

腰椎间盘突出症的复发与多种因素密切相关，包括椎间盘退变程度、椎间盘后方高度、Modic改变（终板炎症）以及与终板密切接触的区域6。此外，体重指数（BMI）对术后恢复具有显著影响，研究表明，BMI较高的患者通常面临更高的复发风险5。椎间盘高度指数作为评估椎间盘退变程度的重要指标，已被广泛应用。其定义为椎间盘前后缘高度之和除以相邻两个椎体的质心距离。然而，对于椎间盘突出及术后复发，由于椎间盘前后缘的应力分布差异，椎间盘后方高度指数在预测rLDH（术后复发性腰椎间盘突出）方面更具关键意义7。手术过程中髓核组织清除不彻底是导致术后残留症状的主要原因之一，因部分椎间盘组织在术中难以完全切除8。Modic改变可引起终板损伤及炎症反应，导致力学不稳定。非包容性椎间盘突出中的髓核及软骨成分可能加剧终板和椎间盘的退变过程8,9。椎管狭窄与rLDH的发生相关，尤其在仅接受单纯减压手术而未行融合术的患者中更为明显10。此外，不健康的生活方式、心血管疾病以及糖尿病等代谢性疾病会显著延长椎间盘的愈合时间，增加复发和疼痛的风险11,12。因此，本研究的首要目标是进一步探讨L5-S1节段经皮内镜椎间盘切除术（PEID）后rLDH的相关危险因素。

近年来，人工智能（AI）和机器学习技术的进步为医学分析开辟了新的可能性。AI与机器学习在脊柱相关研究中的应用已显著增加13,14。作为承受最大上身重量且具有独特生物力学特性的最低腰椎节段，L5-S1是腰椎间盘突出的常见部位。基于患者的腰椎MRI T2序列（因其对椎间盘成像具有高敏感性，是最重要的评估工具），结合CT和X线检查，可获取更多关于患者椎间盘的病理生理信息，从而更清晰地理解复发性腰椎间盘突出（rLDH）15。在临床实践中，准确预测术后复发的危险因素，同时考虑L5-S1区域独特的解剖结构及各种潜在并发症，仍是一项重大挑战16,17。

机器学习已广泛应用于医学领域，其中随机森林和梯度提升等算法在疾病预测与风险评估中发挥着重要作用18。LASSO回归通过其L1正则化机制实现变量选择与系数压缩，可用于解决高维数据中的特征选择与过拟合问题19。网格搜索算法全面探索超参数空间，有助于为每个模型确定最优的超参数组合，从而提升预测能力与模型稳定性20。在此背景下，当样本量超过240例时，基于Python和R等主流人工智能语言实现的机器学习算法可用于构建人工智能模型21。通过采用LASSO回归等方法进行变量筛选并构建模型，同时利用网格搜索算法最小化误差、最大化预测准确性，从而提高模型的稳定性。

本研究通过对L5-S1患者的各种风险因素进行统计分析和量化，并整合多维度数据——包括临床信息（如年龄、BMI）和影像学变量（如椎间盘高度、椎间盘后方高度指数）——旨在建立一个更为精确的预测模型。本研究的第二个目标是评估患者术前的复发风险，评价模型的性能，并阐明各风险因素的重要性。

访问受限。请登录或开始试用以查看此内容。

方案

本研究是一项经南通市第一人民医院机构伦理委员会批准的回顾性分析。该试验已在 ClinicalTrials.gov 注册（注册号：NCT06833099）。由于所有参与者的健康信息均已匿名化，因此无需获取知情同意。实验所用耗材与仪器列于材料表中。

1. 研究人群

本研究纳入了2020年1月1日至2024年6月30日期间在中国南通第一人民医院因L5-S1椎间盘突出导致腰痛和腿痛而接受经皮内镜椎间开窗髓核摘除术（PEID）的436例患者的临床资料及术前影像记录。根据排除标准，最终纳入309例患者，其中通过术后视觉模拟评分（VAS）及随访影像学检查确诊为腰椎间盘突出复发（rLDH）。在309例患者中，33例术后出现腰椎间盘突出复发，其余276例患者的腰痛和腿痛症状显著缓解，VAS评分降低超过60%。所有受试者的影像学变量均来自术前X线、CT和MRI检查，并结合详细的临床信息，包括性别、年龄、身高、体重、BMI、VAS评分及其他相关变量（图1）。

2. 纳入与排除标准

rLDH的纳入标准：（1）接受单节段PEID手术的L5-S1腰椎间盘突出症患者；（2）术前1个月内完成全面影像学检查；（3）术后VAS评分下降≥60%，随后出现评分升高，并经影像学证实；（4）影像学检查未发现其他异常；（5）随访时间至少6个月。

非复发性腰椎间盘突出症（Non-rLDH）的纳入标准：（1）接受单节段经皮内镜腰椎间盘切除术（PEID）的L5-S1腰椎间盘突出症患者。（2）术前一个月内完成全面的影像学检查。（3）术后视觉模拟评分（VAS）降低≥60%，且无复发。（4）影像学检查未发现其他异常。（5）随访时间至少6个月。

排除标准：（1）存在其他导致腰痛的病理状况，如椎间盘感染、脊柱肿瘤、代谢性骨病或骨质疏松症；（2）有腰椎间盘或其他脊柱手术史；（3）影像质量差或检查资料不完整；（4）失访。

3. 分类变量与连续变量

对患者的术前临床特征和影像学数据进行了统计分析和测量（表1 和 表2）。分类变量用于区分基础疾病特征、生活方式因素及其他变量，而连续变量则表示描述患者生理状态及术前影像学变化的具体测量值。为减少偏倚，实施了严格的质控措施。由两名具有十年以上临床经验的放射科医生和脊柱外科医生负责影像学数据的统计分析与测量。对于复杂病例，两位医生通过共同会诊解决争议，以确保数据处理的准确性和一致性。

分类变量包括：性别、糖尿病、高血压、心脑血管疾病（CCD）、脊柱侧弯、脊柱管狭窄、诱发因素（如剧烈活动、扭伤、受凉、外伤或无明显诱因）、病程（超过6个月或不足6个月）、麻木或无力、突出类型（包容型或非包容型）、椎间盘退变（Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ级）、邻近椎间盘退变（Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ级）、Modic改变以及椎间盘钙化。

连续变量包括：年龄、手术时长、身高、体重、体重指数（BMI）、椎间盘突出最大直径（MDHD）、后方椎间盘高度（PDH）、两个椎体中心之间的距离（DBTVC）、关节突关节方向角（FJOA）、椎间盘角度（DA）、骶骨倾斜角（SSA）、腰椎前凸角（LLA）以及后方椎间盘高度指数（PDHI，PDHI = PDH / DBTVC）。

4. 数据清洗与变量选择

首先，使用 read_excel 函数将数据文件“zjkj3”读入 R（版本 4.3.1，https://www.r-project.org/，平台：x86_64-w64-mingw32/x64 (64 位)，版权所有 (C) 2023 The R Foundation for Statistical Computing）并存储于一个数据变量中。所选字符编码为 UTF-8（系统默认），这是一种广泛使用的编码方法，能够支持全球大多数国家的书面语言。随后使用 select 函数将目标变量与特征变量分离。为确保数据划分的可重复性，设定固定的随机种子为 3，并将数据集划分为训练集（80%）和测试集（20%）。最后，定义了一个 LASSO 回归函数，并使用 glmnet 函数对部分训练数据进行随机抽样以拟合 LASSO 回归。通过 L1 正则化和交叉验证（默认 10 折）确定最优正则化参数 λ，同时确保训练集与测试集之间不混入重复的患者数据。计算每个 λ 值的交叉验证误差，以确定最优的 λ 值。

5. 模型开发与评估

支持向量机（Support Vector Machine）：该模型将训练数据映射到一个超平面，通过最大化两个类别之间的间隔来预测目标。本研究中支持向量机模型的具体超参数设置为：kernel = "linear"，cost = 1。补充图1展示了支持向量机的混淆矩阵。

决策树（DT）：该模型通过递归分割数据，构建树状结构以预测目标变量。本研究中决策树模型的具体超参数设置为：max_depth = 3。补充图2展示了决策树的混淆矩阵。

ADA（AdaBoost）：该模型通过组合多个弱学习器（通常为决策树）以构建一个强学习器，从而提升分类性能。本研究中 ADA 模型的具体超参数设置为：n_estimators = 150，learning_rate = 0.1，seed = 80。补充图3展示了ADA的混淆矩阵。

LGBM（轻量级梯度提升机）：该模型采用直方图算法对连续特征进行分割，加快训练过程并降低内存负载，使其成为一种高效且快速的梯度提升框架，特别适用于大规模数据集。本研究中 LGBM 模型的具体超参数设置为：num_leaves = 5，learning_rate = 0.05，n_estimators = 50。补充图4展示了 LGBM 的混淆矩阵。

RF（随机森林）：该模型通过构建多个决策树并整合其预测结果，以提高准确性并控制过拟合。本研究中 RF 模型的具体超参数设置为：ntree = 310，mtry = 1，maxnodes = 10，max_depth = 1，seed = 80。补充图5展示了 RF 的混淆矩阵。

XGB（极端梯度提升）：该模型是一种基于决策树的增强型算法，采用一种新的广义梯度提升决策树算法，以加速模型构建过程，在分类与回归任务中具有较强的适用性。本研究中XGB模型的具体超参数设置为：nrounds = 100，max_depth = 2，eta = 0.39，gamma = 0，colsample_bytree = 0.88，seed = 80。补充图6展示了XGB的混淆矩阵。

采用以下指标评估了六个模型的性能：测试集 ROC AUC、准确率、敏感性、特异性、阳性预测值（PPV）、阴性预测值（NPV）和 F1 分数。计算公式如下22：

机器学习评估指标公式；示意图展示准确率、灵敏度、特异度的计算公式。

TP：真阳性；TN：真阴性；FP：假阳性；FN：假阴性。

6. 网格搜索与超参数调优

为了优化模型性能，采用网格搜索方法探索了多种超参数组合。通过迭代调优与评估，确定了最优的超参数组合，以最大化训练集和测试集的ROC AUC值，从而提升整体模型性能。调整后的超参数范围见表3。网格搜索结果详见补充图7、补充图8以及补充表1、补充表2、补充表3和补充表4。

7. 变量重要性排序

表现最优的模型——随机森林（RF）和极端梯度提升（XGB）——被选用于变量重要性排序。这些排序有助于识别经皮内镜下椎间盘摘除术（PEID）后L5-S1节段复发性腰椎间盘突出症（rLDH）的最关键预测因子。

8. 统计学分析

所有统计分析均使用 R 软件进行。分类变量以百分比表示，连续变量以均值 ± 标准差表示。比较了非复发组（非rLDH，n=276）与复发组（rLDH，n=33）之间的临床特征和影像学参数。

访问受限。请登录或开始试用以查看此内容。

结果

本研究共纳入309例因L5-S1腰椎间盘突出导致腰腿痛并接受经皮内镜椎间孔镜下椎间盘切除术（PEID）的患者。收集了患者的术前影像学数据、临床生理学指标及VAS评分，以及术后影像学资料和VAS评分。其中，33例被归入腰椎间盘突出复发组（rLDH组），276例被归入非复发组（Non-rLDH组）。术前临床与影像学数据包括14个分类变量（主要用于区分基本疾病特征和生活方式因素）和13个连续变量（用于描述生理状态及术前影像学指标）（表1）。为确保数据划分的合理性，设定随机种子，将所有患者数据按8:2的比例随机分为训练集和测试集。

在训练集上对变量进行选择时采用了套索回归（Lasso回归），并使用L1正则化确定最优惩罚系数（最优λ值见图2和图3）。共识别出八个关键变量，包括六个二分类变量（脊髓管狭窄、病程、麻...

访问受限。请登录或开始试用以查看此内容。

讨论

经皮内镜 经皮内镜下椎间盘切除术（PEID）发挥着重要作用 在治疗L5-S1椎间盘突出中起重要作用， 这使得准确预测变得极为重要 术后复发性腰椎间盘突出 (rLDH)1,2在图像选择与数据清洗阶段，本研究主要测量了磁共振成像（MRI）图像。当图像质量较差或图像模糊时，采用X射线或CT扫描进行补充测量。对于临床数据缺失的患者，其数据被排除，以避免影响数据处理结果。在后续的变量筛选过程中，本研究采用LASSO回归分析进行变量选择。LASSO回归通过其L1正则化机制实现变量选择与系数压缩，从27个变量中筛选出关键变量，以解决变量选择问题，提高后续所构建模型的稳定性。所筛选出的变量包括较高的体重指数（BMI）、较高的后方椎间盘高度指数（PDHI）、椎管狭窄、Modic改变、麻木或无力、较长的病程、非包容性椎间盘突出类型以及糖尿病，这些被确定为复发性腰椎间盘突出（rLDH）的关键危险因素。5,

访问受限。请登录或开始试用以查看此内容。

披露

作者声明，本研究是在不存在任何可能被解释为潜在利益冲突的商业或财务关系的情况下进行的。

致谢

作者感谢以下机构提供的经费支持：南京医科大学康达学院科学基金（项目编号：KD2024KYJJ292）；南通大学临床医学专项研究基金（项目编号：2024JY002）；南通市卫生健康委员会科技项目（项目编号：MS2024045）；江苏省科技计划项目［BE2023742］，江苏省中医药管理局项目（项目编号：MS2023113）。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
笔记本电脑 GPUNVIDIA 公司N/A
MRI 机器西门子医疗11672453Prisma 3.0T
MRI 机器西门子医疗10849662Ingenia CX 3.0T
MRI 机器飞利浦医疗781341iCT 64层螺旋CT
CT 机器飞利浦医疗728326Ysio
X射线机西门子医疗100925774.3.1
RR 基金会开源软件；可从 https://www.r-project.org/ 获取。
readxlRStudio（Posit）最新（CRAN）开源 R 软件包；通过 CRAN 安装（install.packages("readxl")).
tidyverseRStudio（Posit）最新（CRAN）R 包集合；通过 CRAN 安装（install.packages("tidyverse")).
glmnetCRAN 贡献者最新（CRAN）开源R软件包；通过CRAN安装（install.packages("glmnet")).
pROCCRAN 贡献者最新（CRAN）开源 R 软件包；通过 CRAN 安装（install.packages("pROC")).
zeallotCRAN 贡献者最新（CRAN）开源 R 软件包；通过 CRAN 安装（install.packages("zeallot")).
网状RStudio（Posit）最新（CRAN）开源 R 软件包；通过 CRAN 安装（install.packages("网状")).
显示文本CRAN 贡献者最新（CRAN）开源 R 软件包；通过 CRAN 安装（install.packages("显示文本")).
e1071CRAN 贡献者最新（CRAN）开源 R 软件包；通过 CRAN 安装（install.packages("e1071")).
均方根CRAN 贡献者最新（CRAN）开源 R 软件包；通过 CRAN 安装（install.packages("均方根")).
rpartCRAN 贡献者最新（CRAN）开源 R 软件包；通过 CRAN 安装（install.packages("rpart")).
插入符号CRAN 贡献者最新（CRAN）开源 R 软件包；通过 CRAN 安装（install.packages("caret")).
rpart.plotCRAN 贡献者最新（CRAN）开源 R 软件包；通过 CRAN 安装（install.packages("rpart.plot")).
randomForestCRAN 贡献者最新（CRAN）开源 R 软件包；通过 CRAN 安装（install.packages("randomForest")).
相关图CRAN 贡献者最新（CRAN）开源 R 软件包；通过 CRAN 安装（install.packages("相关图")).
PRROCCRAN 贡献者最新（CRAN）开源 R 软件包；通过 CRAN 安装（install.packages("PRROC")).
基质CRAN 贡献者最新（CRAN）开源 R 软件包；通过 CRAN 安装（install.packages("基质")).
dplyrRStudio（Posit）最新（CRAN）tidyverse 的一部分；通过 CRAN 安装（install.packages("dplyr")).
ggplot2RStudio（Posit）最新（CRAN）tidyverse 的一部分；通过 CRAN 安装（install.packages("ggplot2")).
类别CRAN 贡献者最新（CRAN）开源 R 软件包；通过 CRAN 安装（install.packages("类别")).
adaCRAN 贡献者最新（CRAN）开源R软件包；通过CRAN安装（install.packages("ada")).
lightgbmMicrosoft最新（CRAN/GitHub）开源R软件包；通过CRAN安装（install.packages("lightgbm"）或 GitHub。
XGBoostCRAN 贡献者最新（CRAN）开源 R 软件包；通过 CRAN 安装（install.packages("xgboost")).

参考文献

  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).

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签

L5-S1 复发机器学习预测经皮椎间盘切除术随机森林模型极端梯度提升危险因素识别椎管狭窄

本文已发表

视频即将推出

联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。