Predicción de la recurrencia de la hernia discal lumbar en L5-S1 mediante aprendizaje automático basado en la discectomía endoscópica mediante el abordaje interlaminar

Jinyu Chen; Yanyan Fan; Peng Liu; Zhiming Cui; Jiajia Chen

doi:10.3791/68550

Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de investigación

Predicción de la recurrencia de la hernia discal lumbar en L5-S1 mediante aprendizaje automático basado en la discectomía endoscópica mediante el abordaje interlaminar

1K visualizaciones

⸱

DOI:

10.3791/68550

⸱

11 de julio de 2025

Jinyu Chen¹^,² , Yanyan Fan³ , Peng Liu¹^,⁴ , Zhiming Cui¹^,⁴ , Jiajia Chen¹^,⁴

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

En este artículo

Resumen

Se desarrollaron modelos de aprendizaje automático para predecir la recurrencia de la hernia discal L5-S1 después de la cirugía PEID, analizando datos de 309 pacientes. Los predictores clave incluyeron el IMC y el PDHI, con modelos de aumento de bosque aleatorio y gradiente extremo que mostraron el mejor rendimiento.

Resumen

Este estudio tuvo como objetivo desarrollar modelos de aprendizaje automático (ML) para predecir la hernia discal lumbar recurrente (rLDH) a nivel de L5-S1 después de una discectomía interlaminar endoscópica percutánea (PEID), un tratamiento mínimamente invasivo para la hernia discal lumbar L5-S1. Se analizaron los datos de 309 pacientes sometidos a PEID L5-S1 de nivel único entre enero de 2020 y junio de 2024, con al menos 6 meses de seguimiento. Se utilizaron las historias clínicas, las imágenes preoperatorias y las puntuaciones de la escala visual analógica (EVA). La regresión LASSO identificó predictores clave y se construyeron seis modelos de ML: máquina de vectores de soporte (SVM), árbol de decisión (DT), refuerzo adaptativo (ADA), máquina impulsora de gradiente de luz (LGBM), bosque aleatorio (RF) y aumento de gradiente extremo (XGB). Entre los pacientes, el 10,7% experimentó rLDH, definida como una reducción ≥60% de la EVA seguida de recurrencia de los síntomas y confirmación de las imágenes. Los predictores clave incluyeron el índice de masa corporal (IMC), el índice de altura del disco posterior (PDHI), la estenosis del canal espinal, la duración de la enfermedad, el entumecimiento o debilidad, los cambios módicos, el tipo de hernia y la diabetes. Los modelos RF y XGB tuvieron el mejor rendimiento. Un IMC más alto, un IHP más alto, estenosis del canal espinal, duración de la enfermedad de más de seis meses, cambios módicos, hernia no contenida y diabetes aumentaron el riesgo de rLDH. Se clasificó la importancia variable para ambos modelos. La predicción preoperatoria de rLDH puede mejorar la toma de decisiones y reducir el riesgo de recurrencia después de la PEID, con modelos de ML que mejoran la precisión e identifican los factores de riesgo críticos.

Introducción

La discectomía lumbar endoscópica percutánea (PELD) engloba diversas técnicas, como la discectomía transforaminal endoscópica percutánea (PETD) y la discectomía interlaminar endoscópica percutánea (PEID), con la elección del abordaje quirúrgico en función de la localización de la lesión y de las características anatómicas individuales del paciente¹. La hernia discal lumbar recurrente (rLDH) es uno de los motivos más frecuentes de reintervención tras el PELD, con una incidencia que oscila entre el 0% y el 12,5%^2,3. Como técnica mínimamente invasiva, la P....