Des modèles d’apprentissage automatique ont été développés pour prédire la récidive de l’hernie discale L5-S1 après une chirurgie PEID, en analysant les données de 309 patients. Les principaux prédicteurs comprenaient l’IMC et le PDHI, les modèles de forêt aléatoire et de gradient extrême affichant les meilleures performances.
Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.
Article de recherche
La prédiction de la récidive de la hernie discale lombaire en L5-S1 par apprentissage automatique basée sur la discectomie endoscopique via l’approche interlaminaire
Dans cet article
Résumé
Résumé
Cette étude visait à développer des modèles d’apprentissage automatique (ML) pour prédire la hernie discale lombaire récurrente (rLDH) de niveau L5-S1 après une discectomie interlaminaire endoscopique percutanée (PEID), un traitement peu invasif de la hernie discale lombaire L5-S1. Les données de 309 patients ayant subi un PEID L5-S1 à un seul niveau entre janvier 2020 et juin 2024, avec au moins 6 mois de suivi, ont été analysées. Les dossiers cliniques, l’imagerie préopératoire et les scores de l’échelle visuelle analogique (EVA) ont été utilisés. La régression LASSO a identifié des prédicteurs clés, et six modèles ML ont été construits : machine à vecteurs de support (SVM), arbre de décision (DT), boosting adaptatif (ADA), machine de boosting de gradient de lumière (LGBM), forêt aléatoire (RF) et boosting de gradient extrême (XGB). Parmi les patients, 10,7 % ont présenté une rLDH, définie comme une réduction de ≥60 % de l’EVA suivie d’une récidive des symptômes et d’une confirmation par imagerie. Les principaux prédicteurs comprenaient l’indice de masse corporelle (IMC), l’indice de hauteur du disque postérieur (PDHI), la sténose du canal rachidien, la durée de la maladie, l’engourdissement ou la faiblesse, les changements modiques, le type de hernie et le diabète. Les modèles RF et XGB ont obtenu les meilleurs résultats. Un IMC plus élevé, une PDHI plus élevée, une sténose du canal rachidien, une durée de la maladie sur six mois, des changements modiques, une hernie non contenue et le diabète ont augmenté le risque de rLDH. L’importance variable a été classée pour les deux modèles. La prédiction de la rLDH avant l’opération peut améliorer la prise de décision et réduire le risque de récidive après l’IED, les modèles de ML améliorant la précision et l’identification des facteurs de risque critiques.
Introduction
La discectomie lombaire endoscopique percutanée (PELD) englobe diverses techniques, telles que la discectomie transforaminale endoscopique percutanée (PETD) et la discectomie interlaminaire endoscopique percutanée (PEID), le choix de l’approche chirurgicale dépendant de l’emplacement de la lésion et des caractéristiques anatomiques individuelles du patient1. La hernie discale lombaire récurrente (rLDH) est l’une des raisons les plus courantes de réopération après une PELD, avec une incidence allant de 0 % à 12,5 %2,3. En tant que technique peu invasive, le PEID a été largement appliqué dans le traitement des affections lombaires telles que la hernie discale de niveau L5-S1. Ses avantages, notamment un traumatisme minimal, de courts séjours à l’hôpital et une récupération postopératoire rapide, l’ont rendu très apprécié par les cliniciens et les patients4. Cependant, malgré les avantages significatifs des techniques endoscopiques pour réduire les traumatismes chirurgicaux et favoriser une récupération rapide, certains patients sont toujours confrontés au problème de la hernie discale récurrente après la chirurgie5.
La récurrence de la hernie discale lombaire est étroitement associée à de multiples facteurs, notamment le degré de dégénérescence discale, la hauteur du disque postérieur, les changements modiques (inflammation de la plaque terminale) et les zones en contact étroit avec la plaque terminale6. De plus, l’IMC a un impact significatif sur la récupération postopératoire, des études indiquant que les patients ayant un IMC plus élevé courent généralement un risque plus élevé de récidive5. L’indice de hauteur du disque intervertébral, en tant qu’indicateur important pour évaluer le degré de dégénérescence discale, a été largement utilisé. Il est défini comme la hauteur des marges des disques antérieur et postérieur divisée par la distance centroïde des deux corps vertébraux. Cependant, pour la hernie discale et la récidive postopératoire, en raison de la distribution du stress aux marges antérieure et postérieure, l’indice de hauteur du disque postérieur est plus critique pour prédire la rLDH7. L’ablation incomplète du noyau pulpeux pendant la chirurgie est l’une des principales causes de symptômes postopératoires résiduels, car une partie du tissu du disque est difficile à exciser complètement pendant la procédure8. Les changements modiques entraînent des dommages à la plaque d’extrémité et des réponses inflammatoires, entraînant une instabilité mécanique. Le noyau pulpeux et les composants cartilagineux dans les hernies discales non contenues peuvent exacerber la dégénérescence de la plaque terminale et du disque intervertébral 8,9. La sténose du canal rachidien est associée à l’incidence de la rLDH, en particulier chez les patients subissant une chirurgie de décompression simple sans fusion10. De plus, les habitudes de vie malsaines, les maladies cardiovasculaires et les troubles métaboliques tels que le diabète prolongent considérablement le temps de cicatrisation du disque, augmentant le risque de récidive et de douleur11,12. Par conséquent, le premier objectif de cette étude est d’étudier davantage les facteurs de risque associés à la rLDH après PEID au niveau du segment L5-S1.
Ces dernières années, les progrès de l’intelligence artificielle (IA) et des technologies d’apprentissage automatique ont ouvert de nouvelles possibilités pour l’analyse médicale. L’application de l’IA et de l’apprentissage automatique dans la recherche liée à la colonne vertébrale a considérablement augmenté13,14. En tant que segment lombaire le plus bas supportant le poids le plus élevé du haut du corps et possédant des propriétés biomécaniques uniques, L5-S1 est un site courant pour la hernie discale lombaire. Sur la base de la séquence IRM lombaire T2 du patient (en raison de sa grande sensibilité pour l’imagerie du disque intervertébral, servant d’outil d’évaluation le plus critique), combinée à des examens CT et X-Ray, davantage d’informations physiopathologiques sur les disques intervertébraux du patient peuvent être obtenues, conduisant à une compréhension plus claire de la rLDH15. Dans la pratique clinique, la prédiction précise des facteurs de risque de récidive postopératoire, compte tenu de la structure anatomique unique de la région L5-S1 et des diverses complications potentielles, reste un défi important16,17.
L’apprentissage automatique a été largement appliqué dans le domaine médical, avec des algorithmes tels que Random Forest et Gradient Boosting jouant un rôle important dans la prédiction des maladies et l’évaluation des risques18. La régression LASSO, grâce à son mécanisme de régularisation L1 pour la sélection de variables et le retrait des coefficients, est utilisée pour résoudre les problèmes de sélection de caractéristiques et de surajustement dans les données de grande dimension19. L’algorithme de recherche par grille explore de manière exhaustive l’espace des hyperparamètres, facilitant l’identification de la combinaison optimale d’hyperparamètres pour chaque modèle, améliorant ainsi la capacité de prédiction et la stabilité20. Dans ce contexte, les algorithmes d’apprentissage automatique mis en œuvre dans les langages d’IA courants tels que Python et R, lorsqu’ils sont basés sur une taille d’échantillon supérieure à 240 cas, peuvent être utilisés pour construire des modèles d’intelligence artificielle21. En utilisant des techniques telles que la régression LASSO pour la sélection de variables et la construction de modèles, des algorithmes de recherche de grille sont utilisés pour minimiser les erreurs et maximiser la précision des prédictions, améliorant ainsi la stabilité du modèle.
Dans cette étude, en analysant statistiquement et en mesurant divers facteurs de risque chez les patients L5-S1, et en intégrant des données multidimensionnelles - y compris des informations cliniques (par exemple, l’âge, l’IMC) et des variables d’imagerie (par exemple, la hauteur du disque, l’indice de hauteur du disque postérieur) - vise à développer un modèle prédictif plus précis. Le deuxième objectif de cette étude est d’évaluer le risque de récidive préopératoire des patients, d’évaluer les performances du modèle et de souligner l’importance de divers facteurs de risque.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Protocole
Cette étude est une analyse rétrospective approuvée par le Comité d’éthique institutionnelle de l’Hôpital First People’s de Nantong. L’essai a été enregistré sur ClinicalTrials.gov (numéro d’enregistrement : NCT06833099). Comme tous les renseignements sur la santé des participants étaient anonymisés, le consentement éclairé n’était pas requis. Les consommables et équipements utilisés sont répertoriés dans la table des matériaux.
1. Population étudiée
L’étude comprenait des données cliniques et des dossiers d’imagerie préopératoire de 436 patients ayant subi une discectomie interlaminaire endoscopique percutanée (PEID) pour des douleurs lombaires et des douleurs à la jambe dues à une hernie discale L5-S1 à l’Hôpital First People’s de Nantong entre le 1er janvier 2020 et le 30 juin 2024. Sur la base des critères d’exclusion, 309 patients ont finalement été inclus, parmi lesquels la hernie discale lombaire récurrente (rLDH) a été confirmée par les scores postopératoires de l’échelle visuelle analogique (EVA) et l’imagerie de suivi. Sur les 309 patients, 33 ont présenté une rLDH après la chirurgie, tandis que les 276 autres ont eu un soulagement significatif des douleurs lombaires et des jambes, avec des scores EVA réduits de plus de 60 %. Les variables d’imagerie de tous les participants ont été dérivées des radiographies, des tomodensitogrammes et des examens IRM préopératoires, combinées à des informations cliniques détaillées, notamment le sexe, l’âge, la taille, le poids, l’IMC, les scores EVA et d’autres variables pertinentes (figure 1).
2. Critères d’inclusion et d’exclusion
Critères d’inclusion pour la rLDH : (1) Patients atteints d’une hernie discale lombaire L5-S1 ayant subi une PEID à segment unique. (2) Examens d’imagerie complets effectués dans un délai d’un mois avant l’opération. (3) Réduction du score VAS postopératoire ≥60 %, suivie d’une augmentation du score et d’une confirmation par imagerie. (4) Aucune autre anomalie détectée à l’imagerie. (5) Période de suivi minimale de 6 mois.
Critères d’inclusion pour la non-rLDH : (1) Patients atteints d’une hernie discale lombaire L5-S1 ayant subi une PEID à segment unique. (2) Examens d’imagerie complets effectués dans un délai d’un mois avant l’opération. (3) Réduction du score EVA postopératoire ≥60 %, sans récidive. (4) Aucune autre anomalie détectée à l’imagerie. (5) Période de suivi minimale de 6 mois.
Critère d’exclusion : (1) Présence d’autres conditions pathologiques causant des douleurs lombaires, telles que l’infection discale, les tumeurs de la colonne vertébrale, les maladies osseuses métaboliques ou l’ostéoporose. (2) Antécédents de chirurgies discales lombaires ou d’autres chirurgies de la colonne vertébrale. (3) Mauvaise qualité d’imagerie ou données d’examen incomplètes. (4) Perte de suivi.
3. Variables catégorielles et continues
Les caractéristiques cliniques préopératoires et les données d’imagerie des patients ont été analysées et mesurées statistiquement (tableau 1 et tableau 2). Des variables catégorielles ont été utilisées pour distinguer les caractéristiques de base de la maladie, les facteurs de mode de vie et d’autres variables, tandis que les variables continues représentaient des mesures spécifiques décrivant l’état physiologique des patients et les changements d’imagerie préopératoires. Pour réduire les biais, des mesures strictes de contrôle de la qualité ont été mises en place. Deux radiologues et chirurgiens de la colonne vertébrale avec plus de 10 ans d’expérience clinique étaient responsables de l’analyse statistique et de la mesure des données d’imagerie. Pour les cas complexes, les deux médecins ont résolu les problèmes par le biais d’une consultation conjointe afin d’assurer l’exactitude et la cohérence du traitement des données.
Les variables catégorielles comprenaient : le sexe, le diabète, l’hypertension, les maladies cardiovasculaires et cérébrovasculaires (DCC), la scoliose, la sténose spinale, les facteurs déclenchants (p. ex., activité intense, entorse, exposition au froid, impact ou aucun déclencheur clair), la durée de la maladie (plus de 6 mois ou moins de 6 mois), l’engourdissement ou la faiblesse, le type de protrusion (contenue ou non contenue), la dégénérescence discale (grades I, II, III et IV, V), la dégénérescence discale adjacente (grades I, II, III et IV, V), modifications modiques et calcification discale.
Les variables continues comprenaient : l’âge, la durée chirurgicale, la taille, le poids, l’indice de masse corporelle (IMC), le diamètre maximal de la hernie discale (MDHD), la hauteur du disque postérieur (PDH), la distance entre deux centres de vertèbres (DBTVC), l’angle d’orientation de l’articulation fatictale (FJOA), l’angle du disque (DA), l’angle de pente sacrée (SSA), l’angle de lordose lombaire (LLA) et l’indice de hauteur du disque postérieur (PDHI, PDHI = PDH / DBTVC).
4. Nettoyage des données et sélection des variables
Tout d’abord, le fichier de données « zjkj3 » a été lu dans R (version 4.3.1, https://www.r-project.org/, Plate-forme : x86_64-w64-mingw32/x64 (64 bits), Copyright (C) 2023 The R Foundation for Statistical Computing) à l’aide de la fonction read_excel et stocké dans une variable de données. L’encodage de caractères sélectionné était UTF-8 (système par défaut), qui est une méthode d’encodage largement utilisée capable de prendre en charge les langues écrites de la plupart des pays du monde. La fonction select a ensuite été utilisée pour séparer la variable cible des variables de fonctionnalité. Pour garantir la reproductibilité de la répartition des données, une valeur de départ aléatoire fixe de 3 a été définie et l’ensemble de données a été divisé en un ensemble d’apprentissage (80 %) et un ensemble de test (20 %). Enfin, une fonction de régression LASSO a été définie, et une partie des données d’apprentissage a été échantillonnée de manière aléatoire à l’aide de la fonction glmnet pour s’adapter à la régression Lasso. Le paramètre de régularisation optimal λ a été déterminé à l’aide de la régularisation L1 et de la validation croisée (par défaut 10 fois), tout en veillant à ce qu’aucune donnée de patient en double ne soit mélangée entre les ensembles d’entraînement et de test. L’erreur de validation croisée pour chaque valeur λ a été calculée pour déterminer la valeur λ optimale.
5. Élaboration et évaluation du modèle
SVM (Support Vector Machine) : Ce modèle mappe les données d’entraînement à un hyperplan, maximisant la marge entre deux classes pour prédire la cible. Les paramètres d’hyperparamètres spécifiques au modèle SVM dans cette étude sont les suivants : noyau = « linéaire », coût = 1. La figure supplémentaire 1 illustre les matrices de confusion pour la SVM.
DT (Decision Tree) : Ce modèle divise les données de manière récursive pour créer une structure arborescente permettant de prédire la variable cible. Le paramètre d’hyperparamètre spécifique pour le modèle DT dans cette étude est : max_depth = 3. La figure supplémentaire 2 illustre les matrices de confusion pour DT.
ADA (AdaBoost) : Ce modèle combine plusieurs apprenants faibles (généralement des arbres de décision) pour créer un apprenant fort, améliorant ainsi les performances de classification. Les paramètres d’hyperparamètres spécifiques pour le modèle ADA dans cette étude sont les suivants : n_estimators = 150, learning_rate = 0,1, graine = 80. La figure supplémentaire 3 illustre les matrices de confusion pour l’ADA.
LGBM (Light Gradient Boosting Machine) : Ce modèle utilise un algorithme d’histogramme pour diviser les caractéristiques continues, accélérant le processus d’entraînement et réduisant la charge de la mémoire, ce qui en fait un cadre de boosting de gradient efficace et rapide, particulièrement adapté aux ensembles de données à grande échelle. Les paramètres d’hyperparamètres spécifiques pour le modèle LGBM dans cette étude sont : num_leaves = 5, learning_rate = 0,05, n_estimators = 50. La figure supplémentaire 4 illustre les matrices de confusion pour LGBM.
RF (Random Forest) : Ce modèle construit plusieurs arbres de décision et combine leurs prédictions pour améliorer la précision et contrôler le surapprentissage. Les paramètres d’hyperparamètres spécifiques pour le modèle RF dans cette étude sont les suivants : ntree = 310, mtry = 1, maxnodes = 10, max_depth = 1, seed = 80. La figure supplémentaire 5 illustre les matrices de confusion pour les RF.
XGB (Extreme Gradient Boosting) : Ce modèle est un algorithme amélioré basé sur des arbres de décision, utilisant un nouvel algorithme d’arbre de décision généralisé pour accélérer la construction du modèle, avec une forte applicabilité pour les tâches de classification et de régression. Les paramètres d’hyperparamètres spécifiques pour le modèle XGB dans cette étude sont les suivants : nrounds = 100, max_depth = 2, eta = 0,39, gamma = 0, colsample_bytree = 0,88, seed = 80. La figure supplémentaire 6 représente les matrices de confusion pour XGB.
Les performances des six modèles ont été évaluées à l’aide des paramètres suivants : ensemble de tests ROC AUC, précision, sensibilité, spécificité, valeur prédictive positive (PPV), valeur prédictive négative (NPV) et score F1. La formule de calcul est la suivante22 :
TP : Vrai positif ; TN : Vrai négatif ; FP : Faux positif ; FN : Faux négatif.
6. Recherche de grille et réglage des hyperparamètres
Pour optimiser les performances du modèle, la recherche par grille a été utilisée pour explorer diverses combinaisons d’hyperparamètres. Grâce à un réglage et à une évaluation itératifs, la combinaison optimale d’hyperparamètres a été identifiée afin de maximiser les valeurs AUC du ROC pour le train et les ensembles de test, améliorant ainsi les performances globales du modèle. Les plages des hyperparamètres ajustés sont présentées dans le tableau 3. La recherche par grille est fournie dans la figure supplémentaire 7, la figure supplémentaire 8 et le tableau supplémentaire 1, le tableau supplémentaire 2, le tableau supplémentaire 3 et le tableau supplémentaire 4.
7. Classement de l’importance variable
Les modèles les plus performants, Random Forest (RF) et Extreme Gradient Boosting (XGB), ont été sélectionnés pour le classement d’importance variable. Ces classements aident à identifier les prédicteurs les plus critiques de la rLDH L5-S1 après PEID.
8. Analyse statistique
Toutes les analyses statistiques ont été effectuées à l’aide du logiciel R. Les variables catégorielles ont été déclarées en pourcentage, tandis que les variables continues ont été exprimées en moyenne ± en écart-type. Les caractéristiques cliniques et les paramètres d’imagerie ont été comparés entre le groupe non récurrent (non-rLDH, n = 276) et le groupe récurrent (rLDH, n = 33).
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Résultats
Au total, 309 patients atteints d’une hernie discale lombaire L5-S1 causant des douleurs au bas du dos et à la jambe qui ont subi une discectomie interlaminaire endoscopique percutanée (PEID) ont été inclus dans cette étude. Des données d’imagerie préopératoire, des variables physiologiques cliniques et des scores EVA, ainsi que des scores d’imagerie postopératoire et EVA, ont été recueillis. Parmi ces patients, 33 ont été classés dans le groupe des hernies discales lombaires récurrentes ...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Discussion
La discectomie intervertébrale endoscopique percutanée (PEID) joue un rôle important dans le traitement de l’hernie discale L5-S1, d’où l’importance de prédire l’hernie discale lombaire récurrente postopératoire (rLDH)1,2. Dans la phase de sélection d’images et de nettoyage des données, cette étude a principalement mesuré les images IRM. Lorsque la qualité de l’image était mauvaise ou que les images étaient floues, des radiograph...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Déclarations de divulgation
Les auteurs déclarent que la recherche a été menée en l’absence de toute relation commerciale ou financière qui pourrait être interprétée comme un conflit d’intérêts potentiel.
Remerciements
Les auteurs tiennent à les remercier pour leur soutien financier (Le travail a été soutenu par la Fondation scientifique du Collège Kangda de l’Université de médecine de Nanjing (Subvention No. KD2024KYJJ292). Les travaux ont été soutenus par le Fonds spécial de recherche de l’Université de Nantong pour la médecine clinique (subvention n° 2024JY002). Ce travail a été soutenu par le projet scientifique et technologique de la Commission municipale de la santé de Nantong (subvention n°. MS2024045). Ce travail a été soutenu par des projets scientifiques et technologiques dans la province du Jiangsu [BE2023742], le projet de l’administration de la médecine traditionnelle chinoise du Jiangsu (subvention no. MS2023113).
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Matériaux
| Nom | Entreprise | Numéro de catalogue | Commentaires |
|---|---|---|---|
| GPU pour ordinateur portable | NVIDIA Corporation | N/A | |
| Appareil IRM | Siemens Healthineers | 11672453 | Prisma 3.0T |
| Appareil IRM | Siemens Healthineers | 10849662 | Ingenia CX 3.0T |
| Appareil IRM | Philips Healthcare | 781341 | iCT 64 tranches Spiral CT |
| Appareil CT | Philips Healthcare | 728326 | Ysio |
| Appareil à rayons X | Siemens Healthineers | 10092577 | 4.3.1 |
| R | The R Foundation | Logiciel open-source, disponible à l’https://www.r-project.org/. | |
| readxl | RStudio (Posit) | Latest (CRAN) | Package R open-source ; installation via CRAN (install.packages(« readxl »)). |
| tidyverse | RStudio (Posit) | Latest (CRAN) | Collection de paquets R ; installation via CRAN (install.packages(« tidyverse »)). |
| glmnet | CRAN contributors | Latest (CRAN) | Package R open-source ; install via CRAN (install.packages(« glmnet »)). |
| Contributeurs au | CRAN | pROC Dernier (CRAN) | Package R open source ; installation via CRAN (install.packages(« pROC »)). |
| zeallot | Contributeurs CRAN | Dernier (CRAN) | Package R open-source ; installation via CRAN (install.packages(« zeallot »)). |
| reticulate | RStudio (Posit) | Latest (CRAN) | Package R open-source ; installation via CRAN (install.packages(« reticulate »)). |
| showtext | Contributeurs CRAN | Dernier (CRAN) | Package R open-source ; installer via CRAN (install.packages(« showtext »)). |
| e1071 | Contributeurs CRAN | Dernier (CRAN) | Package R open source ; installation via CRAN (install.packages(« e1071 »)). |
| rms | CRAN | contributors Latest (CRAN) | Package R open-source ; installation via CRAN (install.packages(« rms »)). |
| ( | CRAN) | Package R open-source ; installation via CRAN (install.packages(« rpart »)). | |
| caret | CRAN | contributors Latest (CRAN) | Package R open-source ; installation via CRAN (install.packages(« caret »)). |
| rpart.plot | Contributeurs CRAN | Dernier (CRAN) | Package R open-source ; installation via CRAN (install.packages(« rpart.plot »)). |
| randomForest | CRAN | contributors Latest (CRAN) | Package R open-source ; installation via CRAN (install.packages(« randomForest »)). |
| corrplot | CRAN contributors | Latest (CRAN) | Package R open-source ; install via CRAN (install.packages(« corrplot »)). |
| PRROC | CRAN | contributors Latest (CRAN) | Package R open-source ; installation via CRAN (install.packages(« PRROC »)). |
| Matrix CRAN | contributors Latest (CRAN) | Package R open-source ; installation via CRAN (install.packages(« Matrix »)). | |
| dplyr | RStudio (Posit) | Latest (CRAN) | Fait partie de tidyverse ; installation via CRAN (install.packages(« dplyr »)). |
| ggplot2 | RStudio (Posit) | Latest (CRAN) | Fait partie de tidyverse ; installer via CRAN (install.packages(« ggplot2 »)). |
| classe | Contributeurs CRAN | Dernier (CRAN) | Package R open-source ; installer via CRAN (install.packages(« class »)). |
| ada | CRAN contributors Latest | (CRAN) | Package R open-source ; installation via CRAN (install.packages(« ada »)). |
| lightgbm | Microsoft | Latest (CRAN/GitHub) | Package R open-source ; installation via CRAN (install.packages(« lightgbm »)) ou GitHub. |
| Dernier | (CRAN) | Package R open-source ; installation via CRAN (install.packages(« xgboost »)). |
Références
- 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).
- Cheng, J., et al. Reoperation after lumbar disc surgery in two hundred and seven patients. Int Orthop. 37 (8), 1511-1517 (2013).
- Yin, S., et al. Prevalence of recurrent herniation following percutaneous endoscopic lumbar discectomy: A meta-analysis. Pain Physician. 21 (4), 337-350 (2018).
- Pan, M., et al. Percutaneous endoscopic lumbar discectomy: Indications and complications. Pain Physician. 23 (1), 49-56 (2020).
- Ju, C. I., Lee, S. M. Complications and management of endoscopic spinal surgery. Neurospine. 20 (1), 56-77 (2023).
- Modic, M. T., Ross, J. S. Lumbar degenerative disk disease. Radiology. 245 (1), 43-61 (2007).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Berg, B., et al. Machine learning models for predicting disability and pain following lumbar disc herniation surgery. JAMA Netw Open. 7 (2), e2355024(2024).
- Suthar, P., Patel, R., Mehta, C., Patel, N. MRI evaluation of lumbar disc degenerative disease. J Clin Diagn Res. 9 (4), TC04-9(2015).
- 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).
- 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).
- Jordan, M. I., Mitchell, T. M. Machine learning: Trends, perspectives, and prospects. Science. 349 (6245), 255-260 (2015).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Ren, G., et al. Machine learning predicts recurrent lumbar disc herniation following percutaneous endoscopic lumbar discectomy. Global Spine J. 14 (1), 146-152 (2024).
- 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).
- 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).
- 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).
- 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).
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Réimpressions et autorisations
Cet article a été publié
Vidéo bientôt disponible