מודלים של למידת מכונה פותחו כדי לחזות הישנות של פריצת דיסק L5-S1 לאחר ניתוח PEID, תוך ניתוח נתונים מ-309 חולים. המנבאים העיקריים כללו BMI ו-PDHI, עם יער אקראי ומודלים להגברת שיפוע קיצוני שהראו את הביצועים הטובים ביותר.
הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.
מאמר מחקר
חיזוי הישנות של פריצת דיסק מותני ב-L5-S1 באמצעות למידת מכונה המבוססת על כריתת דיסק אנדוסקופית באמצעות הגישה האינטרלמינרית
במאמר זה
סיכום
תקציר
מחקר זה נועד לפתח מודלים של למידת מכונה (ML) כדי לחזות את פריצת הדיסק המותני החוזרת ברמת L5-S1 (rLDH) לאחר כריתת דיסק בין-שכבתי אנדוסקופית מלעורית (PEID), טיפול זעיר פולשני לפריצת דיסק מותני L5-S1. נותחו נתונים מ-309 חולים שעברו PEID L5-S1 ברמה אחת בין ינואר 2020 ליוני 2024, עם לפחות 6 חודשי מעקב. נעשה שימוש ברשומות קליניות, הדמיה טרום ניתוחית וציוני סולם אנלוגי חזותי (VAS). רגרסיית LASSO זיהתה מנבאים מרכזיים, ונבנו שישה מודלים של ML: מכונה וקטורית תומכת (SVM), עץ החלטות (DT), הגברה אדפטיבית (ADA), מכונה להגברת שיפוע אור (LGBM), יער אקראי (RF) והגברת שיפוע קיצוני (XGB). בקרב המטופלים, 10.7% חוו rLDH, המוגדר כ-≥60% הפחתה ב-VAS ואחריה הישנות התסמינים ואישור הדמיה. המנבאים העיקריים כללו מדד מסת גוף (BMI), מדד גובה דיסק אחורי (PDHI), היצרות תעלת עמוד השדרה, משך המחלה, חוסר תחושה או חולשה, שינויים מודיקים, סוג בקע וסוכרת. דגמי ה-RF וה-XGB ביצעו את הביצועים הטובים ביותר. BMI גבוה יותר, PDHI גבוה יותר, היצרות תעלת עמוד השדרה, משך המחלה מעל שישה חודשים, שינויים מודיים, בקע לא מוכל וסוכרת הגדילו את הסיכון ל-rLDH. חשיבות משתנה דורגה עבור שני הדגמים. חיזוי rLDH לפני הניתוח יכול לשפר את קבלת ההחלטות ולהפחית את הסיכון להישנות לאחר PEID, כאשר מודלים של ML משפרים את הדיוק ומזהים גורמי סיכון קריטיים.
מבוא
כריתת דיסק מותני אנדוסקופית מלעורית (PELD) כוללת טכניקות שונות, כגון כריתת דיסק אנדוסקופית מלעורית (PETD) וכריתת דיסק בין-למינרית אנדוסקופית מלעורית (PEID), עם בחירת הגישה הכירורגית בהתאם למיקום הנגע ולמאפיינים האנטומיים האישיים של המטופל1. פריצת דיסק מותני חוזרת (rLDH) היא אחת הסיבות השכיחות ביותר לניתוח חוזר לאחר PELD, עם שכיחות שנעה בין 0% ל-12.5%2,3. כטכניקה זעיר פולשנית, PEID יושמה באופן נרחב בטיפול במצבים מותניים כגון פריצת דיסק ברמת L5-S1. יתרונותיו, כולל טראומה מינימלית, שהות קצרה בבית חולים והתאוששות מהירה לאחר הניתוח, הפכו אותו למועדף מאוד הן על ידי רופאים והן על ידי מטופלים4. עם זאת, למרות היתרונות המשמעותיים של טכניקות אנדוסקופיות בהפחתת טראומה כירורגית וקידום החלמה מהירה, חלק מהמטופלים עדיין מתמודדים עם הנושא של פריצת דיסק חוזרת לאחר הניתוח5.
הישנות של פריצת דיסק מותני קשורה קשר הדוק למספר גורמים, כולל מידת ניוון הדיסק, גובה הדיסק האחורי, שינויים מודיים (דלקת בלוחית הקצה) ואזורים במגע הדוק עם לוחית הקצה6. בנוסף, ל-BMI יש השפעה משמעותית על ההחלמה לאחר הניתוח, כאשר מחקרים מצביעים על כך שחולים עם BMI גבוה יותר מתמודדים בדרך כלל עם סיכון גבוה יותר להישנותהמחלה. מדד גובה הדיסק הבין חולייתי, כאינדיקטור חשוב להערכת מידת ניוון הדיסק, נמצא בשימוש נרחב. הוא מוגדר כגובה שולי הדיסק הקדמיים והאחוריים חלקי המרחק המרכזי של שני גופי החוליות. עם זאת, עבור פריצת דיסק והישנות לאחר הניתוח, בשל התפלגות המתח בשוליים הקדמיים והאחוריים, מדד גובה הדיסק האחורי הוא קריטי יותר בחיזוי rLDH7. הסרה לא מלאה של הגרעין במהלך הניתוח היא אחד הגורמים העיקריים לתסמינים שיוריים לאחר הניתוח, מכיוון שחלק מרקמת הדיסק מאתגרת לכרות לחלוטין במהלך ההליך8. שינויים מודיים מובילים לנזק ללוחית הקצה ולתגובות דלקתיות, וכתוצאה מכך לחוסר יציבות מכנית. מרכיבי הגרעין והסחוס בפריצות דיסק שאינן כלולות עלולים להחמיר את הניוון של לוחית הקצה והדיסק הבין חולייתי 8,9. היצרות תעלת עמוד השדרה קשורה לשכיחות rLDH, במיוחד בחולים שעוברים ניתוח דקומפרסיה פשוט ללא איחוי10. יתר על כן, הרגלי אורח חיים לא בריאים, מחלות לב וכלי דם והפרעות מטבוליות כמו סוכרת מאריכים משמעותית את זמן ריפוי הדיסק, ומגבירים את הסיכון להישנות וכאב11,12. לכן, המטרה הראשונה של מחקר זה היא להמשיך לחקור את גורמי הסיכון הקשורים ל-rLDH בעקבות PEID במקטע L5-S1.
בשנים האחרונות, התקדמות בטכנולוגיות בינה מלאכותית (AI) ולמידת מכונה פתחה אפשרויות חדשות לניתוח רפואי. היישום של בינה מלאכותית ולמידת מכונה במחקר הקשור לעמוד השדרה גדל משמעותיתב-13,14. כמקטע המותני הנמוך ביותר הנושא את משקל פלג הגוף העליון הגדול ביותר ובעל תכונות ביומכניות ייחודיות, L5-S1 הוא אתר נפוץ לפריצת דיסק מותני. בהתבסס על רצף ה-MRI T2 המותני של המטופל (בשל רגישותו הגבוהה להדמיית דיסק בין-חולייתי, המשמש ככלי ההערכה הקריטי ביותר), בשילוב עם בדיקות CT ורנטגן, ניתן לקבל מידע פתופיזיולוגי נוסף על הדיסקים הבין חולייתיים של המטופל, מה שמוביל להבנה ברורה יותר של rLDH15. בפרקטיקה הקלינית, חיזוי מדויק של גורמי סיכון להישנות לאחר הניתוח, בהתחשב במבנה האנטומי הייחודי של אזור L5-S1 וסיבוכים פוטנציאליים שונים, נותר אתגר משמעותי16,17.
למידת מכונה יושמה באופן נרחב בתחום הרפואי, כאשר אלגוריתמים כגון Random Forest ו-Gradient Boosting ממלאים תפקיד משמעותי בחיזוי מחלות והערכת סיכונים18. רגרסיית LASSO, באמצעות מנגנון הרגולציה L1 שלה לבחירת משתנים והתכווצות מקדם, משמשת לטיפול בבעיות בחירת תכונות והתאמת יתר בנתונים בממדים גבוהים19. אלגוריתם חיפוש הרשת חוקר באופן מקיף את מרחב ההיפרפרמטרים, ומקל על זיהוי שילוב ההיפרפרמטרים האופטימלי עבור כל מודל, ובכך משפר את יכולת החיזוי והיציבות20. בהקשר זה, ניתן להשתמש באלגוריתמים של למידת מכונה המיושמים בשפות AI מיינסטרים כמו Python ו-R, כאשר הם מבוססים על גודל מדגם העולה על 240 מקרים, לבניית מודלים של בינה מלאכותית21. על ידי שימוש בטכניקות כמו רגרסיה של LASSO לבחירת משתנים ובניית מודלים, נעשה שימוש באלגוריתמים של חיפוש רשת כדי למזער שגיאות ולמקסם את דיוק החיזוי, ובכך לשפר את יציבות המודל.
במחקר זה, על ידי ניתוח סטטיסטי ומדידה של גורמי סיכון שונים בחולי L5-S1, ושילוב נתונים רב-ממדיים - כולל מידע קליני (למשל, גיל, BMI) ומשתני הדמיה (למשל, גובה דיסק, מדד גובה דיסק אחורי) - שואף לפתח מודל חיזוי מדויק יותר. המטרה השנייה של מחקר זה היא להעריך את הסיכון להישנות של מטופלים לפני הניתוח, להעריך את ביצועי המודל ולהדגיש את החשיבות של גורמי סיכון שונים.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
פרוטוקול
מחקר זה הוא ניתוח רטרוספקטיבי שאושר על ידי ועדת האתיקה המוסדית של בית החולים העממי הראשון של ננטונג. הניסוי נרשם ביום ClinicalTrials.gov (מספר רישום: NCT06833099). מכיוון שהמידע הבריאותי של כל המשתתפים היה אנונימי, לא נדרשה הסכמה מדעת. החומרים המתכלים והציוד המשמשים מפורטים בטבלת החומרים.
1. אוכלוסיית המחקר
המחקר כלל נתונים קליניים ורישומי הדמיה טרום ניתוחיים של 436 חולים שעברו כריתת דיסק אנדוסקופית מלעורית (PEID) לכאבי גב תחתון וכאבי רגליים עקב פריצת דיסק L5-S1 בבית החולים העממי הראשון של ננטונג בין ה-1 בינואר 2020 ל-30 ביוני 2024. בהתבסס על קריטריוני אי הכללה, נכללו בסופו של דבר 309 חולים, ביניהם פריצת דיסק מותני חוזרת (rLDH) אושרה באמצעות ציוני סולם אנלוגי חזותי (VAS) לאחר הניתוח והדמיית מעקב. מתוך 309 המטופלים, 33 חוו rLDH לאחר הניתוח, בעוד ש-276 הנותרים חוו הקלה משמעותית בכאבי גב תחתון ורגליים, כאשר ציוני VAS הופחתו ביותר מ-60%. משתני ההדמיה עבור כל המשתתפים נגזרו מבדיקות רנטגן, CT ו-MRI לפני הניתוח, בשילוב עם מידע קליני מפורט, כולל מין, גיל, גובה, משקל, BMI, ציוני VAS ומשתנים רלוונטיים אחרים (איור 1).
2. קריטריונים להכללה ואי הכללה
קריטריונים להכללה עבור rLDH: (1) חולים עם פריצת דיסק מותני L5-S1 שעברו PEID חד-מקטע. (2) בדיקות הדמיה מקיפות שהושלמו תוך חודש לפני הניתוח. (3) הפחתת ציון VAS לאחר הניתוח ≥60%, ואחריה עלייה בציון ואישור על ידי הדמיה. (4) לא התגלו חריגות אחרות בהדמיה. (5) תקופת מעקב מינימלית של 6 חודשים.
קריטריונים להכללה עבור Non-rLDH: (1) חולים עם פריצת דיסק מותני L5-S1 שעברו PEID חד-מקטע. (2) בדיקות הדמיה מקיפות שהושלמו תוך חודש לפני הניתוח. (3) הפחתת ציון VAS לאחר הניתוח ≥60%, ללא הישנות המחלה. (4) לא התגלו חריגות אחרות בהדמיה. (5) תקופת מעקב מינימלית של 6 חודשים.
קריטריונים לאי הכללה: (1) נוכחות של מצבים פתולוגיים אחרים הגורמים לכאבי גב תחתון, כגון זיהום בדיסק, גידולים בעמוד השדרה, מחלות עצם מטבוליות או אוסטאופורוזיס. (2) היסטוריה של דיסק מותני או ניתוחי עמוד שדרה אחרים. (3) איכות הדמיה ירודה או נתוני בדיקה לא שלמים. (4) הפסד למעקב.
3. משתנים קטגוריים ורציפים
מאפיינים קליניים טרום ניתוחיים ונתוני הדמיה של חולים נותחו ונמדדו סטטיסטית (טבלה 1 וטבלה 2). משתנים קטגוריים שימשו להבחנה בין מאפייני מחלה בסיסיים, גורמי אורח חיים ומשתנים אחרים, בעוד שמשתנים רציפים ייצגו מדידות ספציפיות המתארות את המצב הפיזיולוגי של החולים ושינויי הדמיה לפני הניתוח. כדי להפחית את ההטיה, יושמו אמצעי בקרת איכות קפדניים. שני רדיולוגים ומנתחי עמוד שדרה עם למעלה מ-10 שנות ניסיון קליני היו אחראים על הניתוח הסטטיסטי והמדידה של נתוני ההדמיה. במקרים מורכבים, שני הרופאים פתרו בעיות באמצעות התייעצות משותפת כדי להבטיח דיוק ועקביות בעיבוד הנתונים.
משתנים קטגוריים כללו: מין, סוכרת, יתר לחץ דם, מחלות לב וכלי דם מוחיים (CCD), עקמת, היצרות עמוד השדרה, גורמים מעוררים (למשל, פעילות מאומצת, נקע, חשיפה לקור, פגיעה או ללא טריגר ברור), משך המחלה (מעל 6 חודשים או פחות מ-6 חודשים), חוסר תחושה או חולשה, סוג בלט (כלול או לא מוכל), ניוון דיסק (דרגות I, II, III ו-IV, V), ניוון דיסק סמוך (דרגות I, II, III ו-IV, V), שינויים מודיים והסתיידות דיסקית.
משתנים רציפים כללו: גיל, משך הניתוח, גובה, משקל, מדד מסת גוף (BMI), קוטר פריצת דיסק מקסימלי (MDHD), גובה דיסק אחורי (PDH), מרחק בין שני מרכזי חוליות (DBTVC), זווית כיוון מפרק פן (FJOA), זווית דיסק (DA), זווית שיפוע סקרלי (SSA), זווית לורדוזיס מותני (LLA) ומדד גובה דיסק אחורי (PDHI, PDHI = PDH / DBTVC).
4. ניקוי נתונים ובחירת משתנים
ראשית, קובץ הנתונים "zjkj3" נקרא לתוך R (גרסה 4.3.1, https://www.r-project.org/, פלטפורמה: x86_64-w64-mingw32/x64 (64 סיביות), Copyright (C) 2023 The R Foundation for Statistical Computing) באמצעות הפונקציה read_excel ומאוחסן במשתנה נתונים. קידוד התווים שנבחר היה UTF-8 (ברירת מחדל של המערכת), שהיא שיטת קידוד בשימוש נרחב המסוגלת לתמוך בשפות הכתובות של רוב המדינות ברחבי העולם. לאחר מכן נעשה שימוש בפונקציית הבחירה כדי להפריד את משתנה היעד ממשתני התכונה. כדי להבטיח שחזור של פיצול הנתונים, הוגדר זרע אקראי קבוע של 3, ומערך הנתונים חולק לערכת אימון (80%) ולערכת בדיקה (20%). לבסוף, הוגדרה פונקציית רגרסיה של LASSO, וחלק מנתוני האימון נדגמו באופן אקראי באמצעות פונקציית glmnet כדי להתאים לרגרסיה של LASSO. פרמטר הרגולציה האופטימלי λ נקבע באמצעות ויסות L1 ואימות צולב (ברירת מחדל פי 10), תוך הבטחה שלא מעורבבים נתוני מטופלים כפולים בין ערכות האימון והבדיקה. שגיאת האימות הצולב עבור כל ערך λ חושבה כדי לקבוע את ערך λ האופטימלי.
5. פיתוח והערכה של מודלים
SVM (מכונה וקטורית תומכת): מודל זה ממפה נתוני אימון להיפר-מישור, וממקסם את השוליים בין שתי מחלקות כדי לחזות את המטרה. הגדרות ההיפרפרמטר הספציפיות עבור מודל ה-SVM במחקר זה הן: kernel = "ליניארי", עלות = 1. איור משלים 1 מתאר את מטריצות הבלבול עבור SVM.
DT (עץ החלטות): מודל זה מפצל נתונים באופן רקורסיבי כדי ליצור מבנה עץ לחיזוי משתנה היעד. הגדרת ההיפרפרמטר הספציפית למודל DT במחקר זה היא: max_depth = 3. איור משלים 2 מתאר את מטריצות הבלבול עבור DT.
ADA (AdaBoost): מודל זה משלב מספר לומדים חלשים (בדרך כלל עצי החלטה) כדי ליצור לומד חזק, ולשפר את ביצועי הסיווג. הגדרות ההיפרפרמטר הספציפיות למודל ה-ADA במחקר זה הן: n_estimators = 150, learning_rate = 0.1, זרע = 80. איור משלים 3 מתאר את מטריצות הבלבול עבור ADA.
LGBM (Light Gradient Boosting Machine): מודל זה משתמש באלגוריתם היסטוגרמה כדי לפצל תכונות רציפות, להאיץ את תהליך האימון ולהפחית את עומס הזיכרון, מה שהופך אותו למסגרת יעילה ומהירה להגברת שיפוע, המתאימה במיוחד עבור מערכי נתונים בקנה מידה גדול. הגדרות ההיפרפרמטר הספציפיות למודל LGBM במחקר זה הן: num_leaves = 5, learning_rate = 0.05, n_estimators = 50. איור משלים 4 מתאר את מטריצות הבלבול עבור LGBM.
RF (יער אקראי): מודל זה בונה עצי החלטה מרובים ומשלב את התחזיות שלהם כדי לשפר את הדיוק ולשלוט בהתאמת יתר. הגדרות ההיפרפרמטר הספציפיות למודל ה-RF במחקר זה הן: ntree = 310, mtry = 1, maxnodes = 10, max_depth = 1, seed = 80. איור משלים 5 מתאר את מטריצות הבלבול עבור RF.
XGB (Extreme Gradient Boosting): מודל זה הוא אלגוריתם משופר המבוסס על עצי החלטה, המשתמש באלגוריתם עץ החלטות חדש של שיפוע כללי כדי להאיץ את בניית המודל, עם ישימות חזקה למשימות סיווג ורגרסיה. הגדרות ההיפרפרמטר הספציפיות למודל XGB במחקר זה הן: nrounds = 100, max_depth = 2, eta = 0.39, gamma = 0, colsample_bytree = 0.88, seed = 80. איור משלים 6 מתאר את מטריצות הבלבול עבור XGB.
הביצועים של ששת המודלים הוערכו באמצעות המדדים הבאים: ערכת מבחן ROC AUC, דיוק, רגישות, ספציפיות, ערך ניבוי חיובי (PPV), ערך ניבוי שלילי (NPV) וציון F1. נוסחת החישוב היא כדלקמן22:
TP: חיובי אמיתי; ט.נ.: שלילי אמיתי; FP: חיובי כוזב; פ.נ.: שלילי כוזב.
6. חיפוש רשת וכוונון היפרפרמטרים
כדי לייעל את ביצועי המודל, נעשה שימוש בחיפוש רשת כדי לחקור שילובים שונים של היפרפרמטרים. באמצעות כוונון והערכה איטרטיביים, זוהה שילוב ההיפרפרמטרים האופטימלי כדי למקסם את ערכי ROC AUC הן עבור ערכות הרכבת והן עבור ערכות הבדיקה, ובכך לשפר את ביצועי המודל הכוללים. טווחי ההיפרפרמטרים המותאמים מוצגים בטבלה 3. חיפוש הרשת מסופק באיור משלים 7, איור משלים 8, וטבלה משלימה 1, טבלה משלימה 2, טבלה משלימה 3 וטבלה משלימה 4.
7. דירוג חשיבות משתנה
המודלים בעלי הביצועים הטובים ביותר - יער אקראי (RF) והגברת שיפוע קיצוני (XGB) - נבחרו לדירוג חשיבות משתנה. דירוגים אלה מסייעים בזיהוי המנבאים הקריטיים ביותר של L5-S1 rLDH בעקבות PEID.
8. ניתוח סטטיסטי
כל הניתוחים הסטטיסטיים בוצעו באמצעות תוכנת R. משתנים קטגוריים דווחו באחוזים, בעוד שמשתנים רציפים בוטאו כממוצע ± סטיית תקן. המאפיינים הקליניים ופרמטרי ההדמיה הושוו בין הקבוצה הלא חוזרת (non-rLDH, n=276) לבין הקבוצה החוזרת (rLDH, n=33).
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
תוצאות
בסך הכל נכללו במחקר זה 309 חולים עם פריצת דיסק מותני L5-S1 הגורמת לכאבי גב תחתון ורגליים שעברו כריתת דיסק בין-למינרית אנדוסקופית מלעורית (PEID). נאספו נתוני הדמיה טרום ניתוחית, משתנים פיזיולוגיים קליניים וציוני VAS, כמו גם הדמיה לאחר ניתוח וציוני VAS. מבין חולים אלה, 33 סווגו לקבוצת פריצת דיסק מותני חוזרת (קבוצת rLDH), ו-276 סווגו לקבוצת אי הישנות (קבוצה ללא rLDH). הנתונים הקליניים וההדמיה לפני הניתוח כללו 14 משתנים קטגוריים (בעיקר להבחנה בין מאפייני מחלה בסיסיים וגורמי אורח חיים) ו-13 מש...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
דיון
כריתת דיסק בין-חולייתית אנדוסקופית מלעורית (PEID) ממלאת תפקיד משמעותי בטיפול בפריצת דיסק L5-S1, מה שהופך את זה לחשוב ביותר לחזות פריצת דיסק מותני חוזרת לאחר הניתוח (rLDH)1,2. בשלב בחירת התמונה וניקוי הנתונים, מחקר זה מדד בעיקר תמונות MRI. כאשר איכות התמונה הייתה ירודה או שהתמונות היו מטושטשות, נעשה שימוש בסריקות רנטגן או CT למדידות משלימות. עבור מטופלים עם נתונים קליניים חסרים, הנתונים שלהם לא נכללו כדי למנוע השפעה על תוצאות עיבו...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
גילויים
המחברים מצהירים כי המחקר נערך בהיעדר קשרים מסחריים או פיננסיים כלשהם שיכולים להתפרש כניגוד אינטרסים פוטנציאלי.
תודות
המחברים רוצים להודות להם על תמיכתם הכספית (העבודה נתמכה על ידי קרן המדע של מכללת קאנגדה של האוניברסיטה הרפואית נאנג'ינג (מענק מס. KD2024KYJJ292). העבודה נתמכה על ידי קרן המחקר המיוחדת של אוניברסיטת ננטונג לרפואה קלינית (מענק מס' 2024JY002). עבודה זו נתמכה על ידי פרויקט המדע והטכנולוגיה של ועדת הבריאות העירונית של ננטונג (מענק מס. MS2024045). עבודה זו נתמכה על ידי פרויקטים של מדע וטכנולוגיה במחוז ג'יאנגסו [BE2023742], פרויקט של מינהל ג'יאנגסו לרפואה סינית מסורתית (מענק מס. MS2023113).
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
חומרים
| שם | חברה | מספר קטלוג | הערות |
|---|---|---|---|
| מחשב נייד GPU | NVIDIA Corporation | N/A | |
| MRI מכונת | סימנס Healthineers | 11672453 | Prisma 3.0T |
| מכונת MRI | סימנס Healthineers | 10849662 | Ingenia CX 3.0T |
| מכונת MRI | Philips Healthcare | 781341 | iCT 64 פרוסות מכונת CT ספירלית |
| Philips Healthcare | 728326 | Ysio | |
| מכונת רנטגן | Siemens Healthineers | 10092577 | 4.3.1 |
| R | הקוד הפתוח של קרן | ; זמינה ב-https://www.r-project.org/. | |
| readxl | RStudio (Posit) | Latest (CRAN) | חבילת R בקוד פתוח; התקן באמצעות CRAN (install.packages("readxl")). |
| tidyverse | RStudio (Posit) | Latest (CRAN) | אוסף של חבילות R; התקן באמצעות CRAN (install.packages("tidyverse")). |
| glmnet | CRAN תורמים | חבילת R העדכנית ביותר (CRAN) | קוד פתוח; התקן באמצעות CRAN (install.packages("glmnet")). |
| pROC | CRAN חבילת | העדכנית ביותר (CRAN) | קוד פתוח; התקן באמצעות CRAN (install.packages("pROC")). |
| zeallot | תורמים CRAN | חבילת R העדכנית ביותר (CRAN) | קוד פתוח; התקן באמצעות CRAN (install.packages("zeallot")). |
| reticulate | RStudio (Posit) | Latest (CRAN) | חבילת R בקוד פתוח; התקן באמצעות CRAN (install.packages("reticulate")). |
| תורמי CRAN | העדכניים ביותר (CRAN) | חבילת R בקוד פתוח; התקן באמצעות CRAN (install.packages("showtext")). | |
| e1071 | תורמי CRAN חבילת | העדכנית ביותר (CRAN) | קוד פתוח; התקן באמצעות CRAN (install.packages("e1071")). |
| תורמי rms | CRAN חבילת | העדכנית ביותר (CRAN) | קוד פתוח; התקן באמצעות CRAN (install.packages("rms")). |
| rpart | CRAN תורמים חבילת | אחרונה (CRAN) | קוד פתוח; התקן באמצעות CRAN (install.packages("rpart")). |
| caret | CRAN תורמים חבילת | R בקוד פתוח (CRAN); | התקן באמצעות CRAN (install.packages("caret")). |
| rpart.plot | תורמי CRAN | חבילת R העדכנית ביותר (CRAN) | קוד פתוח; התקן באמצעות CRAN (install.packages("rpart.plot")). |
| randomForest | תורמים CRAN חבילת | R בקוד פתוח (CRAN); | התקן באמצעות CRAN (install.packages("randomForest")). |
| corrplot | תורמי CRAN | חבילת R העדכנית ביותר (CRAN) | קוד פתוח; התקן באמצעות CRAN (install.packages("corrplot")). |
| PRROC | CRAN תורם | חבילת R העדכנית ביותר (CRAN) | קוד פתוח; התקן באמצעות CRAN (install.packages("PRROC")). |
| תורמי מטריקס | CRAN חבילת | העדכנית ביותר (CRAN) | קוד פתוח; התקן באמצעות CRAN (install.packages("Matrix")). |
| dplyr | RStudio (Posit) | Latest (CRAN) | חלק מ-tidyverse; התקן באמצעות CRAN (install.packages("dplyr")). |
| ggplot2 | RStudio (Posit) | Latest (CRAN) | חלק מ-tidyverse; התקן באמצעות CRAN (install.packages("ggplot2")). |
| class | CRAN תורמים חבילת | בקוד פתוח (CRAN); | התקן באמצעות CRAN (install.packages("class")). |
| התורמים של ada | CRAN | חבילת R בקוד פתוח (CRAN); התקן באמצעות CRAN (install.packages("ada")). | |
| lightgbm | Microsoft | Latest (CRAN/GitHub) | חבילת R בקוד פתוח; התקן באמצעות CRAN (install.packages("lightgbm")) או GitHub. |
| xgboost | CRAN תורמים | חבילת R העדכנית ביותר (CRAN) | קוד פתוח; התקן באמצעות CRAN (install.packages("xgboost")). |
מקורות
- 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).
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
הדפסות חוזרות והרשאות
מאמר זה פורסם
הסרטון יגיע בקרוב