Sono stati sviluppati modelli di apprendimento automatico per prevedere la recidiva dell'ernia del disco L5-S1 dopo l'intervento chirurgico PEID, analizzando i dati di 309 pazienti. I predittori chiave includevano BMI e PDHI, con modelli di aumento del gradiente casuale e del gradiente estremo che mostravano le migliori prestazioni.
È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.
Articolo di ricerca
La previsione della recidiva dell'ernia del disco lombare a L5-S1 attraverso l'apprendimento automatico basato sulla discectomia endoscopica tramite l'approccio interlaminare
In questo articolo
Sommario
Abstract
Questo studio mirava a sviluppare modelli di apprendimento automatico (ML) per prevedere l'ernia del disco lombare ricorrente (rLDH) a livello L5-S1 dopo discectomia interlaminare endoscopica percutanea (PEID), un trattamento minimamente invasivo per l'ernia del disco lombare L5-S1. Sono stati analizzati i dati di 309 pazienti sottoposti a PEID L5-S1 a livello singolo tra gennaio 2020 e giugno 2024, con almeno 6 mesi di follow-up. Sono state utilizzate le cartelle cliniche, l'imaging preoperatorio e i punteggi della scala analogica visiva (VAS). La regressione LASSO ha identificato i predittori chiave e sono stati costruiti sei modelli ML: Support Vector Machine (SVM), Decision Tree (DT), Adaptive Boosting (ADA), Light Gradient Boosting Machine (LGBM), Random Forest (RF) e Extreme Gradient Boosting (XGB). Tra i pazienti, il 10,7% ha sperimentato rLDH, definita come riduzione del ≥60% della VAS seguita da recidiva dei sintomi e conferma dell'imaging. I predittori chiave includevano l'indice di massa corporea (BMI), l'indice di altezza del disco posteriore (PDHI), la stenosi del canale spinale, la durata della malattia, l'intorpidimento o la debolezza, i cambiamenti modici, il tipo di ernia e il diabete. I modelli RF e XGB hanno ottenuto i risultati migliori. BMI più elevato, PDHI più elevato, stenosi del canale spinale, durata della malattia oltre sei mesi, cambiamenti di Modic, ernia non contenuta e diabete hanno aumentato il rischio di rLDH. L'importanza variabile è stata classificata per entrambi i modelli. La previsione preoperatoria di rLDH può migliorare il processo decisionale e ridurre il rischio di recidiva dopo PEID, con i modelli ML che migliorano l'accuratezza e identificano i fattori di rischio critici.
Introduzione
La discectomia lombare endoscopica percutanea (PELD) comprende varie tecniche, come la discectomia transforaminale endoscopica percutanea (PETD) e la discectomia interlaminare endoscopica percutanea (PEID), con la scelta dell'approccio chirurgico a seconda della posizione della lesione e delle caratteristiche anatomiche individuali del paziente1. L'ernia del disco lombare ricorrente (rLDH) è una delle cause più comuni di reintervento dopo PELD, con un'incidenza che varia dallo 0% al 12,5%2,3. Come tecnica minimamente invasiva, la PEID è stata ampiamente applicata nel trattamento di condizioni lombari come l'ernia del disco di livello L5-S1. I suoi vantaggi, tra cui traumi minimi, brevi degenze ospedaliere e rapido recupero postoperatorio, lo hanno reso molto apprezzato sia dai medici che dai pazienti4. Tuttavia, nonostante i significativi benefici delle tecniche endoscopiche nel ridurre il trauma chirurgico e promuovere un rapido recupero, alcuni pazienti devono ancora affrontare il problema dell'ernia del disco ricorrente dopo l'intervento chirurgico5.
La recidiva dell'ernia del disco lombare è strettamente associata a molteplici fattori, tra cui il grado di degenerazione del disco, l'altezza del disco posteriore, i cambiamenti Modic (infiammazione della placca terminale) e le aree a stretto contatto con la placcaterminale 6. Inoltre, l'IMC ha un impatto significativo sul recupero postoperatorio, con studi che indicano che i pazienti con IMC più elevato in genere affrontano un rischio maggiore di recidiva5. L'indice di altezza del disco intervertebrale, come indicatore importante per valutare il grado di degenerazione del disco, è stato ampiamente utilizzato. È definita come l'altezza dei margini del disco anteriore e posteriore divisa per la distanza del baricentro dei due corpi vertebrali. Tuttavia, per l'ernia del disco e la recidiva postoperatoria, a causa della distribuzione dello stress ai margini anteriore e posteriore, l'indice di altezza del disco posteriore è più critico nel prevedere rLDH7. La rimozione incompleta del nucleo polposo durante l'intervento chirurgico è una delle cause principali dei sintomi postoperatori residui, poiché è difficile asportare completamente parte del tessuto del disco durante la procedura8. I cambiamenti modici portano a danni alla placca terminale e risposte infiammatorie, con conseguente instabilità meccanica. I componenti del nucleo polposo e della cartilagine nelle ernie del disco non contenute possono esacerbare la degenerazione della placca terminale e del disco intervertebrale 8,9. La stenosi del canale spinale è associata all'incidenza di rLDH, in particolare nei pazienti sottoposti a semplice intervento chirurgico di decompressione senza fusione10. Inoltre, abitudini di vita malsane, malattie cardiovascolari e disturbi metabolici come il diabete prolungano significativamente il tempo di guarigione del disco, aumentando il rischio di recidiva e dolore11,12. Pertanto, il primo obiettivo di questo studio è quello di indagare ulteriormente i fattori di rischio associati a rLDH dopo PEID nel segmento L5-S1.
Negli ultimi anni, i progressi nell'intelligenza artificiale (AI) e nelle tecnologie di apprendimento automatico hanno aperto nuove possibilità per l'analisi medica. L'applicazione dell'intelligenza artificiale e dell'apprendimento automatico nella ricerca relativa alla colonna vertebrale è aumentata significativamente13,14. Essendo il segmento lombare più basso con il maggior peso della parte superiore del corpo e in possesso di proprietà biomeccaniche uniche, L5-S1 è un sito comune per l'ernia del disco lombare. Sulla base della sequenza T2 della risonanza magnetica lombare del paziente (grazie alla sua elevata sensibilità per l'imaging del disco intervertebrale, che funge da strumento di valutazione più critico), combinata con esami TC e raggi X, è possibile ottenere più informazioni fisiopatologiche sui dischi intervertebrali del paziente, portando a una comprensione più chiara di rLDH15. Nella pratica clinica, prevedere con precisione i fattori di rischio di recidiva postoperatoria, considerando la struttura anatomica unica della regione L5-S1 e varie potenziali complicanze, rimane una sfida significativa16,17.
L'apprendimento automatico è stato ampiamente applicato in campo medico, con algoritmi come Random Forest e Gradient Boosting che svolgono un ruolo significativo nella previsione delle malattie e nella valutazione del rischio18. La regressione LAZO, attraverso il suo meccanismo di regolarizzazione L1 per la selezione delle variabili e il restringimento del coefficiente, viene utilizzata per affrontare i problemi di selezione delle caratteristiche e di overfitting nei dati ad alta dimensionalità19. L'algoritmo di ricerca a griglia esplora in modo completo lo spazio degli iperparametri, facilitando l'identificazione della combinazione ottimale di iperparametri per ciascun modello, migliorando così la capacità di previsione e la stabilità20. In questo contesto, gli algoritmi di apprendimento automatico implementati nei principali linguaggi di intelligenza artificiale come Python e R, quando basati su un campione di dimensioni superiori a 240 casi, possono essere utilizzati per costruire modelli di intelligenza artificiale21. Utilizzando tecniche come la regressione LASSO per la selezione delle variabili e la costruzione di modelli, gli algoritmi di ricerca a griglia vengono utilizzati per ridurre al minimo gli errori e massimizzare l'accuratezza delle previsioni, migliorando così la stabilità del modello.
In questo studio, analizzando e misurando statisticamente vari fattori di rischio nei pazienti L5-S1 e integrando dati multidimensionali, comprese le informazioni cliniche (ad esempio, età, BMI) e le variabili di imaging (ad esempio, altezza del disco, indice di altezza del disco posteriore), mira a sviluppare un modello predittivo più accurato. Il secondo obiettivo di questo studio è valutare il rischio di recidiva preoperatoria dei pazienti, valutare le prestazioni del modello ed evidenziare l'importanza di vari fattori di rischio.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Protocollo
Questo studio è un'analisi retrospettiva approvata dal Comitato Etico Istituzionale del Nantong First People's Hospital. La sperimentazione è stata registrata il ClinicalTrials.gov (numero di registrazione: NCT06833099). Poiché le informazioni sanitarie di tutti i partecipanti sono state rese anonime, non è stato richiesto il consenso informato. I materiali di consumo e le attrezzature utilizzate sono elencati nella Tabella dei materiali.
1. Popolazione oggetto di studio
Lo studio ha incluso dati clinici e cartelle cliniche di imaging preoperatorio di 436 pazienti sottoposti a discectomia interlaminare endoscopica percutanea (PEID) per lombalgia e dolore alle gambe a causa di ernia del disco L5-S1 presso il Nantong First People's Hospital tra il 1° gennaio 2020 e il 30 giugno 2024. Sulla base dei criteri di esclusione, sono stati infine inclusi 309 pazienti, tra i quali l'ernia del disco lombare ricorrente (rLDH) è stata confermata attraverso i punteggi della Visual Analog Scale (VAS) postoperatoria e l'imaging di follow-up. Dei 309 pazienti, 33 hanno sperimentato rLDH post-operatorio, mentre i restanti 276 hanno avuto un significativo sollievo dal dolore lombare e alle gambe, con punteggi VAS ridotti di oltre il 60%. Le variabili di imaging per tutti i partecipanti sono state derivate da esami radiografici, TC e risonanza magnetica preoperatori, combinati con informazioni cliniche dettagliate, tra cui sesso, età, altezza, peso, BMI, punteggi VAS e altre variabili rilevanti (Figura 1).
2. Criteri di inclusione ed esclusione
Criteri di inclusione per rLDH: (1) Pazienti con ernia del disco lombare L5-S1 sottoposti a PEID a segmento singolo. (2) Esami di imaging completi completati entro un mese prima dell'intervento. (3) Riduzione del punteggio VAS postoperatorio del ≥60%, seguita da un aumento del punteggio e dalla conferma mediante imaging. (4) Non sono state rilevate altre anomalie all'imaging. (5) Periodo minimo di follow-up di 6 mesi.
Criteri di inclusione per non-rLDH: (1) Pazienti con ernia del disco lombare L5-S1 sottoposti a PEID a segmento singolo. (2) Esami di imaging completi completati entro un mese prima dell'intervento. (3) Riduzione del punteggio VAS postoperatorio del ≥60%, senza recidive. (4) Non sono state rilevate altre anomalie all'imaging. (5) Periodo minimo di follow-up di 6 mesi.
Criteri di esclusione: (1) Presenza di altre condizioni patologiche che causano lombalgia, come infezione del disco, tumori spinali, malattie metaboliche ossee o osteoporosi. (2) Storia di disco lombare o altri interventi chirurgici spinali. (3) Scarsa qualità dell'imaging o dati dell'esame incompleti. (4) Perdita al follow-up.
3. Variabili categoriali e continue
Le caratteristiche cliniche preoperatorie e i dati di imaging dei pazienti sono stati analizzati e misurati statisticamente (Tabella 1 e Tabella 2). Le variabili categoriali sono state utilizzate per distinguere le caratteristiche di base della malattia, i fattori dello stile di vita e altre variabili, mentre le variabili continue rappresentavano misurazioni specifiche che descrivevano lo stato fisiologico dei pazienti e i cambiamenti dell'imaging preoperatorio. Per ridurre le distorsioni, sono state implementate rigorose misure di controllo della qualità. Due radiologi e chirurghi della colonna vertebrale con oltre 10 anni di esperienza clinica sono stati responsabili dell'analisi statistica e della misurazione dei dati di imaging. Per i casi complessi, i due medici hanno risolto i problemi attraverso una consultazione congiunta per garantire l'accuratezza e la coerenza nell'elaborazione dei dati.
Le variabili categoriali includevano: sesso, diabete, ipertensione, malattie cardiovascolari e cerebrovascolari (CCD), scoliosi, stenosi spinale, fattori scatenanti (ad esempio, attività intensa, distorsione, esposizione al freddo, impatto o assenza di un fattore scatenante chiaro), durata della malattia (superiore a 6 mesi o inferiore a 6 mesi), intorpidimento o debolezza, tipo di protrusione (contenuta o non contenuta), degenerazione del disco (Gradi I, II, III e IV, V), degenerazione del disco adiacente (Gradi I, II, III e IV, V), alterazioni modiche e calcificazioni del disco.
Le variabili continue includevano: età, durata dell'intervento chirurgico, altezza, peso, indice di massa corporea (BMI), diametro massimo dell'ernia del disco (MDHD), altezza del disco posteriore (PDH), distanza tra due centri delle vertebre (DBTVC), angolo di orientamento delle faccette articolari (FJOA), angolo del disco (DA), angolo di pendenza sacrale (SSA), angolo di lordosi lombare (LLA) e indice di altezza del disco posteriore (PDHI, PDHI = PDH / DBTVC).
4. Pulizia dei dati e selezione delle variabili
Innanzitutto, il file di dati "zjkj3" è stato letto in R (versione 4.3.1, https://www.r-project.org/, Piattaforma: x86_64-w64-mingw32/x64 (64-bit), Copyright (C) 2023 The R Foundation for Statistical Computing) utilizzando la funzione read_excel e memorizzato in una variabile di dati. La codifica dei caratteri selezionata è stata UTF-8 (impostazione predefinita del sistema), che è un metodo di codifica ampiamente utilizzato in grado di supportare le lingue scritte della maggior parte dei paesi del mondo. La funzione di selezione è stata quindi utilizzata per separare la variabile target dalle variabili di funzionalità. Per garantire la riproducibilità della suddivisione dei dati, è stato impostato un seme casuale fisso di 3 e il set di dati è stato diviso in un set di addestramento (80%) e un set di test (20%). Infine, è stata definita una funzione di regressione LASSO e una parte dei dati di addestramento è stata campionata in modo casuale utilizzando la funzione glmnet per adattarsi alla regressione LAZO. Il parametro di regolarizzazione ottimale λ è stato determinato utilizzando la regolarizzazione L1 e la convalida incrociata (impostazione predefinita 10 volte), garantendo al contempo che non venissero mescolati dati duplicati del paziente tra il set di addestramento e quello di test. L'errore di convalida incrociata per ciascun valore λ è stato calcolato per determinare il valore λ ottimale.
5. Sviluppo e valutazione del modello
SVM (Support Vector Machine): questo modello mappa i dati di addestramento su un iperpiano, massimizzando il margine tra due classi per prevedere l'obiettivo. Le impostazioni specifiche degli iperparametri per il modello SVM in questo studio sono: kernel = "linear", cost = 1. La Figura 1 supplementare illustra le matrici di confusione per SVM.
DT (Decision Tree): questo modello suddivide in modo ricorsivo i dati per creare una struttura ad albero per la previsione della variabile target. L'impostazione specifica dell'iperparametro per il modello DT in questo studio è: max_depth = 3. La Figura 2 supplementare illustra le matrici di confusione per DT.
ADA (AdaBoost): questo modello combina più studenti deboli (in genere alberi decisionali) per creare uno studente forte, migliorando le prestazioni di classificazione. Le impostazioni specifiche degli iperparametri per il modello ADA in questo studio sono: n_estimators = 150, learning_rate = 0,1, seme = 80. La Figura 3 supplementare illustra le matrici di confusione per ADA.
LGBM (Light Gradient Boosting Machine): questo modello utilizza un algoritmo di istogramma per suddividere le funzionalità continue, accelerando il processo di addestramento e riducendo il carico di memoria, rendendolo un framework di potenziamento del gradiente efficiente e veloce, particolarmente adatto per set di dati su larga scala. Le impostazioni specifiche degli iperparametri per il modello LGBM in questo studio sono: num_leaves = 5, learning_rate = 0,05, n_estimators = 50. La Figura 4 supplementare illustra le matrici di confusione per LGBM.
RF (Random Forest): questo modello costruisce più alberi decisionali e combina le loro previsioni per migliorare la precisione e controllare l'overfitting. Le impostazioni specifiche degli iperparametri per il modello RF in questo studio sono: ntree = 310, mtry = 1, maxnodes = 10, max_depth = 1, seed = 80. La Figura 5 supplementare illustra le matrici di confusione per RF.
XGB (Extreme Gradient Boosting): questo modello è un algoritmo avanzato basato su alberi decisionali, che utilizza un nuovo algoritmo di albero decisionale generalizzato per accelerare la costruzione del modello, con una forte applicabilità per le attività di classificazione e regressione. Le impostazioni specifiche degli iperparametri per il modello XGB in questo studio sono: nrounds = 100, max_depth = 2, eta = 0,39, gamma = 0, colsample_bytree = 0,88, seed = 80. La Figura 6 supplementare illustra le matrici di confusione per XGB.
Le prestazioni dei sei modelli sono state valutate utilizzando le seguenti metriche: AUC ROC del set di test, accuratezza, sensibilità, specificità, valore predittivo positivo (PPV), valore predittivo negativo (NPV) e punteggio F1. La formula di calcolo è la seguente22:
TP: Vero positivo; TN: Vero negativo; FP: Falso positivo; FN: Falso negativo.
6. Ricerca della griglia e regolazione degli iperparametri
Per ottimizzare le prestazioni del modello, è stata utilizzata la ricerca a griglia per esplorare varie combinazioni di iperparametri. Attraverso l'ottimizzazione e la valutazione iterativa, è stata identificata la combinazione ottimale di iperparametri per massimizzare i valori di AUC ROC sia per il treno che per i set di test, migliorando così le prestazioni complessive del modello. Gli intervalli di iperparametri regolati sono presentati nella Tabella 3. La ricerca nella griglia viene fornita nella Figura 7 supplementare, nella Figura 8 e nella Tabella 1 supplementare, nella Tabella 2 supplementare, nella Tabella 3 e nella Tabella 4 supplementare.
7. Classificazione per importanza variabile
I modelli più performanti - Random Forest (RF) e Extreme Gradient Boosting (XGB) - sono stati selezionati per la classificazione di importanza variabile. Queste classificazioni aiutano a identificare i predittori più critici di L5-S1 rLDH dopo PEID.
8. Analisi statistica
Tutte le analisi statistiche sono state eseguite utilizzando il software R. Le variabili categoriali sono state riportate in percentuale, mentre le variabili continue sono state espresse come media ± deviazione standard. Le caratteristiche cliniche e i parametri di imaging sono stati confrontati tra il gruppo non ricorrente (non-rLDH, n=276) e il gruppo ricorrente (rLDH, n=33).
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Risultati
In questo studio sono stati inclusi un totale di 309 pazienti con ernia del disco lombare L5-S1 che causa dolore alla parte bassa della schiena e alle gambe sottoposti a discectomia interlaminare endoscopica percutanea (PEID). Sono stati raccolti i dati di imaging preoperatorio, le variabili fisiologiche cliniche e i punteggi VAS, nonché i punteggi di imaging postoperatorio e VAS. Tra questi pazienti, 33 sono stati classificati nel gruppo con ernia del disco lombare ricorrente (gruppo rLD...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Discussione
La discectomia intervertebrale endoscopica percutanea (PEID) svolge un ruolo significativo nel trattamento dell'ernia del disco L5-S1, il che rende estremamente importante prevedere l'ernia del disco lombare ricorrente postoperatoria (rLDH)1,2. Nella fase di selezione delle immagini e di pulizia dei dati, questo studio ha misurato principalmente le immagini MRI. Quando la qualità dell'immagine era scarsa o le immagini erano sfoca...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Dichiarazioni
Gli autori dichiarano che la ricerca è stata condotta in assenza di relazioni commerciali o finanziarie che possano essere interpretate come un potenziale conflitto di interessi.
Ringraziamenti
Gli autori desiderano ringraziarli per il loro sostegno finanziario (Il lavoro è stato sostenuto dalla Science Foundation del Kangda College dell'Università di Medicina di Nanchino (Grant No. KD2024KYJJ292). Il lavoro è stato sostenuto dal Fondo di ricerca speciale per la medicina clinica dell'Università di Nantong (sovvenzione n. 2024JY002). Questo lavoro è stato sostenuto dal Progetto Scientifico e Tecnologico della Commissione Sanitaria Municipale di Nantong (sovvenzione n. MS2024045). Questo lavoro è stato sostenuto da Science and Technology Projects in Jiangsu Province [BE2023742], Progetto dell'Amministrazione di Medicina Tradizionale Cinese del Jiangsu (sovvenzione n. MS2023113).
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Materiali
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| GPU per computer portatile | NVIDIA Corporation | N/A Macchina | |
| magnetica | Siemens Healthineers | 11672453 | Prisma 3.0T |
| Macchina per risonanza magnetica | Siemens Healthineers | 10849662 | Ingenia CX 3.0T |
| Macchina per risonanza magnetica | Philips | Healthcare 781341 | iCT a spirale a 64 fette |
| Healthcare | 728326 | Ysio | |
| Macchina a raggi X | Siemens Healthineers | 10092577 | 4.3.1 |
| R | The R Foundation | Software open source; disponibile all'indirizzo https://www.r-project.org/. | |
| readxl | RStudio (Posit) | Latest (CRAN) | Pacchetto R open source; installare tramite CRAN (install.packages("readxl")). |
| tidyverse | RStudio (Posit) | Latest (CRAN)Raccolta | di pacchetti R; installare tramite CRAN (install.packages("tidyverse")). |
| Ultimo | (CRAN)Pacchetto | R open-source; installare tramite CRAN (install.packages("glmnet")). | |
| Ultimo (CRAN) | Pacchetto R open source; installare tramite CRAN (install.packages("pROC")). | ||
| Ultimo | pacchetto R open source (CRAN) | ; installare tramite CRAN (install.packages("zeallot")). | |
| reticulate | RStudio (Posit) | Latest (CRAN) | Open-source R package; installare tramite CRAN (install.packages("reticulate")). |
| Ultimo (CRAN) | Pacchetto R open source; installare tramite CRAN (install.packages("showtext")). | ||
| e1071 | CRAN contributors | Ultimo pacchetto R open source (CRAN); | installare tramite CRAN (install.packages("e1071")). |
| rms | CRAN contributors | Ultimo (CRAN) | Pacchetto R open source; installare tramite CRAN (install.packages("rms")). |
| rpart | CRAN contributors | Ultimo (CRAN) | Pacchetto R open source; installare tramite CRAN (install.packages("rpart")). |
| caret | CRAN contributors | Ultimo (CRAN) | Pacchetto R open source; installare tramite CRAN (install.packages("caret")). |
| Ultimo | (CRAN) | Pacchetto R open-source; installare tramite CRAN (install.packages("rpart.plot")). | |
| Ultimo (CRAN) | Pacchetto R open source; installare tramite CRAN (install.packages("randomForest")). | ||
| corrplot | CRAN contributors | Ultimo (CRAN) | Pacchetto R open source; installare tramite CRAN (install.packages("corrplot")). |
| Ultimo | pacchetto R open source (CRAN) | ; installare tramite CRAN (install.packages("PRROC")). | |
| Pacchetto | CRAN)Più recente | ; installare tramite CRAN (install.packages("Matrix")). | |
| dplyr | RStudio (Posit) | Latest (CRAN) | Parte di tidyverse; installa tramite CRAN (install.packages("dplyr")). |
| ggplot2 | RStudio (Posit) | Latest (CRAN)Parte | di tidyverse; installa tramite CRAN (install.packages("ggplot2")). |
| Ultimo | pacchetto R open source (CRAN) | ; installare tramite CRAN (install.packages("class")). | |
| Ultimo | pacchetto R open source (CRAN) | ; installare tramite CRAN (install.packages("ada")). | |
| lightgbm | Microsoft | Latest (CRAN/GitHub) | Pacchetto R open source; installare tramite CRAN (install.packages("lightgbm")) o GitHub. |
| Ultimo pacchetto R open source (CRAN) | ; installare tramite CRAN (install.packages("xgboost")). |
Riferimenti
- 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).
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Ristampe e permessi
Questo articolo è stato pubblicato
Video in arrivo