このコンテンツを表示するには、JoVEへの購読が必要です。 または、無料トライアルをお申し込みください。

研究記事

内視鏡的椎間板 切除術に基づく 機械学習によるL5-S1腰椎椎間板ヘルニアの再発予測

932 回視聴

⸱

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

この記事について

サマリー

PEID手術後のL5-S1椎間板ヘルニアの再発を予測するために機械学習モデルが開発され、309人の患者のデータを分析しました。主要な予測因子にはBMIとPDHIが含まれ、ランダムフォレストモデルと極限勾配ブースティングモデルが最高のパフォーマンスを示しました。

要約

本研究は、L5-S1腰椎椎間板ヘルニアの低侵襲治療である経皮的内視鏡的層間椎間板切除術(PEID)後のL5-S1レベルの再発腰椎間板ヘルニア(rLDH)を予測するための機械学習(ML)モデルを開発することを目的としています。2020年1月から2024年6月の間に単レベルL5-S1 PEIDを受け、少なくとも6カ月間の追跡調査を行った309人の患者のデータを分析した。臨床記録、術前画像、およびビジュアルアナログスケール(VAS)スコアを使用しました。LASSO回帰は主要な予測変数を特定し、サポートベクターマシン(SVM)、決定木(DT)、適応ブースティング(ADA)、光勾配ブースティングマシン(LGBM)、ランダムフォレスト(RF)、および極度勾配ブースティング(XGB)の6つのMLモデルを構築しました。患者のうち、10.7% が rLDH を経験しました (これは ≥60% の VAS 減少と定義され、その後症状が再発し、画像が確認されました。主な予測因子には、ボディマス指数(BMI)、後椎間板高さ指数(PDHI)、脊柱管狭窄症、疾患の期間、しびれまたは脱力感、モーディック変化、ヘルニアの種類、および糖尿病が含まれていました。RF モデルと XGB モデルが最高のパフォーマンスを発揮しました。BMIの上昇、PDHIの上昇、脊柱管狭窄症、6か月以上の疾患期間、Modicの変化、非封じ込めヘルニア、および糖尿病はrLDHリスクを増加させました。変数の重要度は、両方のモデルでランク付けされました。術前にrLDHを予測することで、MLモデルの精度を向上させ、重大なリスク要因を特定することで、PEID後の意思決定を強化し、再発リスクを減らすことができます。

概要

経皮的内視鏡的腰椎椎間板切除術 (PELD) には、経皮的内視鏡的経椎間板切除術 (PETD) や経皮的内視鏡的層間椎間椎間板切除術 (PEID) など、さまざまな技術が含まれており、病変の位置と患者の個々の解剖学的特性に応じて外科的アプローチを選択できます1.再発性腰椎椎間板ヘルニア (rLDH) は、PELD 後の再手術の最も一般的な理由の 1 つであり、発生率は 0% から 12.5% の範囲です2,3。低侵襲技術として、PEIDはL5-S1レベルの椎間板ヘルニアなどの腰椎疾患の治療に広く適用されています。その利点は、最小限の外傷、短い入院期間、術後の迅速な回復などにより、臨床医と患者の両方から非常に支持されています4。しかし、内視鏡技術が外科的外傷を軽減し、迅速な回復を促進するという大きな利点があるにもかかわらず、一部の患者は依然として手術後の再発性椎間板ヘルニアの問題に直面しています5。

腰椎椎間板ヘルニアの再発は、椎間板変性の程度、後椎間板の高さ、Modic変化(終板の炎症)、および終板と密接に接触している領域6を含む複数の要因と密接に関連しています。さらに、BMIは術後の回復に大きな影響を与え、BMIが高い患者は一般的に再発のリスクが高いことが研究で示されています5。椎間板高さ指数は、椎間板の変性度を評価するための重要な指標として、広く使用されています。これは、前椎間板と後椎間板の縁の高さを 2 つの椎体の重心距離で割ったものとして定義されます。しかし、椎間板ヘルニアや術後再発の場合、前縁と後縁の応力分布のため、rLDH7 の予測には後椎間板高さ指数がより重要になります。手術中の髄核の不完全な除去は、術後症状が残る主な原因の 1 つです。一部の椎間板組織は、手術中に完全に切除するのが困難です8。モーディックな変化は、エンドプレートの損傷や炎症反応を引き起こし、機械的な不安定性をもたらします。非含有椎間板ヘルニアの髄核と軟骨成分は、終板と椎間板の変性を悪化させる可能性があります8,9。脊柱管狭窄症は、特に融合を伴わない単純な減圧手術を受けている患者において、rLDHの発生率と関連しています10。さらに、不健康な生活習慣、心血管疾患、および糖尿病などの代謝障害は、椎間板の治癒時間を著しく延長し、再発および疼痛のリスクを増大させる11,12。したがって、この研究の最初の目的は、L5-S1 セグメントでの PEID 後の rLDH に関連する危険因子をさらに調査することです。

近年、人工知能(AI)や機械学習技術の進歩により、医療分析の新たな可能性が開かれています。脊椎関連の研究におけるAIと機械学習の応用は大幅に増加しています13,14。L5-S1は、上半身の重量が最も大きく、独自の生体力学的特性を持つ最も低い腰椎セグメントとして、腰椎椎間板ヘルニアの一般的な部位です。患者の腰椎MRI T2シーケンス(椎間板イメージングの感度が高いため、最も重要な評価ツールとして機能する)に基づいて、CTおよびX線検査と組み合わせることで、患者の椎間板に関するより多くの病態生理学的情報を得ることができ、rLDH15のより明確な理解につながります。臨床診療では、L5-S1領域のユニークな解剖学的構造とさまざまな潜在的な合併症を考慮して、術後の再発リスク因子を正確に予測することは、依然として重要な課題です16,17。

機械学習は医療分野で広く適用されており、ランダムフォレストやグラディエントブースティングなどのアルゴリズムは、疾患の予測とリスク評価に重要な役割を果たしています18。LASSO回帰は、変数選択と係数収縮のためのL1正則化メカニズムを通じて、高次元データ19の特徴選択と過剰適合の問題に対処するために使用されます。グリッド探索アルゴリズムは、ハイパーパラメータ空間を包括的に探索し、各モデルに対する最適なハイパーパラメータの組み合わせの特定を容易にし、それによって予測能力と安定性を向上させる20。この文脈では、PythonやRなどの主流のAI言語で実装された機械学習アルゴリズムは、240ケースを超えるサンプルサイズに基づいている場合、人工知能モデル21を構築するために使用できる。変数選択やモデルの構築にLASSO回帰などの手法を採用することで、グリッド検索アルゴリズムを利用してエラーを最小限に抑え、予測精度を最大化し、モデルの安定性を向上させます。

本研究では、L5-S1患者における様々な危険因子を統計的に解析・測定し、年齢、BMIなどの臨床情報や画像変数(椎間板高さ、椎間板後高指数など)などの多次元データを統合することで、より精度の高い予測モデルの開発を目指します。この研究の 2 番目の目的は、患者の術前の再発リスクを評価し、モデルのパフォーマンスを評価し、さまざまなリスク要因の重要性を強調することです。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

この研究は、南通第一人民病院の制度倫理委員会によって承認された遡及的分析です。本試験は ClinicalTrials.gov に登録されています(登録番号:NCT06833099)。すべての参加者の健康情報は匿名化されているため、インフォームドコンセントは必要ありませんでした。使用した消耗品と拡張パーツは 、材料表に記載されています。

1. 調査対象母集団

この研究には、2020年1月1日から2024年6月30日の間に南通第一人民病院でL5-S1椎間板ヘルニアによる腰痛と下肢痛のために経皮的内視鏡的層間椎間板切除術(PEID)を受けた436人の患者の臨床データと術前の画像記録が含まれていました。除外基準に基づいて、最終的に 309 人の患者が含まれ、その中には、術後の Visual Analog Scale (VAS) スコアとフォローアップ画像を通じて再発性腰椎椎間板ヘルニア (rLDH) が確認されました。309人の患者のうち、33人が術後にrLDHを経験し、残りの276人は腰痛と脚の痛みが大幅に緩和され、VASスコアは60%以上減少しました。すべての参加者の画像変数は、術前のX線、CT、およびMRI検査から導き出され、性別、年齢、身長、体重、BMI、VASスコア、およびその他の関連変数を含む詳細な臨床情報と組み合わされました(図1)。

2. 包含基準と除外基準

rLDHの選択基準: (1) L5-S1 腰椎椎間板ヘルニアの患者で、単一セグメントの PEID を受けた人。(2) 術前1ヶ月以内に完治した画像検査(3) 術後VASスコア≥60%減少し、その後スコアの増加と画像による確認が行われた。(4) 画像診断上、他に異常が認められていない。(5) 最短6ヶ月のフォローアップ期間を有する。

非 rLDH の選択基準: (1) L5-S1 腰椎椎間板ヘルニアの患者で、単一セグメントの PEID を受けました。(2) 術前1ヶ月以内に完治した画像検査(3) 術後VASスコア≥が60%減少し、再発がない。(4) 画像診断上、他に異常が認められていない。(5) 最短6ヶ月のフォローアップ期間を有する。

除外基準: (1) 椎間板感染症、脊椎腫瘍、代謝性骨疾患、骨粗鬆症など、腰痛を引き起こす他の病理学的状態の存在。(2) 腰椎椎間板手術またはその他の脊椎手術の既往を有する。(3) 画像品質が悪い、または検査データが不完全である。(4) フォローアップの喪失。

3. カテゴリ変数と連続変数

患者の術前の臨床特性と画像データを統計的に分析および測定しました(表1 および 表2)。カテゴリー変数は、基本的な疾患特性、生活習慣因子、およびその他の変数を区別するために使用され、連続変数は患者の生理学的状態と術前の画像変化を説明する特定の測定値を表しました。バイアスを減らすために、厳格な品質管理対策が実施されました。10年以上の臨床経験を持つ2人の放射線科医と脊椎外科医が、画像データの統計分析と測定を担当しました。複雑なケースについては、2人の医師が共同で相談して問題を解決し、データ処理の正確性と一貫性を確保しました。

カテゴリー変数には、性別、糖尿病、高血圧、心血管疾患および脳血管疾患(CCD)、脊柱側弯症、脊柱管狭窄症、誘発因子(激しい活動、捻挫、寒さへの曝露、衝撃、または明確なトリガーなしなど)、疾患期間(6か月以上または6か月未満)、しびれまたは脱力感、突出タイプ(封じ込められているか含んでいないか)、椎間板変性症(グレードI、II、III、IV、V)、隣接する椎間板変性症(グレードI、 II、IIIおよびIV、V)、Modic変化、および椎間板石灰化。

連続変数には、年齢、手術期間、身長、体重、ボディマス指数 (BMI)、最大椎間板ヘルニア直径 (MDHD)、椎間板後部の高さ (PDH)、2 つの椎骨中心間の距離 (DBTVC)、椎間関節配向角度 (FJOA)、椎間板角度 (DA)、仙骨傾斜角 (SSA)、腰椎前弯角 (LLA)、および椎間板後部高さ指数 (PDHI、PDHI = PDH / DBTVC)。

4. データクリーニングと変数選択

まず、データファイル「zjkj3」をread_excel関数を用いてR(version 4.3.1, https://www.r-project.org/, Platform: x86_64-w64-mingw32/x64 (64-bit), Copyright (C) 2023 The R Foundation for Statistical Computing) に読み込み、データ変数に格納しました。選択された文字エンコーディングはUTF-8(システムデフォルト)で、これは世界中のほとんどの国の書かれた言語をサポートできる広く使用されているエンコーディング方法です。次に、select 関数を使用して、ターゲット変数を特徴変数から分離しました。データ分割の再現性を確保するために、固定ランダムシードを3に設定し、データセットを学習セット(80%)とテストセット(20%)に分割しました。最後に、LASSO回帰関数を定義し、学習データの一部をglmnet関数を使用してランダムにサンプリングし、LASSO回帰に適合させました。最適な正則化パラメータ λ は、L1 正則化と交差検証 (デフォルトは 10 倍) を使用して決定し、トレーニング セットとテスト セット間で重複する患者データが混在しないようにしました。各λ値の交差検証誤差を計算して、最適なλ値を決定しました。

5. モデルの開発と評価

SVM(Support Vector Machine):このモデルは、トレーニングデータを超平面にマッピングし、2つのクラス間のマージンを最大化してターゲットを予測します。このスタディの SVM モデルの特定のハイパーパラメータ設定は、カーネル = "線形"、コスト = 1 です。 補足図1 は、SVMの混同行列を示しています。

DT(Decision Tree):このモデルは、データを再帰的に分割して、ターゲット変数を予測するためのツリー構造を作成します。このスタディの DT モデルの特定のハイパーパラメーター設定は、max_depth = 3 です。 補足図2 は、DTの混同行列を示しています。

ADA (AdaBoost): このモデルは、複数の弱学習器 (通常は決定木) を組み合わせて強力な学習器を作成し、分類のパフォーマンスを向上させます。このスタディの ADA モデルの特定のハイパーパラメータ設定は、n_estimators = 150、learning_rate = 0.1、シード = 80 です。 補足図3 は、ADAの混同行列を示しています。

LGBM(Light Gradient Boosting Machine):このモデルは、ヒストグラムアルゴリズムを使用して連続的な特徴を分割し、トレーニングプロセスを高速化し、メモリ負荷を軽減します。これにより、効率的で高速な勾配ブースティングフレームワークとなり、特に大規模なデータセットに適しています。この研究における LGBM モデルの特定のハイパーパラメータ設定は、num_leaves = 5、learning_rate = 0.05、n_estimators = 50 です。 補足図4 は、LGBMの混同行列を示しています。

RF (ランダム フォレスト): このモデルは、複数のデシジョン ツリーを構築し、それらの予測を組み合わせて精度を向上させ、オーバーフィッティングを制御します。このスタディの RF モデルの特定のハイパーパラメーター設定は、ntree = 310、mtry = 1、maxnodes = 10、max_depth = 1、シード = 80 です。 補足図5 は、RFの混同行列を示しています。

XGB(Extreme Gradient Boosting):このモデルは、デシジョンツリーに基づく拡張アルゴリズムであり、新しい一般化勾配ブースティングデシジョンツリーアルゴリズムを利用してモデル構築を加速し、分類および回帰タスクに強力に適用できます。このスタディの XGB モデルの特定のハイパーパラメーター設定は、nrounds = 100、max_depth = 2、eta = 0.39、γ = 0、colsample_bytree = 0.88、シード = 80 です。 補足図6 は、XGBの混同行列を示しています。

6つのモデルのパフォーマンスは、テストセットROC AUC、精度、感度、特異度、陽性適中率(PPV)、陰性適中率(NPV)、およびF1スコアの指標を使用して評価されました。計算式は次のとおりです22。

figure-protocol-1

TP:真陽性;TN:真陰性。FP:誤検知。FN:偽陰性。

6. グリッド検索とハイパーパラメータ調整

モデルのパフォーマンスを最適化するために、グリッド検索を使用してハイパーパラメータのさまざまな組み合わせを探索しました。反復的な調整と評価を通じて、トレーニング セットとテスト セットの両方の ROC AUC 値を最大化する最適なハイパーパラメーターの組み合わせが特定され、モデル全体のパフォーマンスが向上しました。調整されたハイパーパラメータの範囲を 表 3 に示します。グリッド検索は、 補足図7、 補足図8、および 補足表1、 補足表2、 補足表3、および 補足表4に提供される。

7. 変数の重要度ランキング

最もパフォーマンスの高いモデルであるランダムフォレスト(RF)とエクストリームグラジエントブースティング(XGB)が、変数の重要度ランキングに選ばれました。これらのランキングは、PEID後のL5-S1 rLDHの最も重要な予測因子を特定するのに役立ちます。

8. 統計分析

すべての統計分析はRソフトウェアを使用して実行されました。カテゴリ変数はパーセンテージで報告され、連続変数は平均±標準偏差として表されました。非再発群(非rLDH、n = 276)と再発群(rLDH、n = 33)の間で臨床的特徴と画像パラメータが比較されました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

この研究には、腰痛と下肢の痛みを引き起こすL5-S1腰椎椎間板ヘルニアの患者合計309人が含まれ、経皮的内視鏡的層間椎間板切除術(PEID)を受けました。術前の画像データ、臨床生理学的変数、VASスコア、および術後の画像データとVASスコアが収集されました。このうち、33例が再発性腰椎椎間板ヘルニア群(rLDH群)、276例が非再発群(Non-rLDH群)に分類された。術前の臨床データおよび画像データには、14のカテゴリー変数(主に基本的な疾患の特性と生活習慣因子を区別するため)と13の連続変数(生理学的状態と術前の画像変数を説明する)が含まれていました(表1)。データの分割を合理的に行うために、ランダムシードが設定され、すべての患者データが 8:2 の比率でトレーニングセットとテストセットに分割されました。

変数選択のトレーニング セットに対して Lasso 回帰を実行し、L1 正則化を使用して最適なペナルティ係数を...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

経皮的内視鏡的椎間板切除術 (PEID) は、L5-S1 椎間板ヘルニアの治療に重要な役割を果たしており、術後再発腰椎椎間板ヘルニア (rLDH) を予測することが非常に重要です1,2。画像選択とデータクリーニングの段階では、この研究では主にMRI画像を測定しました。画質が悪い場合や画像がぼやけている場合は、X線スキャンやCTスキャンで補助的に測定しました。臨床データが欠落している患者については、データ処理の結果に影響を与えないように、そのデータを除外しました。その後の変数選択プロセスでは、この研究では、変数選択にLASSO回帰分析を採用しました。LASSO回帰は、変数選択と係数収縮のL1正則化メカニズムを通じて、変数選択の問題に対処するために27の変数をスクリーニングし、その後に開発されたモデルの安定性を向上させました。選択された変数には、より高いボディマス指数(BMI)、より高い後椎間板高さ指数(PDHI)、脊柱管狭窄症、モーディック変化、しびれまた...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

著者らは、この研究は、潜在的な利益相反と解釈される可能性のある商業的または金銭的関係がない状態で実施されたと宣言します。

謝辞

著者は、彼らの財政的支援に感謝したいと思います(この研究は、南京医科大学の康達大学の科学財団によって支援されました(助成金番号。KD2024KYJJ292)。本研究は、南通大学臨床医学特別研究基金(Grant No. 2024JY002)の支援を受けて行われました。この研究は、南通市衛生委員会の科学技術プロジェクトの支援を受けました(助成金番号。MS2024045)。この研究は、江蘇省の科学技術プロジェクト[BE2023742]、江蘇省伝統中国医学行政局のプロジェクト(助成金番号。MS2023113)。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
ラップトップ GPUNVIDIA CorporationN/A
MRI 装置Siemens Healthineers11672453Prisma 3.0T
MRI 装置Siemens Healthineers10849662Ingenia CX 3.0T
MRI 装置Philips Healthcare781341iCT 64 スライス スパイラル CT
装置Philips Healthcare 728326Ysio
X線装置Siemens Healthineers100925774.3.1
RThe R Foundationオープンソースソフトウェア。https://www.r-project.org/ で入手できます。
readxlRStudio (Posit)Latest (CRAN)オープンソースの R パッケージ、CRAN (install.packages("readxl")) 経由でインストールします。
tidyverseRStudio (Posit)Latest (CRAN)R パッケージのコレクション、CRAN 経由でインストール (install.packages("tidyverse")。
glmnetCRAN コントリビューター最新 (CRAN)オープンソース R パッケージ。CRAN (install.packages("glmnet")) を介してインストールします。
pROCCRAN コントリビューター最新 (CRAN)オープンソース R パッケージ、CRAN 経由でインストール (install.packages("pROC"))。
zeallotCRAN コントリビューター最新 (CRAN)オープンソース R パッケージ、CRAN 経由でインストールします (install.packages("zeallot"))。
reticulateRStudio (Posit)Latest (CRAN)オープンソースの R パッケージ、CRAN (install.packages("reticulate") 経由でインストールします)。
showtextCRAN コントリビューター最新 (CRAN)オープンソースの R パッケージ。CRAN (install.packages("showtext")) 経由でインストールします。
e1071CRAN コントリビューター最新 (CRAN)オープンソース R パッケージ、CRAN 経由でインストール (install.packages("e1071"))。
rmsCRAN コントリビューター最新 (CRAN)オープンソースの R パッケージ。CRAN (install.packages("rms")) を介してインストールします。
rpartCRAN コントリビューター最新 (CRAN)オープンソース R パッケージ。CRAN (install.packages("rpart")) 経由でインストールします。
キャレットCRAN コントリビューター最新 (CRAN)オープンソース R パッケージ。CRAN (install.packages("caret")) 経由でインストールします。
rpart.plotCRAN コントリビューター最新 (CRAN)オープンソース R パッケージ、CRAN 経由でインストール (install.packages("rpart.plot")。
randomForestCRAN コントリビューター最新 (CRAN)オープンソース R パッケージ、CRAN (install.packages("randomForest")) 経由でインストールします。
corrplotCRAN コントリビューター最新 (CRAN)オープンソース R パッケージ、CRAN 経由でインストール (install.packages("corrplot"))。
PRROCCRAN コントリビューター最新 (CRAN)オープンソース R パッケージ、CRAN (install.packages("PRROC")) 経由でインストールします。
MatrixCRAN コントリビューター最新 (CRAN)オープンソース R パッケージ。CRAN (install.packages("Matrix")) を介してインストールします。
dplyrRStudio (Posit)Latest (CRAN)tidyverse の一部です。CRAN (install.packages("dplyr")) 経由でインストールします。
ggplot2RStudio (Posit)Latest (CRAN)tidyverse の一部です。CRAN (install.packages("ggplot2")) 経由でインストールします。
classCRAN contributors最新 (CRAN)オープンソース R パッケージ。CRAN (install.packages("class")) 経由でインストールします。
adaCRAN コントリビューター最新 (CRAN)オープンソース R パッケージ。CRAN (install.packages("ada")) 経由でインストールします。
lightgbmMicrosoft最新版 (CRAN/GitHub)オープンソースの R パッケージ。CRAN (install.packages("lightgbm")) または GitHub 経由でインストールします。
xgboostCRAN コントリビューター最新 (CRAN)オープンソースの R パッケージ、CRAN (install.packages("xgboost")) 経由でインストールします。

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).

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

タグ

L5 S1

この記事は公開されました

動画は近日公開

お問い合わせ
図書館に推薦する

プライバシー

利用規約

ポリシー

著作権 © 2026 MyJoVE Corporation. 無断転載を禁じます。