PEID 수술 후 L5-S1 추간판 탈출증 재발을 예측하기 위해 309명의 환자 데이터를 분석한 머신러닝 모델이 개발되었습니다. 주요 예측 변수에는 BMI와 PDHI가 포함되었으며, 랜덤 포레스트(random forest)와 익스트림 그래디언트 부스팅 모델(extreme gradient boosting model)이 최고의 성능을 보였습니다.
이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.
연구 논문
층간 접근법을 통한 내시경 디스크 절제술을 기반으로 한 기계 학습을 통한 L5-S1 요추 추간판 탈출증의 재발 예측
이 논문에서
요약
초록
본 연구는 L5-S1 요추 추간판 탈출증에 대한 최소 침습적 치료인 경피적 내시경 층간 추간판 절제술(PEID) 후 L5-S1 수준의 재발성 요추 디스크 탈출증(rLDH)을 예측하기 위한 기계 학습(ML) 모델을 개발하는 것을 목표로 했습니다. 2020년 1월부터 2024년 6월 사이에 단일 레벨 L5-S1 PEID를 받은 환자 309명의 데이터를 최소 6개월의 추적 관찰과 함께 분석했습니다. 임상 기록, 수술 전 영상 및 VAS(Visual Analog Scale) 점수가 사용되었습니다. LASSO 회귀를 통해 주요 예측 변수를 식별했으며, SVM(Support Vector Machine), DT(Decision Tree), ADA(Adaptive Boosting), LGBM(Light Gradient Boosting Machine), RF(Random Forest) 및 XGB(Extreme Gradient Boosting)의 6가지 ML 모델이 구축되었습니다. 환자 중 10.7%는 ≥60%의 VAS 감소로 정의되는 rLDH를 경험한 후 증상 재발 및 영상 확인이 뒤따랐습니다. 주요 예측 변수로는 체질량 지수(BMI), 후방 디스크 높이 지수(PDHI), 척추관 협착증, 질병 기간, 무감각 또는 쇠약, 모딕 변화, 탈장 유형, 당뇨병 등이 있습니다. RF 및 XGB 모델이 가장 잘 수행되었습니다. 높은 BMI, 높은 PDHI, 척추관 협착증, 6개월 이상의 질병 지속 기간, Modic 변화, 비억제 탈장 및 당뇨병은 rLDH 위험을 증가시켰습니다. 변수 중요도는 두 모델 모두에 대해 순위가 매겨졌습니다. 수술 전에 rLDH를 예측하면 의사 결정을 개선하고 PEID 후 재발 위험을 줄일 수 있으며, ML 모델은 정확도를 개선하고 중요한 위험 요인을 식별할 수 있습니다.
서론
경피적 내시경 요추 디스크 절제술(PELD)은 경피적 내시경 경추간판 절제술(PETD)과 경피적 내시경 층간 추간판 절제술(PEID)과 같은 다양한 기술을 포함하며, 병변 위치와 환자 개인의 해부학적 특성에 따라 수술 방법을 선택할 수 있습니다1. 재발성 요추 추간판 탈출증(rLDH)은 PELD 후 재수술의 가장 흔한 이유 중 하나이며, 발생률은 0%에서 12.5%2,3 사이입니다. PEID는 최소 침습 기술로서 L5-S1 수준의 추간판 탈출증과 같은 요추 질환의 치료에 널리 적용되어 왔습니다. 최소한의 외상, 짧은 입원 기간, 빠른 수술 후 회복 등의 장점으로 인해 임상의와 환자 모두에게 높은 선호도를 얻고 있다4. 그러나 내시경 기법이 수술 외상을 줄이고 빠른 회복을 촉진하는 데 있어 상당한 이점을 가지고 있음에도 불구하고, 일부 환자들은 여전히 수술 후 재발성 추간판 탈출증 문제에 직면해 있다5.
요추 추간판 탈출증의 재발은 추간판 퇴행 정도, 후방 추간판 높이, 모딕 변화(종판 염증), 요추판 측판과 밀접하게 접촉하는 부위 등 여러 요인과 밀접한 관련이 있다6. 또한 BMI는 수술 후 회복에 상당한 영향을 미치며, 연구에 따르면 BMI가 높은 환자는 일반적으로 재발 위험이 더 크다고 합니다5. 추간판 높이 지수는 추간판 퇴행 정도를 평가하기 위한 중요한 지표로서 널리 사용되어 왔습니다. 그것은 전방 및 후방 디스크 가장자리의 높이를 두 척추체의 중심 거리로 나눈 값으로 정의됩니다. 그러나 추간판 탈출증과 수술 후 재발의 경우, 전방 및 후방 가장자리의 스트레스 분포로 인해 후방 추간판 높이 지수가 rLDH7을 예측하는 데 더 중요합니다. 수술 중 하부핵(nucleus pulposus)의 불완전한 제거는 수술 후 잔류 증상의 주요 원인 중 하나인데, 이는 일부 디스크 조직이 시술 중 완전히 절제하기 어렵기 때문이다8. Modic 변화는 종판 손상과 염증 반응을 일으켜 기계적 불안정을 초래합니다. 비함유 디스크 탈출증에서 pulposus 핵과 연골 성분은 종판과 추간판의 퇴행을 악화시킬 수 있습니다 8,9. 척추관 협착증은 재형성혈구 협착증(rLDH)의 발병률과 관련이 있으며, 특히 유합술 없이 단순 감압 수술을 받은 환자에서 발생한다10. 또한, 건강에 해로운 생활 습관, 심혈관 질환 및 당뇨병과 같은 대사 장애는 디스크 치유 시간을 현저히 연장시켜 재발 및 통증의 위험을 증가시킵니다11,12. 따라서 본 연구의 첫 번째 목적은 L5-S1 분절에서 PEID에 따른 rLDH와 관련된 위험 요인을 추가로 조사하는 것입니다.
최근 몇 년 동안 인공 지능(AI) 및 머신 러닝 기술의 발전으로 의료 분석에 새로운 가능성이 열렸습니다. 척추 관련 연구에서 AI 및 기계 학습의 적용은 크게 증가했습니다13,14. 가장 낮은 요추 분절로서 상체 상체가 가장 크고 독특한 생체역학적 특성을 가지고 있는 L5-S1은 요추 추간판 탈출증의 흔한 부위입니다. 환자의 요추 MRI T2 염기서열(추간판 영상에 대한 높은 감도로 인해 가장 중요한 평가 도구 역할을 함)을 CT 및 X-ray 검사와 결합하여 환자의 추간판에 대한 더 많은 병태생리학적 정보를 얻을 수 있으므로 rLDH15에 대한 보다 명확한 이해를 얻을 수 있습니다. 임상실습에서 L5-S1 부위의 독특한 해부학적 구조와 다양한 잠재적 합병증을 고려하여 수술 후 재발 위험 요인을 정확하게 예측하는 것은 여전히 중요한 과제로 남아 있습니다16,17.
머신러닝은 의료 분야에 널리 적용되어 왔으며, 랜덤 포레스트(Random Forest) 및 그래디언트 부스팅(Gradient Boosting)과 같은 알고리즘은 질병 예측 및 위험 평가에 중요한 역할을 합니다18. LASSO 회귀는 변수 선택 및 계수 축소를 위한 L1 정규화 메커니즘을 통해 고차원 데이터에서 특징 선택 및 과적합 문제를 해결하는 데 사용됩니다19. 그리드 검색 알고리즘은 하이퍼파라미터 공간을 종합적으로 탐색하여 각 모델에 대한 최적의 하이퍼파라미터 조합을 쉽게 식별할 수 있도록 하여 예측 능력과 안정성을 향상시킵니다20. 이러한 맥락에서, 240개의 케이스를 초과하는 표본 크기를 기반으로 할 때, Python 및 R과 같은 주류 AI 언어로 구현된 머신 러닝 알고리즘을 사용하여 인공 지능 모델을 구축할 수 있습니다(21). 변수 선택 및 모델 구축을 위해 LASSO 회귀와 같은 기술을 사용함으로써 그리드 검색 알고리즘을 활용하여 오류를 최소화하고 예측 정확도를 극대화하여 모델 안정성을 향상시킵니다.
본 연구에서는 L5-S1 환자의 다양한 위험 요인을 통계적으로 분석 및 측정하고, 임상 정보(예: 연령, BMI) 및 이미징 변수(예: 디스크 높이, 후방 디스크 높이 지수)를 포함한 다차원 데이터를 통합하여 보다 정확한 예측 모델을 개발하는 것을 목표로 합니다. 이 연구의 두 번째 목적은 환자의 수술 전 재발 위험을 평가하고, 모델 성능을 평가하고, 다양한 위험 요인의 중요성을 강조하는 것입니다.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
프로토콜
본 연구는 난퉁 제1인민병원 기관윤리위원회(Institutional Ethics Committee)가 승인한 후향적 분석이다. 평가판은 ClinicalTrials.gov(등록 번호: NCT06833099)에 등록되었습니다. 모든 참가자의 건강 정보가 익명으로 처리되었기 때문에 사전 동의가 필요하지 않았습니다. 사용된 소모품 및 장비는 재료 표에 나열되어 있습니다.
1. 모집단 연구
이 연구에는 2020년 1월 1일부터 2024년 6월 30일까지 난퉁 제1인민병원에서 L5-S1 추간판 탈출증으로 인한 요통과 다리 통증으로 경피적 내시경 층간 추간판 절제술(PEID)을 받은 환자 436명의 임상 데이터와 수술 전 영상 기록이 포함됐다. 제외 기준에 따라 최종적으로 309명의 환자가 포함되었으며, 그 중 재발성 요추 디스크 탈출증(rLDH)은 수술 후 VAS(Visual Analog Scale) 점수 및 후속 영상을 통해 확인되었습니다. 309명의 환자 중 33명은 수술 후 rLDH를 경험했고, 나머지 276명은 요통과 다리 통증이 현저히 완화되었으며 VAS 점수가 60% 이상 감소했다. 모든 참가자에 대한 영상 변수는 성별, 연령, 키, 체중, BMI, VAS 점수 및 기타 관련 변수를 포함한 자세한 임상 정보와 결합된 수술 전 X-ray, CT 및 MRI 검사에서 파생되었습니다(그림 1).
2. 포함 및 제외 기준
rLDH에 대한 포함 기준: (1) 단일 분절 PEID를 받은 L5-S1 요추 디스크 탈출증 환자. (2) 수술 전 1개월 이내에 종합 영상 검사를 완료해야 합니다. (3) 수술 후 VAS 점수 감소≥60%, 점수 증가 및 영상 확인에 의한 확인. (4) 영상에서 다른 이상이 감지되지 않았습니다. (5) 최소 추적 기간은 6개월입니다.
Non-rLDH에 대한 포함 기준: (1) 단일 분절 PEID를 받은 L5-S1 요추 추간판 탈출증 환자. (2) 수술 전 1개월 이내에 종합 영상 검사를 완료해야 합니다. (3) 수술 후 VAS 점수 감소≥60%, 재발 없음). (4) 영상에서 다른 이상이 감지되지 않았습니다. (5) 최소 추적 기간은 6개월입니다.
제외 기준: (1) 디스크 감염, 척추 종양, 대사성 뼈 질환 또는 골다공증과 같은 요통을 유발하는 다른 병리학적 상태의 존재. (2) 요추 디스크 또는 기타 척추 수술의 병력. (3) 이미지 품질이 좋지 않거나 검사 데이터가 불완전합니다. (4) 후속 조치에 대한 손실.
3. 범주형 변수와 연속형 변수
환자의 수술 전 임상적 특성과 영상 데이터를 통계적으로 분석하고 측정하였다(표 1 및 표 2). 범주형 변수는 기본 질병 특성, 생활 방식 요인 및 기타 변수를 구별하는 데 사용되었으며, 연속 변수는 환자의 생리적 상태와 수술 전 영상 변화를 설명하는 특정 측정값을 나타냈습니다. 편향을 줄이기 위해 엄격한 품질 관리 조치가 시행되었습니다. 10년 이상의 임상 경험을 가진 두 명의 방사선 전문의와 척추 외과 의사가 영상 데이터의 통계 분석 및 측정을 담당했습니다. 복잡한 사례의 경우, 두 의사는 데이터 처리의 정확성과 일관성을 보장하기 위해 공동 상담을 통해 문제를 해결했습니다.
범주형 변수에는 성별, 당뇨병, 고혈압, 심혈관 및 뇌혈관 질환(CCD), 척추측만증, 척추관 협착증, 유발 요인(예: 격렬한 활동, 염좌, 추위 노출, 충격 또는 명확한 유발 요인 없음), 질병 기간(6개월 이상 또는 6개월 미만), 무감각 또는 쇠약, 돌출형(포함 또는 비포함), 디스크 퇴행(등급 I, II, III 및 IV, V), 인접 디스크 퇴행(등급 I, II, III 및 IV, V), 모딕 변화 및 디스크 석회화.
연속 변수에는 연령, 수술 기간, 키, 체중, 체질량 지수(BMI), 최대 추간판 탈출증 직경(MDHD), 후방 디스크 높이(PDH), 두 척추 중심 사이의 거리(DBTVC), 후관절 방향각(FJOA), 디스크 각도(DA), 천골 경사각(SSA), 요추 전만각(LLA) 및 후방 디스크 높이 지수(PDHI, PDHI = PDH / DBTVC)가 포함되었습니다.
4. 데이터 정리 및 변수 선택
먼저 데이터 파일 "zjkj3"를 read_excel 함수를 사용하여 R(버전 4.3.1, https://www.r-project.org/, 플랫폼: x86_64-w64-mingw32/x64(64비트), Copyright (C) 2023 The R Foundation for Statistical Computing)으로 읽고 데이터 변수에 저장했습니다. 선택한 문자 인코딩은 UTF-8(시스템 기본값)이며, 이는 전 세계 대부분의 국가에서 작성된 언어를 지원할 수 있는 널리 사용되는 인코딩 방법입니다. 그런 다음 select 함수를 사용하여 대상 변수를 기능 변수와 분리했습니다. 데이터 분할의 재현성을 보장하기 위해 고정된 무작위 시드 3을 설정하고 데이터 세트를 학습 세트(80%)와 테스트 세트(20%)로 나누었습니다. 마지막으로, LASSO 회귀 함수를 정의하고, LASSO 회귀를 맞추기 위해 glmnet 함수를 사용하여 훈련 데이터의 일부를 무작위로 샘플링했습니다. 최적의 정규화 매개변수 λ는 L1 정규화 및 교차 검증(기본값 10폴드)을 사용하여 결정되었으며, 훈련 세트와 테스트 세트 간에 중복된 환자 데이터가 혼합되지 않도록 했습니다. 최적의 λ 값을 결정하기 위해 각 λ 값에 대한 교차 검증 오류를 계산했습니다.
5. 모델 개발 및 평가
SVM(Support Vector Machine): 이 모델은 훈련 데이터를 초평면에 매핑하여 두 클래스 간의 마진을 최대화하여 대상을 예측합니다. 이 연구에서 SVM 모델에 대한 특정 하이퍼 매개 변수 설정은 커널 = "선형", 비용 = 1입니다. 보충 그림 1 은 SVM에 대한 혼동 행렬을 보여줍니다.
DT(Decision Tree): 이 모델은 데이터를 재귀적으로 분할하여 대상 변수를 예측하기 위한 트리 구조를 만듭니다. 이 연구에서 DT 모델에 대한 특정 하이퍼 매개 변수 설정은 max_depth = 3입니다. 보충 그림 2 는 DT에 대한 혼동 행렬을 보여줍니다.
ADA(AdaBoost): 이 모델은 여러 약한 학습자(일반적으로 의사 결정 트리)를 결합하여 강력한 학습자를 만들고 분류 성능을 향상시킵니다. 이 연구에서 ADA 모델에 대한 특정 하이퍼 매개 변수 설정은 n_estimators = 150, learning_rate = 0.1, 시드 = 80입니다. 보충 그림 3 은 ADA에 대한 혼동 행렬을 보여줍니다.
LGBM(Light Gradient Boosting Machine): 이 모델은 히스토그램 알고리즘을 사용하여 연속 기능을 분할하여 학습 프로세스의 속도를 높이고 메모리 부하를 줄여 효율적이고 빠른 그래디언트 부스팅 프레임워크로 만들며, 특히 대규모 데이터 세트에 적합합니다. 이 연구에서 LGBM 모델에 대한 특정 하이퍼 매개 변수 설정은 num_leaves = 5, learning_rate = 0.05, n_estimators = 50입니다. 보충 그림 4 는 LGBM의 혼동 행렬을 보여줍니다.
RF(Random Forest): 이 모델은 여러 의사 결정 트리를 구성하고 예측을 결합하여 정확도를 개선하고 과적합을 제어합니다. 이 연구에서 RF 모델에 대한 특정 하이퍼파라미터 설정은 ntree = 310, mtry = 1, maxnodes = 10, max_depth = 1, seed = 80입니다. 보충 그림 5 는 RF에 대한 혼동 행렬을 보여줍니다.
XGB(Extreme Gradient Boosting): 이 모델은 의사 결정 트리를 기반으로 하는 향상된 알고리즘으로, 새로운 일반화된 그래디언트 부스팅 의사 결정 트리 알고리즘을 활용하여 모델 구성을 가속화하고 분류 및 회귀 작업에 대한 강력한 적용 가능성을 제공합니다. 이 연구에서 XGB 모델에 대한 특정 하이퍼파라미터 설정은 nrounds = 100, max_depth = 2, eta = 0.39, 감마 = 0, colsample_bytree = 0.88, 시드 = 80입니다. 보충 그림 6 은 XGB의 혼동 행렬을 보여줍니다.
6개 모델의 성능은 테스트 세트 ROC AUC, 정확도, 민감도, 특이도, 양성 예측도(PPV), 음성 예측도(NPV) 및 F1 점수의 메트릭을 사용하여 평가되었습니다. 계산 공식은다음과 같습니다 22 :
TP: 트루 포지티브; TN: 참 음성; FP: 거짓 긍정(false positive); FN: 거짓 부정.
6. 그리드 검색 및 하이퍼 매개 변수 튜닝
모델 성능을 최적화하기 위해 그리드 검색을 사용하여 다양한 하이퍼파라미터 조합을 탐색했습니다. 반복적인 튜닝 및 평가를 통해 최적의 하이퍼파라미터 조합을 식별하여 train 및 test 세트 모두에 대한 ROC AUC 값을 최대화하여 전체 모델 성능을 개선했습니다. 조정된 하이퍼파라미터의 범위는 표 3에 나와 있습니다. 그리드 검색은 보충 그림 7, 보충 그림 8 및 보충 표 1, 보충 표 2, 보충 표 3 및 보충 표 4에 제공됩니다.
7. 변수 중요도 순위
변수 중요도 순위를 위해 최고 성능의 모델인 RF(Random Forest) 및 XGB(Extreme Gradient Boosting)가 선택되었습니다. 이러한 순위는 PEID 다음으로 L5-S1 rLDH의 가장 중요한 예측 변수를 식별하는 데 도움이 됩니다.
8. 통계 분석
모든 통계 분석은 R 소프트웨어를 사용하여 수행되었습니다. 범주형 변수는 백분율로 보고된 반면, 연속형 변수는 평균 ± 표준 편차로 표시되었습니다. 비재발성 그룹(non-rLDH, n=276)과 재발성 그룹(rLDH, n=33) 간의 임상적 특성과 영상 매개변수를 비교했습니다.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
결과
본 연구에는 요추 및 다리 통증을 유발하는 L5-S1 요추 추간판 탈출증을 앓고 있는 경피적 내시경 층간 추간판 절제술(PEID)을 받은 총 309명의 환자가 포함되었습니다. 수술 전 영상 데이터, 임상적 생리학적 변수, VAS 점수, 수술 후 영상 및 VAS 점수를 수집했습니다. 이 환자 중 33명은 재발성 요추 디스크 탈출 그룹(rLDH 그룹)으로, 276명은 비재발성 그룹(Non-rLDH 그룹)으로 분류되었습니다. 수술 전 임상 및 영상 데이터에는 14개의 범주형 변수(주로 기본 질병 특성 및 생활 방식 요인을 구별하기 위함)와 13개의 연속 변수(생리학적 상태 및 수술 전 영상 변수 설명)가 포함되었습니다(표 1). 합리적인 데이터 분할을 보장하기 위해 무작위 시드를 설정하고 모든 환자 데이터를 8:2 비율로 교육 및 테스트 세트로 나누었습니다.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
토론
경피적 내시경 추간판 절제술(PEID)은 L5-S1 추간판 탈출증을 치료하는 데 중요한 역할을 하며, 따라서 수술 후 재발성 요추 추간판 탈출증(rLDH)을 예측하는 것이 매우 중요합니다1,2. 이미지 선택 및 데이터 정리 단계에서 이 연구는 주로 MRI 이미지를 측정했습니다. 이미지 품질이 좋지 않거나 이미지가 흐릿한 경우 추가 측정을 위해 X-ray 또는 CT 스캔을 사용했습니다. 임상 데이터가 누락된 환자의 경우, 데이터 처리 결과에 영향을 미치지 않도록 해당 데이터를 제외했습니다. 후속 변수 선택 과정에서 본 연구는 변수 선택을 위해 LASSO 회귀 분석을 사용했습니다. LASSO 회귀는 변수 선택 및 계수 축소를 위한 L1 정규화 메커니즘을 통해 변수 선택 문제를 해결하기 위해 27개의 변수를 스크리닝하여 이후에 개발된 모델의 안정성을 향상시켰습니다. 선택...
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
공개 사항
저자는 이 연구가 잠재적인 이해 상충으로 해석될 수 있는 상업적 또는 재정적 관계가 없는 상태에서 수행되었다고 선언합니다.
감사의 글
저자들은 그들의 재정적 지원에 감사를 표하고 싶습니다(이 연구는 난징 의과대학 캉다 대학 과학 재단의 지원을 받았습니다(보조금 번호. KD2024KYJJ292). 이 연구는 난퉁대학교 임상의학 특별연구기금(보조금 번호 2024JY002)의 지원을 받았다. 이 작업은 난퉁시 보건 위원회의 과학 기술 프로젝트(보조금 번호: MS2024045). 이 작업은 장쑤성(江蘇省)의 과학기술프로젝트(Science and Technology Projects in Jiangsu Province)[BE2023742], 장쑤성 전통의학관리국(Jiangsu Administration of Traditional Chinese Medicine) 프로젝트(보조금 번호. MS2023113)을 참조하십시오.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
재료
| 이름 | 회사 | 카탈로그 번호 | 댓글 |
|---|---|---|---|
| 노트북 GPU | NVIDIA Corporation | N/A | |
| MRI 기계 | Siemens Healthineers | 11672453 | Prisma 3.0T |
| MRI 기계 | Siemens Healthineers | 10849662 | Ingenia CX 3.0T |
| MRI 기계 | 필립스 헬스케어 | 781341 | iCT 64슬라이스 나선형 CT |
| CT 기계 | 립스 헬스케어 | 728326 | Ysio |
| X-ray Machine | Siemens Healthineers | 10092577 | 4.3.1 |
| R | R Foundation | 오픈 소스 소프트웨어; https://www.r-project.org/ 에서 사용 가능. | |
| readxl | RStudio (Posit) | 최신 (CRAN) | 오픈 소스 R 패키지; CRAN을 통해 설치(install.packages("readxl")). |
| tidyverse | RStudio (Posit) | Latest (CRAN) | R 패키지 모음; CRAN(install.packages("tidyverse"))을 통해 설치합니다. |
| glmnet | CRAN 기여자 | 최신(CRAN) | 오픈 소스 R 패키지; CRAN(install.packages("glmnet")을 통해 설치). |
| pROC | CRAN 기여자 | 최신(CRAN) | 오픈 소스 R 패키지; CRAN(install.packages("pROC"))을 통해 설치합니다. |
| zeallot | CRAN 기여자 | 최신(CRAN) | 오픈 소스 R 패키지; CRAN(install.packages("zeallot")을 통해 설치). |
| 망상 | RStudio (Posit) | 최신 (CRAN) | 오픈 소스 R 패키지; CRAN(install.packages("reticulate"))을 통해 설치합니다. |
| showtext | CRAN 기여자 | 최신(CRAN) | 오픈 소스 R 패키지; CRAN(install.packages("showtext")을 통해 설치). |
| e1071 | CRAN 기여자 | 최신(CRAN) | 오픈 소스 R 패키지, CRAN(install.packages("e1071"))을 통해 설치합니다. |
| rms | CRAN 기여자 | 최신(CRAN) | 오픈 소스 R 패키지, CRAN(install.packages("rms"))을 통해 설치합니다. |
| rpart | CRAN 기여자 | 최신(CRAN) | 오픈 소스 R 패키지, CRAN(install.packages("rpart")을 통해 설치). |
| 캐럿 | CRAN 기여자 | 최신(CRAN) | 오픈 소스 R 패키지; CRAN(install.packages("캐럿")을 통해 설치). |
| rpart.plot | CRAN 기여자 | 최신(CRAN) | 오픈 소스 R 패키지; CRAN(install.packages("rpart.plot"))을 통해 설치합니다. |
| randomForest | CRAN 기여자 | 최신(CRAN) | 오픈 소스 R 패키지; CRAN(install.packages("randomForest")을 통해 설치). |
| corrplot | CRAN 기여자 | 최신(CRAN) | 오픈 소스 R 패키지; CRAN(install.packages("corrplot")을 통해 설치). |
| PRROC | CRAN 기여자 | 최신(CRAN) | 오픈 소스 R 패키지, CRAN(install.packages("PRROC")을 통해 설치). |
| Matrix | CRAN 기여자 | 최신(CRAN) | 오픈 소스 R 패키지; CRAN(install.packages("Matrix"))을 통해 설치합니다. |
| dplyr | RStudio (Posit) | Latest (CRAN) | tidyverse의 일부; CRAN (install.packages("dplyr")을 통해 설치). |
| ggplot2 | RStudio (Posit) | Latest (CRAN) | tidyverse의 일부; CRAN (install.packages("ggplot2"))을 통해 설치합니다. |
| class | CRAN 기여자 | 최신(CRAN) | 오픈 소스 R 패키지; CRAN(install.packages("class"))을 통해 설치합니다. |
| ada | CRAN 기여자 | 최신(CRAN) | 오픈 소스 R 패키지; CRAN(install.packages("ada"))을 통해 설치합니다. |
| lightgbm | Microsoft | 최신 버전(CRAN/GitHub) | 오픈 소스 R 패키지, CRAN(install.packages("lightgbm")) 또는 GitHub를 통해 설치합니다. |
| xgboost | CRAN 기여자 | 최신(CRAN) | 오픈 소스 R 패키지; CRAN(install.packages("xgboost"))을 통해 설치합니다. |
참고문헌
- 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).
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
재인쇄 및 허가
태그
이 논문이 게재되었습니다
동영상 곧 제공