Machine learning-modellen werden ontwikkeld om recidief van L5-S1-hernia na PEID-chirurgie te voorspellen, waarbij gegevens van 309 patiënten werden geanalyseerd. De belangrijkste voorspellers waren BMI en PDHI, waarbij modellen voor het versterken van willekeurige bossen en extreme gradiënten de beste prestaties lieten zien.
Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.
Onderzoeksartikel
De voorspelling van herhaling van lumbale discushernia op L5-S1 door middel van machine learning op basis van endoscopische discectomie via de interlaminaire benadering
In dit artikel
Samenvatting
Samenvatting
Deze studie had tot doel machine learning-modellen (ML) te ontwikkelen om de recidiverende lumbale hernia (rLDH) op L5-S1-niveau te voorspellen na percutane endoscopische interlaminaire discectomie (PEID), een minimaal invasieve behandeling voor L5-S1 lumbale discushernia. Gegevens van 309 patiënten die tussen januari 2020 en juni 2024 een single-level L-S1 PEID ondergingen, met ten minste 6 maanden follow-up, werden geanalyseerd. Klinische dossiers, preoperatieve beeldvorming en visuele analoge schaal (VAS) scores werden gebruikt. LASSO-regressie identificeerde belangrijke voorspellers en er werden zes ML-modellen gebouwd: support vector machine (SVM), beslissingsboom (DT), adaptieve boosting (ADA), light gradient boosting machine (LGBM), random forest (RF) en extreme gradient boosting (XGB). Van de patiënten ervoer 10,7% rLDH, gedefinieerd als ≥60% VAS-reductie gevolgd door recidief van de symptomen en bevestiging van beeldvorming. De belangrijkste voorspellers waren onder meer Body Mass Index (BMI), posterieure schijfhoogte-index (PDHI), stenose van het wervelkanaal, ziekteduur, gevoelloosheid of zwakte, modische veranderingen, herniatype en diabetes. De RF- en XGB-modellen presteerden het beste. Hogere BMI, hogere PDHI, stenose van het wervelkanaal, ziekteduur langer dan zes maanden, modische veranderingen, niet-ingeperkte hernia en diabetes verhoogd risico op rLDH. Variabel belang werd gerangschikt voor beide modellen. Het preoperatief voorspellen van rLDH kan de besluitvorming verbeteren en het herhalingsrisico na PEID verminderen, waarbij ML-modellen de nauwkeurigheid verbeteren en kritieke risicofactoren identificeren.
Inleiding
Percutane endoscopische lumbale discectomie (PELD) omvat verschillende technieken, zoals percutane endoscopische transforaminale discectomie (PETD) en percutane endoscopische interlaminaire discectomie (PEID), waarbij de keuze van de chirurgische aanpak afhankelijk is van de plaats van de laesie en de individuele anatomische kenmerken van de patiënt1. Recidiverende lumbale hernia (rLDH) is een van de meest voorkomende redenen voor heroperatie na PELD, met een incidentie variërend van 0% tot 12,5%2,3. Als minimaal invasieve techniek wordt PEID op grote schaal toegepast bij de behandeling van lumbale aandoeningen zoals hernia op L5-S1-niveau. De voordelen, waaronder minimaal trauma, korte ziekenhuisverblijven en snel postoperatief herstel, hebben het zeer geliefd gemaakt bij zowel clinici als patiënten4. Ondanks de aanzienlijke voordelen van endoscopische technieken bij het verminderen van chirurgisch trauma en het bevorderen van snel herstel, worden sommige patiënten echter nog steeds geconfronteerd met het probleem van terugkerende hernia's na de operatie5.
Het terugkeren van lumbale hernia is nauw verbonden met meerdere factoren, waaronder de mate van schijfdegeneratie, de hoogte van de achterste schijf, modische veranderingen (ontsteking van de eindplaat) en gebieden die in nauw contact staan met de eindplaat6. Bovendien heeft BMI een aanzienlijke invloed op postoperatief herstel, waarbij studies aantonen dat patiënten met een hogere BMI doorgaans een groter risico op recidief lopen5. De hoogte-index van de tussenwervelschijf, als een belangrijke indicator voor het beoordelen van de mate van schijfdegeneratie, wordt veel gebruikt. Het wordt gedefinieerd als de hoogte van de voorste en achterste schijfranden, gedeeld door de centroïde afstand van de twee wervellichamen. Voor hernia en postoperatief recidief is de hoogte-index van de achterste schijf echter kritischer bij het voorspellen van rLDH7 vanwege de stressverdeling aan de voorste en achterste randen. Onvolledige verwijdering van de nucleus pulposus tijdens de operatie is een van de belangrijkste oorzaken van resterende postoperatieve symptomen, aangezien sommige schijfweefsels tijdens de procedure moeilijk volledig kunnen worden weggesneden8. Modische veranderingen leiden tot beschadiging van de eindplaat en ontstekingsreacties, wat resulteert in mechanische instabiliteit. De nucleus pulposus en kraakbeencomponenten bij niet-ingeperkte hernia's kunnen de degeneratie van de eindplaat en de tussenwervelschijf verergeren 8,9. Stenose van het wervelkanaal wordt in verband gebracht met de incidentie van rLDH, vooral bij patiënten die een eenvoudige decompressieoperatie ondergaan zonder fusie10. Bovendien verlengen ongezonde leefgewoonten, hart- en vaatziekten en stofwisselingsstoornissen zoals diabetes de genezingstijd van de schijf aanzienlijk, waardoor het risico op herhaling en pijn toeneemt11,12. Daarom is het eerste doel van deze studie om de risicofactoren die verband houden met rLDH na PEID in het L5-S1-segment verder te onderzoeken.
In de afgelopen jaren hebben ontwikkelingen op het gebied van kunstmatige intelligentie (AI) en machine learning-technologieën nieuwe mogelijkheden geopend voor medische analyse. De toepassing van AI en machine learning in wervelkolomgerelateerd onderzoek is aanzienlijk toegenomen13,14. Als het laagste lumbale segment met het grootste bovenlichaamsgewicht en met unieke biomechanische eigenschappen, is L5-S1 een veel voorkomende plaats voor lumbale discushernia. Op basis van de lumbale MRI T2-sequentie van de patiënt (vanwege de hoge gevoeligheid voor beeldvorming van de tussenwervelschijf, die dient als het meest kritische evaluatie-instrument), gecombineerd met CT- en röntgenonderzoeken, kan meer pathofysiologische informatie over de tussenwervelschijven van de patiënt worden verkregen, wat leidt tot een beter begrip van rLDH15. In de klinische praktijk blijft het nauwkeurig voorspellen van risicofactoren voor postoperatieve recidief, rekening houdend met de unieke anatomische structuur van de L5-S1-regio en verschillende mogelijke complicaties, een belangrijke uitdaging16,17.
Machine learning wordt op grote schaal toegepast in de medische sector, waarbij algoritmen zoals Random Forest en Gradient Boosting een belangrijke rol spelen bij het voorspellen van ziekten en risicobeoordeling18. LASSO-regressie wordt, via het L1-regularisatiemechanisme voor variabele selectie en coëfficiëntkrimp, gebruikt om problemen met functieselectie en overfitting in hoogdimensionale gegevens aan te pakken19. Het rasterzoekalgoritme verkent de hyperparameterruimte uitgebreid en vergemakkelijkt de identificatie van de optimale hyperparametercombinatie voor elk model, waardoor het voorspellingsvermogen en de stabiliteit worden verbeterd20. In deze context kunnen algoritmen voor machinaal leren die zijn geïmplementeerd in reguliere AI-talen zoals Python en R, wanneer ze zijn gebaseerd op een steekproefomvang van meer dan 240 gevallen, worden gebruikt om kunstmatige-intelligentiemodellen te bouwen21. Door gebruik te maken van technieken zoals LASSO-regressie voor variabele selectie en het construeren van modellen, worden rasterzoekalgoritmen gebruikt om fouten te minimaliseren en de nauwkeurigheid van de voorspelling te maximaliseren, waardoor de stabiliteit van het model wordt verbeterd.
In deze studie wordt door het statistisch analyseren en meten van verschillende risicofactoren bij L5-S1-patiënten en het integreren van multidimensionale gegevens - inclusief klinische informatie (bijv. leeftijd, BMI) en beeldvormingsvariabelen (bijv. schijfhoogte, index van de achterste schijfhoogte) - gestreefd naar het ontwikkelen van een nauwkeuriger voorspellend model. Het tweede doel van deze studie is het beoordelen van het risico op preoperatieve recidief van patiënten, het evalueren van de modelprestaties en het benadrukken van het belang van verschillende risicofactoren.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Protocol
Deze studie is een retrospectieve analyse die is goedgekeurd door de Institutional Ethics Committee van het Nantong First People's Hospital. De studie is geregistreerd op ClinicalTrials.gov (registratienummer: NCT06833099). Omdat de gezondheidsinformatie van alle deelnemers werd geanonimiseerd, was geïnformeerde toestemming niet vereist. De gebruikte verbruiksartikelen en apparatuur staan vermeld in de Materiaaltabel.
1. Studiepopulatie
De studie omvatte klinische gegevens en preoperatieve beeldvormingsdossiers van 436 patiënten die tussen 1 januari 2020 en 30 juni 2024 een percutane endoscopische interlaminaire discectomie (PEID) ondergingen voor lage rugpijn en beenpijn als gevolg van een L5-S1-hernia, in het Nantong First People's Hospital. Op basis van uitsluitingscriteria werden uiteindelijk 309 patiënten geïncludeerd, bij wie recidiverende lumbale discushernia (rLDH) werd bevestigd door middel van postoperatieve Visual Analog Scale (VAS)-scores en follow-up beeldvorming. Van de 309 patiënten ervoeren er 33 rLDH na de operatie, terwijl de overige 276 een significante verlichting van lage rug- en beenpijn hadden, waarbij de VAS-scores met meer dan 60% daalden. Beeldvormingsvariabelen voor alle deelnemers werden afgeleid van preoperatieve röntgen-, CT- en MRI-onderzoeken, gecombineerd met gedetailleerde klinische informatie, waaronder geslacht, leeftijd, lengte, gewicht, BMI, VAS-scores en andere relevante variabelen (Figuur 1).
2. In- en uitsluitingscriteria
Inclusiecriteria voor rLDH: (1) Patiënten met L5-S1 lumbale discushernia die een PEID met één segment hebben ondergaan. (2) Uitgebreide beeldvormende onderzoeken die binnen een maand preoperatief zijn voltooid. (3) Postoperatieve VAS-scoreverlaging ≥60%, gevolgd door een toename van de score en bevestiging door beeldvorming. (4) Geen andere afwijkingen gedetecteerd op beeldvorming. (5) Minimale follow-up periode van 6 maanden.
Inclusiecriteria voor niet-rLDH: (1) Patiënten met L5-S1 lumbale discushernia die een PEID met één segment hebben ondergaan. (2) Uitgebreide beeldvormende onderzoeken die binnen een maand preoperatief zijn voltooid. (3) Postoperatieve VAS-scoreverlaging ≥60%, zonder recidief. (4) Geen andere afwijkingen gedetecteerd op beeldvorming. (5) Minimale follow-up periode van 6 maanden.
Uitsluitingscriteria: (1) Aanwezigheid van andere pathologische aandoeningen die lage rugpijn veroorzaken, zoals schijfinfectie, spinale tumoren, metabole botziekten of osteoporose. (2) Geschiedenis van lumbale schijf of andere spinale operaties. (3) Slechte beeldkwaliteit of onvolledige onderzoeksgegevens. (4) Verlies voor follow-up.
3. Categorische en continue variabelen
Preoperatieve klinische kenmerken en beeldvormingsgegevens van patiënten werden statistisch geanalyseerd en gemeten (Tabel 1 en Tabel 2). Categorische variabelen werden gebruikt om basisziektekenmerken, leefstijlfactoren en andere variabelen te onderscheiden, terwijl continue variabelen specifieke metingen vertegenwoordigden die de fysiologische status van patiënten en preoperatieve beeldvormingsveranderingen beschreven. Om vooroordelen te verminderen, werden strikte kwaliteitscontrolemaatregelen geïmplementeerd. Twee radiologen en wervelkolomchirurgen met meer dan 10 jaar klinische ervaring waren verantwoordelijk voor de statistische analyse en meting van beeldvormingsgegevens. Voor complexe gevallen losten de twee artsen problemen op door middel van gezamenlijk overleg om de nauwkeurigheid en consistentie van de gegevensverwerking te waarborgen.
Categorische variabelen waren onder meer: geslacht, diabetes, hypertensie, cardiovasculaire en cerebrovasculaire aandoeningen (CCD), scoliose, spinale stenose, uitlokkende factoren (bijv. inspannende activiteit, verstuiking, blootstelling aan kou, impact of geen duidelijke trigger), ziekteduur (meer dan 6 maanden of minder dan 6 maanden), gevoelloosheid of zwakte, type uitsteeksel (ingesloten of niet-ingeperkt), schijfdegeneratie (graad I, II, III en IV, V), aangrenzende schijfdegeneratie (graad I, II, III en IV, V), Modische veranderingen en schijfverkalking.
Continue variabelen waren onder meer: leeftijd, operatieduur, lengte, gewicht, body mass index (BMI), maximale diameter van de hernia (MDHD), hoogte van de achterste schijf (PDH), afstand tussen twee wervelcentra (DBTVC), oriëntatiehoek van het facetgewricht (FJOA), schijfhoek (DA), sacrale hellingshoek (SSA), lumbale lordosehoek (LLA) en hoogte-index van de achterste schijf (PDHI, PDHI = PDH / DBTVC).
4. Opschonen van gegevens en selectie van variabelen
Eerst werd het gegevensbestand "zjkj3" ingelezen in R (versie 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) met behulp van de read_excel functie en opgeslagen in een gegevensvariabele. De geselecteerde tekencodering was UTF-8 (systeemstandaard), een veelgebruikte coderingsmethode die de geschreven talen van de meeste landen over de hele wereld kan ondersteunen. De selectiefunctie werd vervolgens gebruikt om de doelvariabele te scheiden van de functievariabelen. Om de reproduceerbaarheid van de datasplitsing te garanderen, werd een vaste willekeurige seed van 3 ingesteld en werd de dataset opgedeeld in een trainingsset (80%) en een testset (20%). Ten slotte werd een LASSO-regressiefunctie gedefinieerd en werd een deel van de trainingsgegevens willekeurig bemonsterd met behulp van de glmnet-functie om in de LASSO-regressie te passen. De optimale regularisatieparameter λ werd bepaald met behulp van L1-regularisatie en kruisvalidatie (standaard 10-voudig), terwijl ervoor werd gezorgd dat er geen dubbele patiëntgegevens werden gemengd tussen de trainings- en testsets. De kruisvalidatiefout voor elke λ-waarde werd berekend om de optimale λ-waarde te bepalen.
5. Ontwikkeling en evaluatie van modellen
SVM (Support Vector Machine): Dit model wijst trainingsgegevens toe aan een hypervlak, waarbij de marge tussen twee klassen wordt gemaximaliseerd om het doel te voorspellen. De specifieke hyperparameterinstellingen voor het SVM-model in dit onderzoek zijn: kernel = "lineair", kosten = 1. Aanvullende figuur 1 geeft de verwarringsmatrices voor SVM weer.
DT (beslissingsboom): Dit model splitst gegevens recursief om een boomstructuur te creëren voor het voorspellen van de doelvariabele. De specifieke hyperparameterinstelling voor het DT-model in dit onderzoek is: max_depth = 3. Aanvullende figuur 2 toont de verwarringsmatrices voor DT.
ADA (AdaBoost): Dit model combineert meerdere zwakke studenten (meestal beslissingsbomen) om een sterke student te creëren, waardoor de classificatieprestaties worden verbeterd. De specifieke hyperparameterinstellingen voor het ADA-model in dit onderzoek zijn: n_estimators = 150, learning_rate = 0,1, seed = 80. Aanvullende figuur 3 toont de verwarringsmatrices voor ADA.
LGBM (Light Gradient Boosting Machine): Dit model maakt gebruik van een histogramalgoritme om continue kenmerken te splitsen, het trainingsproces te versnellen en de geheugenbelasting te verminderen, waardoor het een efficiënt en snel gradiëntversterkend raamwerk is, bijzonder geschikt voor grootschalige datasets. De specifieke hyperparameterinstellingen voor het LGBM-model in dit onderzoek zijn: num_leaves = 5, learning_rate = 0,05, n_estimators = 50. Aanvullende figuur 4 toont de verwarringsmatrices voor LGBM.
RF (Random Forest): Dit model construeert meerdere beslissingsbomen en combineert hun voorspellingen om de nauwkeurigheid en overfitting te verbeteren. De specifieke hyperparameterinstellingen voor het RF-model in dit onderzoek zijn: ntree = 310, mtry = 1, maxnodes = 10, max_depth = 1, seed = 80. Aanvullende figuur 5 toont de verwarringsmatrices voor RF.
XGB (Extreme Gradient Boosting): Dit model is een verbeterd algoritme op basis van beslissingsbomen, waarbij gebruik wordt gemaakt van een nieuw gegeneraliseerd algoritme voor het stimuleren van gradiënten om de modelconstructie te versnellen, met een sterke toepasbaarheid voor classificatie- en regressietaken. De specifieke hyperparameterinstellingen voor het XGB-model in dit onderzoek zijn: nrounds = 100, max_depth = 2, eta = 0,39, gamma = 0, colsample_bytree = 0,88, seed = 80. Aanvullende figuur 6 toont de verwarringsmatrices voor XGB.
De prestaties van de zes modellen werden geëvalueerd aan de hand van de volgende statistieken: ROC AUC van de testset, nauwkeurigheid, gevoeligheid, specificiteit, positief voorspellende waarde (PPV), negatief voorspellende waarde (NPV) en F1-score. De berekeningsformule is als volgt22:
TP: Waar positief; TN: Waar Negatief; FP: Vals positief; FN: Vals negatief.
6. Raster zoeken en hyperparameterafstemming
Om de modelprestaties te optimaliseren, werd rasterzoeken gebruikt om verschillende combinaties van hyperparameters te verkennen. Door middel van iteratieve afstemming en evaluatie werd de optimale hyperparametercombinatie geïdentificeerd om de ROC AUC-waarden voor zowel de trein- als de testsets te maximaliseren, waardoor de algehele modelprestaties werden verbeterd. De bereiken van aangepaste hyperparameters worden weergegeven in tabel 3. De rasterzoekopdracht wordt gegeven in Aanvullende Figuur 7, Aanvullende Figuur 8 en Aanvullende Tabel 1, Aanvullende Tabel 2, Aanvullende Tabel 3 en Aanvullende Tabel 4.
7. Rangschikking van variabel belang
De best presterende modellen - Random Forest (RF) en Extreme Gradient Boosting (XGB) - werden geselecteerd voor een rangschikking van variabel belang. Deze ranglijsten helpen bij het identificeren van de meest kritische voorspellers van L5-S1 rLDH na PEID.
8. Statistische analyse
Alle statistische analyses zijn uitgevoerd met behulp van R-software. Categorische variabelen werden gerapporteerd als percentages, terwijl continue variabelen werden uitgedrukt als gemiddelde ± standaarddeviatie. Klinische kenmerken en beeldvormingsparameters werden vergeleken tussen de niet-recidiverende groep (niet-rLDH, n=276) en de recidiverende groep (rLDH, n=33).
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Resultaten
In totaal werden 309 patiënten met L5-S1 lumbale discushernia die pijn in de onderrug en benen veroorzaakten en die een percutane endoscopische interlaminaire discectomie (PEID) ondergingen, in deze studie opgenomen. Preoperatieve beeldvormingsgegevens, klinische fysiologische variabelen en VAS-scores, evenals postoperatieve beeldvorming en VAS-scores, werden verzameld. Van deze patiënten werden er 33 geclassificeerd in de groep met recidiverende lumbale ...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Discussie
Percutane endoscopische tussenwerveldiscectomie (PEID) speelt een belangrijke rol bij de behandeling van L5-S1-hernia, waardoor het van groot belang is om postoperatieve recidiverende lumbale discushernia (rLDH)1,2 te voorspellen. In de fase van beeldselectie en gegevensopschoning werden in dit onderzoek voornamelijk MRI-beelden gemeten. Wanneer de beeldkwaliteit slecht was of de beelden wazig waren, werden röntgen- of CT-scans g...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Openbaarmakingen
De auteurs verklaren dat het onderzoek is uitgevoerd zonder enige commerciële of financiële relaties die kunnen worden opgevat als een potentieel belangenconflict.
Dankbetuigingen
De auteurs willen hen bedanken voor hun financiële steun (Het werk werd ondersteund door de Science Foundation van Kangda College van de Nanjing Medical University (Grant No. KD2024KYJJ292). Het werk werd ondersteund door het Nantong University Special Research Fund for Clinical Medicine (subsidie nr. 2024JY002). Dit werk werd ondersteund door het Science and Technology Project van de Nantong Municipal Health Commission (subsidienr. MS2024045). Dit werk werd ondersteund door Science and Technology Projects in de provincie Jiangsu [BE2023742], Project of Jiangsu Administration of Traditional Chinese Medicine (subsidienr. MS2023113).
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Materialen
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| Laptop GPU | NVIDIA Corporation | N/A | |
| MRI Machine | Siemens Healthineers | 11672453 | Prisma 3.0T |
| MRI Machine | Siemens Healthineers | 10849662 | Ingenia CX 3.0T |
| MRI Machine | Philips Healthcare | 781341 | iCT 64-slice Spiral CT |
| CT Machine | Philips Healthcare | 728326 | Ysio |
| X-ray Machine | Siemens Healthineers | 10092577 | 4.3.1 |
| R | The R Foundation | Open-source software; beschikbaar op https://www.r-project.org/. | |
| readxl | RStudio (Posit) | Latest (CRAN) | Open-source R-pakket; installeer via CRAN (install.packages("readxl")). |
| tidyverse | RStudio (Posit) | Latest (CRAN) | Verzameling R-pakketten; installeer via CRAN (install.packages("tidyverse")). |
| glmnet | CRAN contributors | Latest (CRAN) | Open-source R-pakket; installeer via CRAN (install.packages("glmnet")). |
| pROC | CRAN contributors | Latest (CRAN) | Open-source R-pakket; installeer via CRAN (install.packages("pROC")). |
| zeallot | CRAN contributors | Latest (CRAN) | Open-source R-pakket; installeer via CRAN (install.packages("zeallot")). |
| reticulate | RStudio (Posit) | Latest (CRAN) | Open-source R-pakket; installeer via CRAN (install.packages("reticulate")). |
| showtext | CRAN contributors | Latest (CRAN) | Open-source R-pakket; installeer via CRAN (install.packages("showtext")). |
| e1071 | CRAN contributors | Latest (CRAN) | Open-source R-pakket; installeer via CRAN (install.packages("e1071")). |
| rms | CRAN contributors | Latest (CRAN) | Open-source R-pakket; installeer via CRAN (install.packages("rms")). |
| rpart | CRAN contributors | Latest (CRAN) | Open-source R-pakket; installeer via CRAN (install.packages("rpart")). |
| caret | CRAN contributors | Latest (CRAN) | Open-source R-pakket; installeer via CRAN (install.packages("caret")). |
| rpart.plot | CRAN contributors | Latest (CRAN) | Open-source R-pakket; installeer via CRAN (install.packages("rpart.plot")). |
| randomForest | CRAN contributors | Latest (CRAN) | Open-source R-pakket; installeer via CRAN (install.packages("randomForest")). |
| corrplot | CRAN contributors | Latest (CRAN) | Open-source R-pakket; installeer via CRAN (install.packages("corrplot")). |
| PRROC | CRAN contributors | Latest (CRAN) | Open-source R-pakket; installeer via CRAN (install.packages("PRROC")). |
| Matrix | CRAN contributors | Latest (CRAN) | Open-source R-pakket; installeer via CRAN (install.packages("Matrix")). |
| dplyr | RStudio (Posit) | Latest (CRAN) | Onderdeel van tidyverse; installeer via CRAN (install.packages("dplyr")). |
| ggplot2 | RStudio (Posit) | Latest (CRAN) | Onderdeel van tidyverse; installeer via CRAN (install.packages("ggplot2")). |
| class | CRAN contributors | Latest (CRAN) | Open-source R-pakket; installeer via CRAN (install.packages("class")). |
| ada | CRAN contributors | Latest (CRAN) | Open-source R-pakket; installeer via CRAN (install.packages("ada")). |
| lightgbm | Microsoft | Latest (CRAN/GitHub) | Open-source R-pakket; installeer via CRAN (install.packages("lightgbm")) of GitHub. |
| xgboost | CRAN contributors | Latest (CRAN) | Open-source R-pakket; installeer via CRAN (install.packages("xgboost")). |
Referenties
- 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).
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Herprints en machtigingen
Dit artikel is gepubliceerd
Video binnenkort beschikbaar