Modele uczenia maszynowego zostały opracowane w celu przewidywania nawrotu przepukliny dysku L5-S1 po operacji PEID, analizując dane od 309 pacjentów. Kluczowymi predyktorami były BMI i PDHI, przy czym modele zwiększania losowego lasu i ekstremalnego gradientu wykazały najlepszą wydajność.
Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł badawczy
Przewidywanie nawrotu przepukliny dysku lędźwiowego w L5-S1 za pomocą uczenia maszynowego w oparciu o discektomię endoskopową z dostępu międzywarstwowego
W tym artykule
Podsumowanie
Streszczenie
To badanie miało na celu opracowanie modeli uczenia maszynowego (ML) do przewidywania poziomu L5-S1 nawracającej przepukliny krążka międzykręgowego (rLDH) po przezskórnej endoskopowej discektomii międzywarstwowej (PEID), minimalnie inwazyjnej terapii przepukliny krążka międzykręgowego L5-S1. Przeanalizowano dane od 309 pacjentów, którzy przeszli jednopoziomowy test L5-S1 PEID między styczniem 2020 r. a czerwcem 2024 r., z co najmniej 6-miesięczną obserwacją. Wykorzystano dokumentację kliniczną, obrazowanie przedoperacyjne i wyniki wizualnej skali analogowej (VAS). Regresja LASSO zidentyfikowała kluczowe czynniki predykcyjne i zbudowano sześć modeli uczenia maszynowego: maszyna wektorów nośnych (SVM), drzewo decyzyjne (DT), adaptacyjne wzmacnianie (ADA), zwiększanie gradientu światła (LGBM), las losowy (RF) i ekstremalne zwiększanie gradientu (XGB). Wśród pacjentów u 10,7% wystąpiło rLDH, zdefiniowane jako zmniejszenie VAS o ≥60%, po którym nastąpił nawrót objawów i potwierdzenie obrazowe. Kluczowymi predyktorami były: wskaźnik masy ciała (BMI), wskaźnik wysokości tylnego dysku (PDHI), zwężenie kanału kręgowego, czas trwania choroby, drętwienie lub osłabienie, zmiany Modic, typ przepukliny i cukrzyca. Najlepiej wypadły modele RF i XGB. Wyższe BMI, wyższe PDHI, zwężenie kanału kręgowego, czas trwania choroby powyżej sześciu miesięcy, zmiany Modic, niepowstrzymana przepuklina i cukrzyca zwiększają ryzyko rLDH. Dla obu modeli oceniono zmienną ważność. Przewidywanie rLDH przed operacją może usprawnić podejmowanie decyzji i zmniejszyć ryzyko nawrotu po PEID, a modele uczenia maszynowego poprawiają dokładność i identyfikują krytyczne czynniki ryzyka.
Wprowadzenie
Przezskórna endoskopowa discektomia lędźwiowa (PELD) obejmuje różne techniki, takie jak przezskórna endoskopowa discektomia przezotworowa (PETD) i przezskórna endoskopowa discektomia międzywarstwowa (PEID), z wyborem podejścia chirurgicznego w zależności od lokalizacji zmiany i indywidualnych cech anatomicznych pacjenta1. Nawracająca przepuklina dysku lędźwiowego (rLDH) jest jedną z najczęstszych przyczyn reoperacji po PELD, z częstością występowania od 0% do 12,5%2,3. Jako technika małoinwazyjna, PEID jest szeroko stosowany w leczeniu schorzeń lędźwiowych, takich jak przepuklina dysku na poziomie L5-S1. Jego zalety, w tym minimalny uraz, krótkie pobyty w szpitalu i szybka rekonwalescencja pooperacyjna, sprawiły, że jest bardzo lubiany zarówno przez lekarzy, jak i pacjentów4. Jednak pomimo znaczących korzyści płynących z technik endoskopowych w zmniejszaniu urazów chirurgicznych i promowaniu szybkiego powrotu do zdrowia, niektórzy pacjenci nadal borykają się z problemem nawracającej przepukliny dysku po operacji5.
Nawroty przepukliny dysku lędźwiowego są ściśle związane z wieloma czynnikami, w tym stopniem zwyrodnienia dysku, wysokością tylnego dysku, zmianami Modic (zapalenie płytki końcowej) oraz obszarami w bliskim kontakcie z płytką końcową6. Ponadto BMI ma znaczący wpływ na rekonwalescencję pooperacyjną, a badania wskazują, że pacjenci z wyższym BMI zazwyczaj są narażeni na większe ryzyko nawrotu5. Wskaźnik wysokości krążka międzykręgowego, jako ważny wskaźnik oceny stopnia zwyrodnienia dysku, jest szeroko stosowany. Definiuje się ją jako wysokość przedniego i tylnego brzegu dysku podzieloną przez odległość środka ciężkości dwóch trzonów kręgów. Jednak w przypadku przepukliny dysku i nawrotu pooperacyjnego, ze względu na rozkład naprężeń na przednim i tylnym brzegu, wskaźnik wysokości tylnego dysku jest bardziej krytyczny w przewidywaniu rLDH7. Niepełne usunięcie jądra miażdżystego podczas operacji jest jedną z głównych przyczyn resztkowych objawów pooperacyjnych, ponieważ niektóre tkanki dysku są trudne do całkowitego wycięcia podczas zabiegu8. Zmiany modalne prowadzą do uszkodzenia płytki końcowej i reakcji zapalnych, co skutkuje niestabilnością mechaniczną. Jądro miażdżyste i składniki chrząstki w niezamkniętych przepuklinach dysku mogą nasilać zwyrodnienie płytki końcowej i krążka międzykręgowego8,9. Zwężenie kanału kręgowego jest związane z występowaniem rLDH, szczególnie u pacjentów poddawanych prostej operacji dekompresyjnej bez fusion10. Ponadto niezdrowe nawyki związane ze stylem życia, choroby układu krążenia i zaburzenia metaboliczne, takie jak cukrzyca, znacznie wydłużają czas gojenia się dysku, zwiększając ryzyko nawrotów i bólu11,12. Dlatego pierwszym celem tego badania jest dalsze badanie czynników ryzyka związanych z rLDH po PEID w segmencie L5-S1.
W ostatnich latach postęp w technologii sztucznej inteligencji (AI) i uczenia maszynowego otworzył nowe możliwości dla analizy medycznej. Zastosowanie sztucznej inteligencji i uczenia maszynowego w badaniach związanych z kręgosłupem znacznie wzrosło13,14. Jako najniższy odcinek lędźwiowy o największej masie górnej części ciała i posiadający unikalne właściwości biomechaniczne, L5-S1 jest częstym miejscem przepukliny dysku lędźwiowego. Na podstawie sekwencji T2 MRI odcinka lędźwiowego pacjenta (ze względu na jej wysoką czułość do obrazowania krążka międzykręgowego, służącej jako najbardziej krytyczne narzędzie oceny), w połączeniu z badaniami CT i rentgenowskimi, można uzyskać więcej patofizjologicznych informacji o krążkach międzykręgowych pacjenta, co prowadzi do lepszego zrozumienia rLDH15. W praktyce klinicznej dokładne przewidywanie czynników ryzyka nawrotu pooperacyjnego, biorąc pod uwagę unikalną budowę anatomiczną regionu L5-S1 i różne potencjalne powikłania, pozostaje poważnym wyzwaniem16,17.
Uczenie maszynowe jest szeroko stosowane w medycynie, a algorytmy takie jak Random Forest i Gradient Boosting odgrywają znaczącą rolę w przewidywaniu chorób i ocenie ryzyka18. Regresja LASSO, dzięki mechanizmowi regularyzacji L1 do wyboru zmiennych i zmniejszania współczynników, jest używana do rozwiązywania problemów z wyborem cech i nadmiernym dopasowaniem w danych wielowymiarowych19. Algorytm wyszukiwania siatki kompleksowo bada przestrzeń hiperparametrów, ułatwiając identyfikację optymalnej kombinacji hiperparametrów dla każdego modelu, zwiększając w ten sposób zdolność przewidywania i stabilność20. W tym kontekście algorytmy uczenia maszynowego zaimplementowane w głównych językach sztucznej inteligencji, takich jak Python i R, gdy są oparte na wielkości próby przekraczającej 240 przypadków, mogą być wykorzystywane do budowania modeli sztucznej inteligencji21. Dzięki zastosowaniu technik takich jak regresja LASSO do wyboru zmiennych i konstruowania modeli, algorytmy wyszukiwania w siatce są wykorzystywane do minimalizacji błędów i maksymalizacji dokładności przewidywania, poprawiając w ten sposób stabilność modelu.
W tym badaniu, poprzez statystyczną analizę i pomiar różnych czynników ryzyka u pacjentów z L5-S1 oraz integrację wielowymiarowych danych -- w tym informacji klinicznych (np. wiek, BMI) i zmiennych obrazowania (np. wysokość dysku, wskaźnik wysokości tylnej dysku) -- ma na celu opracowanie dokładniejszego modelu predykcyjnego. Drugim celem tego badania jest ocena ryzyka nawrotu przedoperacyjnego u pacjentów, ocena wydajności modelu i podkreślenie znaczenia różnych czynników ryzyka.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Protokół
Niniejsze badanie jest analizą retrospektywną zatwierdzoną przez Komisję Etyki Instytucjonalnej szpitala Nantong First People's Hospital. Badanie zostało zarejestrowane w serwisie ClinicalTrials.gov (numer rejestracyjny: NCT06833099). Ponieważ dane zdrowotne wszystkich uczestników zostały zanonimizowane, zgoda na udział w badaniu nie była wymagana. Wykorzystane materiały eksploatacyjne i sprzęt wymieniono w Tabeli Materiałów.
1. Populacja badawcza
Badanie objęło dane kliniczne i zapisy obrazowania przedoperacyjnego 436 pacjentów, którzy zostali poddani przezskórnej endoskopowej dyskektomii międzyblaszawej (PEID) z powodu bólu w odcinku lędźwiowym kręgosłupa i bólu kończyn dolnych wynikających z przepukliny tarczy międzykręgowej L5-S1 w Nantong First People's Hospital w okresie od 1 stycznia 2020 r. do 30 czerwca 2024 r. Na podstawie kryteriów wykluczenia ostatecznie zakwalifikowano 309 pacjentów, u których nawrotową przepuklinę krążka międzykręgowego odcinka lędźwiowego (rLDH) potwierdzono za pomocą pooperacyjnych wyników w wizualnej skali analogowej (VAS) oraz obrazowania kontrolnego. Spośród 309 pacjentów u 33 wystąpiła rLDH po operacji, natomiast u pozostałych 276 odnotowano znaczną redukcję bólu pleców i nóg, z obniżeniem wyników VAS o ponad 60%. Zmienne obrazowe dla wszystkich uczestników uzyskano z przedoperacyjnych badań RTG, TK i MRI, łącząc je ze szczegółowymi informacjami klinicznymi, w tym płcią, wiekiem, wzrostem, masą ciała, BMI, wynikami VAS oraz innymi istotnymi zmiennymi (Rysunek 1).
2. Kryteria włączenia i wykluczenia
Kryteria włączenia dla rLDH: (1) Pacjenci z wypukliną krążka międzykręgowego na poziomie L5-S1, którzy zostali poddani jednosegmentowej procedurze PEID. (2) Kompleksowe badania obrazowe wykonane w ciągu jednego miesiąca przed operacją. (3) Pooperacyjna redukcja wyniku VAS ≥60%, po której nastąpił wzrost wyniku i potwierdzenie w badaniu obrazowym. (4) Brak innych nieprawidłowości wykrytych w badaniach obrazowych. (5) Minimalny okres obserwacji wynoszący 6 miesięcy.
Kryteria włączenia dla grupy Non-rLDH: (1) Pacjenci z przepukliną krążka międzykręgowego L5-S1, poddani jednosegmentowej procedurze PEID. (2) Kompleksowe badania obrazowe wykonane w ciągu jednego miesiąca przed operacją. (3) Redukcja wyniku w skali VAS po operacji ≥60%, bez nawrotów. (4) Brak innych nieprawidłowości wykrytych w badaniach obrazowych. (5) Minimalny okres obserwacji wynoszący 6 miesięcy.
Kryteria wykluczenia: (1) Obecność innych stanów patologicznych powodujących ból w odcinku lędźwiowym kręgosłupa, takich jak infekcje krążka międzykręgowego, guzy kręgosłupa, metaboliczne choroby kostne lub osteoporoza. (2) Historia operacji krążków międzykręgowych odcinka lędźwiowego lub innych operacji kręgosłupa. (3) Słaba jakość obrazowania lub niepełne dane badania. (4) Utrata kontaktu z pacjentem podczas obserwacji.
3. Zmienne kategoryczne i ciągłe
Przeprowadzono analizę statystyczną i pomiary przedoperacyjnych cech klinicznych oraz danych obrazowych pacjentów (Tabela 1 i Tabela 2). Zmienne kategoryjne posłużyły do rozróżnienia podstawowych cech choroby, czynników związanych ze stylem życia i innych zmiennych, natomiast zmienne ciągłe reprezentowały konkretne pomiary opisujące stan fizjologiczny pacjentów oraz przedoperacyjne zmiany w obrazowaniu. W celu zminimalizowania błędu wdrożono rygorystyczne środki kontroli jakości. Za analizę statystyczną i pomiary danych obrazowych odpowiadali dwaj radiolodzy i chirurdzy kręgosłupa z ponad 10-letnim doświadczeniem klinicznym. W przypadku złożonych przypadków obaj lekarze rozwiązywali problemy poprzez wspólną konsultację, aby zapewnić dokładność i spójność przetwarzania danych.
Zmienne kategoryczne obejmowały: płeć, cukrzycę, nadciśnienie tętnicze, choroby sercowo-naczyniowe i mózgowo-naczyniowe (CCD), skoliozę, stenozę kanału kręgowego, czynniki wyzwalające (np. intensywna aktywność, skręcenie, ekspozycja na zimno, uderzenie lub brak wyraźnego czynnika), czas trwania choroby (powyżej 6 miesięcy lub poniżej 6 miesięcy), drętwienie lub osłabienie, typ wypukliny (ograniczona lub nieograniczona), degenerację krążka międzykręgowego (stopnie I, II, III oraz IV, V), degenerację sąsiedniego krążka międzykręgowego (stopnie I, II, III oraz IV, V), zmiany Modica oraz zwapnienie krążka międzykręgowego.
Zmienne ciągłe obejmowały: wiek, czas trwania operacji, wzrost, masę ciała, wskaźnik masy ciała (BMI), maksymalną średnicę przepukliny tarczy międzykręgowej (MDHD), tylną wysokość krążka (PDH), odległość między środkami dwóch kręgów (DBTVC), kąt orientacji stawów międzywyrostkowych (FJOA), kąt krążka (DA), kąt nachylenia kości krzyżowej (SSA), kąt lordozy lędźwiowej (LLA) oraz wskaźnik tylnej wysokości krążka (PDHI, PDHI = PDH / DBTVC).
4. Czyszczenie danych i wybór zmiennych
W pierwszej kolejności plik danych „zjkj3” został wczytany do programu R (wersja 4.3.1, https://www.r-project.org/, platforma: x86_64-w64-mingw32/x64 (64-bit), Copyright (C) 2023 The R Foundation for Statistical Computing) za pomocą funkcji read_excel i zapisany w zmiennej data. Wybrano kodowanie znaków UTF-8 (domyślne dla systemu), które jest powszechnie stosowaną metodą kodowania obsługującą języki pisane większości krajów na świecie. Następnie użyto funkcji select, aby oddzielić zmienną docelową od zmiennych cech. Aby zapewnić powtarzalność podziału danych, ustawiono stałe ziarno losowości (seed) wynoszące 3, a zbiór danych podzielono na zbiór treningowy (80%) i zbiór testowy (20%). Na koniec zdefiniowano funkcję regresji LASSO, a część danych treningowych została wylosowana za pomocą funkcji glmnet w celu dopasowania modelu regresji LASSO. Optymalny parametr regularyzacji λ określono przy użyciu regularyzacji L1 i walidacji krzyżowej (domyślnie 10-krotnej), dbając jednocześnie o to, aby dane tych samych pacjentów nie pojawiły się jednocześnie w zbiorze treningowym i testowym. Aby wyznaczyć optymalną wartość λ, obliczono błąd walidacji krzyżowej dla każdej wartości λ.
5. Opracowanie i ocena modelu
SVM (Support Vector Machine): Model ten odwzorowuje dane treningowe na nadpłaszczyznę, maksymalizując margines między dwiema klasami w celu przewidzenia celu. Konkretne ustawienia hiperparametrów dla modelu SVM w niniejszym badaniu to: kernel = "linear", cost = 1. Rycina uzupełniająca 1 przedstawia macierze pomyłek dla SVM.
DT (drzewo decyzyjne): Ten model rekurencyjnie dzieli dane, tworząc strukturę drzewa w celu przewidzenia zmiennej docelowej. Konkretne ustawienie hiperparametrów dla modelu DT w niniejszym badaniu to: max_depth = 3. Rycina uzupełniająca 2 przedstawia macierze pomyłek dla DT.
ADA (AdaBoost): Model ten łączy wiele słabych klasyfikatorów (zazwyczaj drzewa decyzyjne) w celu stworzenia silnego klasyfikatora, co poprawia wydajność klasyfikacji. Konkretne ustawienia hiperparametrów dla modelu ADA w niniejszym badaniu to: n_estimators = 150, learning_rate = 0.1, seed = 80. Rysunek uzupełniający 3 przedstawia macierze pomyłek dla ADA.
LGBM (Light Gradient Boosting Machine): Model ten wykorzystuje algorytm histogramowy do podziału cech ciągłych, co przyspiesza proces uczenia i zmniejsza obciążenie pamięci, czyniąc go wydajnym i szybkim frameworkiem gradient boosting, szczególnie odpowiednim dla dużych zbiorów danych. Specyficzne ustawienia hiperparametrów dla modelu LGBM w niniejszym badaniu to: num_leaves = 5, learning_rate = 0.05, n_estimators = 50. Rysunek uzupełniający 4 przedstawia macierze pomyłek dla modelu LGBM.
RF (Random Forest): Model ten konstruuje wiele drzew decyzyjnych i łączy ich przewidywania, aby zwiększyć dokładność i zapobiec przeuczeniu. Konkretne ustawienia hiperparametrów dla modelu RF w niniejszym badaniu to: ntree = 310, mtry = 1, maxnodes = 10, max_depth = 1, seed = 80. Rysunek dodatkowy 5 przedstawia macierze pomyłek dla modelu RF.
XGB (Extreme Gradient Boosting): Model ten jest ulepszonym algorytmem opartym na drzewach decyzyjnych, wykorzystującym nowy, uogólniony algorytm budowania drzew decyzyjnych metodą wzmacniania gradientowego w celu przyspieszenia konstrukcji modelu, wykazujący wysoką przydatność w zadaniach klasyfikacji i regresji. Konkretne ustawienia hiperparametrów dla modelu XGB w niniejszym badaniu to: nrounds = 100, max_depth = 2, eta = 0.39, gamma = 0, colsample_bytree = 0.88, seed = 80. Rycina uzupełniająca 6 przedstawia macierze pomyłek dla modelu XGB.
Wydajność sześciu modeli oceniono za pomocą następujących miar: ROC AUC zbioru testowego, dokładności, czułości, swoistości, dodatniej wartości predykcyjnej (PPV), ujemnej wartości predykcyjnej (NPV) oraz wyniku F1. Wzór obliczeniowy jest następujący22:
TP: prawdziwie dodatni; TN: prawdziwie ujemny; FP: fałszywie dodatni; FN: fałszywie ujemny.
6. Przeszukiwanie siatki i strojenie hiperparametrów
Aby zoptymalizować wydajność modelu, zastosowano metodę grid search w celu zbadania różnych kombinacji hiperparametrów. Poprzez iteracyjne dostrajanie i ewaluację zidentyfikowano optymalną kombinację hiperparametrów, która maksymalizuje wartości ROC AUC zarówno dla zbioru treningowego, jak i testowego, poprawiając tym samym ogólną wydajność modelu. Zakresy dostrojonych hiperparametrów przedstawiono w Tabeli 3. Wyniki grid search znajdują się w Ryc. uzupełniającej 7, Ryc. uzupełniającej 8, Tabeli uzupełniającej 1, Tabeli uzupełniającej 2, Tabeli uzupełniającej 3 oraz Tabeli uzupełniającej 4.
7. Ranking ważności zmiennych
Do rankowania istotności zmiennych wybrano modele o najwyższej wydajności – Random Forest (RF) oraz Extreme Gradient Boosting (XGB). Rankingi te pomagają w identyfikacji krytycznych predyktorów rLDH na poziomie L5-S1 po PEID.
8. Analiza statystyczna
Wszystkie analizy statystyczne przeprowadzono przy użyciu oprogramowania R. Zmienne kategoryczne przedstawiono jako wartości procentowe, natomiast zmienne ciągłe wyrażono jako średnia ± odchylenie standardowe. Charakterystykę kliniczną i parametry obrazowania porównano pomiędzy grupą bez nawrotów (non-rLDH, n=276) a grupą z nawrotami (rLDH, n=33).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wyniki
Do badania włączono łącznie 309 pacjentów z przepukliną krążka międzykręgowego odcinka L5-S1 powodującą ból dolnego odcinka pleców i kończyn dolnych, którzy zostali poddani przezskórnej endoskopowej interlaminarnej diskektomii (PEID). Zebrano przedoperacyjne dane obrazowe, kliniczne zmienne fizjologiczne i wyniki w skali VAS, a także pooperacyjne obrazy i wyniki VAS. spośród tych pacjentów 33 zaklasyfikowano do grupy z nawrotową przepukliną krążka międzykręgowego odcinka lędźwiowego (grup...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Dyskusja
Przezskórna endoskopowa discektomia międzykręgowa (PEID) odgrywa znaczącą rolę w leczeniu przepukliny krążka międzykręgowego L5-S1, co sprawia, że bardzo ważne jest przewidywanie pooperacyjnej nawracającej przepukliny krążka międzykręgowego (rLDH)1,2. W fazie selekcji obrazów i czyszczenia danych w tym badaniu mierzono przede wszystkim obrazy MRI. Gdy jakość obrazu była słaba lub obrazy były rozmyte, do pomiarów uzupełniających stosowano zdjęcia rentgenowskie lub...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Oświadczenia
Autorzy deklarują, że badanie zostało przeprowadzone przy braku jakichkolwiek powiązań handlowych lub finansowych, które mogłyby być interpretowane jako potencjalny konflikt interesów.
Podziękowania
Autorzy chcieliby podziękować im za wsparcie finansowe (Praca została wsparta przez Fundację Naukową Kangda College Uniwersytetu Medycznego w Nankinie (Grant No. KD2024KYJJ292). Prace były wspierane przez Specjalny Fundusz Badawczy Uniwersytetu Nantong na rzecz Medycyny Klinicznej (grant nr 2024JY002). Prace te były wspierane przez Projekt Naukowo-Technologiczny Miejskiej Komisji Zdrowia w Nantong (grant nr. MS2024045). Prace te były wspierane przez Projekty Naukowo-Technologiczne w Prowincji Jiangsu [BE2023742], Projekt Administracji Tradycyjnej Medycyny Chińskiej w Jiangsu (grant nr 1). MS2023113).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Procesor graficzny do laptopów | NVIDIA Corporation | Nie dotyczy | |
| Aparat do rezonansu magnetycznego | Siemens Healthineers | 11672453 | Prisma 3.0T |
| Aparat do rezonansu magnetycznego | Siemens Healthineers | 10849662 | Ingenia CX 3.0T |
| Philips | Healthcare | 781341 | 64-warstwowy spiralny tomograf komputerowy iCT |
| Philips Healthcare | 728326 | Ysio | |
| Aparat rentgenowski | Siemens Healthineers | 10092577 | 4.3.1 |
| R | The R Foundation | Oprogramowanie typu open source; dostępne pod adresem https://www.r-project.org/. | |
| readxl | RStudio (Posit) | Najnowszy (CRAN) | Pakiet R o otwartym kodzie źródłowym; zainstaluj za pośrednictwem CRAN (install.packages("readxl")). |
| tidyverse | RStudio (Posit) | Najnowszy (CRAN) | Kolekcja pakietów R; zainstaluj za pośrednictwem CRAN (install.packages("tidyverse")). |
| glmnet | CRAN contributors | Najnowszy (CRAN) | Pakiet R typu open source; zainstaluj za pośrednictwem CRAN (install.packages("glmnet")). |
| Współtwórcy pROC | CRAN | Najnowszy (CRAN) | Pakiet R typu open source; zainstaluj przez CRAN (install.packages("pROC")). |
| zeallot | Współtwórcy CRAN | Najnowszy (CRAN) | Pakiet R o otwartym kodzie źródłowym; zainstaluj przez CRAN (install.packages("zeallot")). |
| reticulate | RStudio (Posit) | Najnowszy (CRAN) | Pakiet R o otwartym kodzie źródłowym; zainstaluj za pośrednictwem CRAN (install.packages("reticulate")). |
| showtext | Współtwórcy CRAN | Najnowszy (CRAN) | Pakiet R typu open source; zainstaluj za pośrednictwem CRAN (install.packages("showtext")). |
| e1071 | Współtwórcy CRAN | Najnowszy (CRAN) | Pakiet języka R typu open source; zainstaluj za pośrednictwem CRAN (install.packages("e1071")). |
| rms | CRAN contributors | Najnowszy (CRAN) | Pakiet języka R typu open source; zainstaluj za pośrednictwem CRAN (install.packages("rms")). |
| rpart | Współtwórcy CRAN | Najnowszy (CRAN) | Pakiet języka R typu open source; zainstaluj za pośrednictwem CRAN (install.packages("rpart")). |
| Współautorzy karetki | CRAN | Najnowszy (CRAN) | Pakiet R typu open source; zainstaluj za pośrednictwem CRAN (install.packages("caret")). |
| rpart.plot | Współtwórcy CRAN | Najnowszy (CRAN) | Pakiet R o otwartym kodzie źródłowym; zainstaluj za pośrednictwem CRAN (install.packages("rpart.plot")). |
| randomForest | Współtwórcy CRAN | Najnowszy (CRAN) | Pakiet R typu open source; zainstaluj za pośrednictwem CRAN (install.packages("randomForest")). |
| corrplot | Współtwórcy CRAN | Najnowszy (CRAN) | Pakiet R typu open source; zainstaluj za pośrednictwem CRAN (install.packages("corrplot")). |
| PRROC | Współtwórcy CRAN | Najnowszy (CRAN) | Pakiet Open Source R; zainstaluj przez CRAN (install.packages("PRROC")). |
| Współtwórcy Matrix | CRAN | Najnowszy (CRAN) | Pakiet R typu open source; zainstaluj za pośrednictwem CRAN (install.packages("Matrix")). |
| dplyr | RStudio (Posit) | Najnowszy (CRAN) | Część tidyverse; zainstaluj przez CRAN (install.packages("dplyr")). |
| ggplot2 | RStudio (Posit) | Najnowszy (CRAN) | Część tidyverse; zainstaluj przez CRAN (install.packages("ggplot2")). |
| class | CRAN contributors | Najnowszy (CRAN) | Pakiet języka R typu open source; zainstaluj za pośrednictwem CRAN (install.packages("class")). |
| ada | CRAN contributors | Najnowszy (CRAN) | Pakiet R typu open source; zainstaluj za pośrednictwem CRAN (install.packages("ada")). |
| lightgbm | Microsoft | Latest (CRAN/GitHub) | Pakiet R o otwartym kodzie źródłowym; zainstaluj przez CRAN (install.packages("lightgbm")) lub GitHub. |
| xgboost | Współtwórcy CRAN | Najnowszy (CRAN) | Pakiet R typu open source; zainstaluj za pośrednictwem CRAN (install.packages("xgboost")). |
Bibliografia
- 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).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Przedruki i uprawnienia
Ten artykuł został opublikowany
Film wkrótce dostępny