Modelos de aprendizado de máquina foram desenvolvidos para prever a recorrência da hérnia de disco L5-S1 após a cirurgia PEID, analisando dados de 309 pacientes. Os principais preditores incluíram IMC e PDHI, com modelos de aumento de gradiente extremo e floresta aleatória mostrando o melhor desempenho.
É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.
Artigo de investigação
A previsão da recorrência de hérnia de disco lombar em L5-S1 por meio de aprendizado de máquina baseado em discectomia endoscópica por meio da abordagem interlaminar
Neste artigo
Resumo
Resumo
Este estudo teve como objetivo desenvolver modelos de aprendizado de máquina (ML) para prever a hérnia de disco lombar recorrente (rLDH) de nível L5-S1 após discectomia interlaminar endoscópica percutânea (PEID), um tratamento minimamente invasivo para hérnia de disco lombar L5-S1. Foram analisados dados de 309 pacientes submetidos à PEID L5-S1 de nível único entre janeiro de 2020 e junho de 2024, com pelo menos 6 meses de acompanhamento. Foram utilizados registros clínicos, exames de imagem pré-operatórios e escores da escala visual analógica (EVA). A regressão LASSO identificou os principais preditores e seis modelos de ML foram construídos: máquina de vetores de suporte (SVM), árvore de decisão (DT), aumento adaptativo (ADA), máquina de aumento de gradiente de luz (LGBM), floresta aleatória (RF) e aumento de gradiente extremo (XGB). Entre os pacientes, 10,7% apresentaram rLDH, definida como redução de ≥60% da EVA seguida de recorrência dos sintomas e confirmação por imagem. Os principais preditores incluíram Índice de Massa Corporal (IMC), índice de altura do disco posterior (PDHI), estenose do canal vertebral, duração da doença, dormência ou fraqueza, alterações Modic Os modelos RF e XGB tiveram melhor desempenho. IMC mais alto, PDHI mais alto, estenose do canal espinhal, duração da doença por mais de seis meses, alterações Modic, hérnia não contida e diabetes aumentaram o risco de rLDH. A importância da variável foi classificada para ambos os modelos. A previsão de rLDH no pré-operatório pode melhorar a tomada de decisão e reduzir o risco de recorrência após a PEID, com modelos de ML melhorando a precisão e identificando fatores de risco críticos.
Introdução
A discectomia lombar endoscópica percutânea (DLPE) engloba várias técnicas, como a discectomia transforaminal endoscópica percutânea (PETD) e a discectomia interlaminar endoscópica percutânea (IDPE), com a escolha da abordagem cirúrgica dependendo da localização da lesão e das características anatômicas individuais do paciente1. A hérnia de disco lombar recorrente (rLDH) é um dos motivos mais comuns de reoperação após PELD, com incidência variando de 0% a 12,5%2,3. Como uma técnica minimamente invasiva, a PEID tem sido amplamente aplicada no tratamento de condições lombares, como hérnia de disco no nível L5-S1. Suas vantagens, incluindo trauma mínimo, internações hospitalares curtas e rápida recuperação pós-operatória, tornaram-no altamente favorecido por médicos e pacientes4. No entanto, apesar dos benefícios significativos das técnicas endoscópicas na redução do trauma cirúrgico e na promoção de recuperação rápida, alguns pacientes ainda enfrentam a questão da hérnia de disco recorrente no pós-operatório5.
A recorrência da hérnia de disco lombar está intimamente associada a múltiplos fatores, incluindo o grau de degeneração do disco, altura posterior do disco, alterações Modic (inflamação da placa terminal) e áreas em contato próximo com a placa terminal6. Além disso, o IMC tem um impacto significativo na recuperação pós-operatória, com estudos indicando que pacientes com IMC mais alto geralmente enfrentam um risco maior de recorrência5. O índice de altura do disco intervertebral, como um importante indicador para avaliar o grau de degeneração do disco, tem sido amplamente utilizado. É definida como a altura das margens anterior e posterior do disco dividida pela distância centróide dos dois corpos vertebrais. No entanto, para hérnia de disco e recidiva pós-operatória, devido à distribuição de estresse nas margens anterior e posterior, o índice de altura do disco posterior é mais crítico na predição de rLDH7. A remoção incompleta do núcleo pulposo durante a cirurgia é uma das principais causas de sintomas pós-operatórios residuais, pois alguns tecidos discais são difíceis de extirpar completamente durante o procedimento8. As alterações módicas levam a danos na placa terminal e respostas inflamatórias, resultando em instabilidade mecânica. Os componentes do núcleo pulposo e da cartilagem em hérnias de disco não contidas podem exacerbar a degeneração da placa terminal e do disco intervertebral 8,9. A estenose do canal vertebral está associada à incidência de rLDH, particularmente em pacientes submetidos à cirurgia simples de descompressão sem fusão10. Além disso, hábitos de vida pouco saudáveis, doenças cardiovasculares e distúrbios metabólicos, como diabetes, prolongam significativamente o tempo de cicatrização do disco, aumentando o risco de recorrência e dor11,12. Portanto, o primeiro objetivo deste estudo é investigar mais detalhadamente os fatores de risco associados à rLDH após a DEEP no segmento L5-S1.
Nos últimos anos, os avanços nas tecnologias de inteligência artificial (IA) e aprendizado de máquina abriram novas possibilidades para análises médicas. A aplicação de IA e aprendizado de máquina em pesquisas relacionadas à coluna aumentou significativamente 13,14. Como o segmento lombar mais baixo com o maior peso da parte superior do corpo e possuindo propriedades biomecânicas únicas, L5-S1 é um local comum para hérnia de disco lombar. Com base na sequência T2 da RM lombar do paciente (devido à sua alta sensibilidade para imagens do disco intervertebral, servindo como a ferramenta de avaliação mais crítica), combinada com exames de TC e raios-X, mais informações fisiopatológicas sobre os discos intervertebrais do paciente podem ser obtidas, levando a uma compreensão mais clara da rLDH15. Na prática clínica, predizer com precisão os fatores de risco de recorrência pós-operatória, considerando a estrutura anatômica única da região L5-S1 e várias complicações potenciais, continua sendo um desafio significativo16,17.
O aprendizado de máquina tem sido amplamente aplicado na área médica, com algoritmos como Random Forest e Gradient Boosting desempenhando um papel significativo na previsão de doenças e avaliação de risco18. A regressão LASSO, por meio de seu mecanismo de regularização L1 para seleção de variáveis e encolhimento do coeficiente, é usada para resolver problemas de seleção de recursos e sobreajuste em dados de alta dimensão19. O algoritmo de busca em grade explora de forma abrangente o espaço de hiperparâmetros, facilitando a identificação da combinação ideal de hiperparâmetros para cada modelo, aumentando assim a capacidade de previsão e a estabilidade20. Nesse contexto, algoritmos de aprendizado de máquina implementados em linguagens de IA convencionais, como Python e R, quando baseados em um tamanho de amostra superior a 240 casos, podem ser usados para construir modelos de inteligência artificial21. Ao empregar técnicas como regressão LASSO para seleção de variáveis e construção de modelos, algoritmos de busca em grade são utilizados para minimizar erros e maximizar a precisão da previsão, melhorando assim a estabilidade do modelo.
Neste estudo, analisando e medindo estatisticamente vários fatores de risco em pacientes L5-S1 e integrando dados multidimensionais - incluindo informações clínicas (por exemplo, idade, IMC) e variáveis de imagem (por exemplo, altura do disco, índice de altura do disco posterior) - visa desenvolver um modelo preditivo mais preciso. O segundo objetivo deste estudo é avaliar o risco de recorrência pré-operatória dos pacientes, avaliar o desempenho do modelo e destacar a importância de vários fatores de risco.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Protocolo
Este estudo é uma análise retrospectiva aprovada pelo Comitê de Ética Institucional do Nantong First People's Hospital. O estudo foi registrado em ClinicalTrials.gov (Número de registro: NCT06833099). Como as informações de saúde de todos os participantes foram anonimizadas, o consentimento informado não foi necessário. Os consumíveis e equipamentos utilizados estão listados na Tabela de Materiais.
1. População do estudo
O estudo incluiu dados clínicos e registros de imagem pré-operatórios de 436 pacientes submetidos à discectomia interlaminar endoscópica percutânea (PEID) para dor lombar e dor nas pernas devido à hérnia de disco L5-S1 no Nantong First People's Hospital entre 1º de janeiro de 2020 e 30 de junho de 2024. Com base nos critérios de exclusão, 309 pacientes foram incluídos, entre os quais a hérnia de disco lombar recorrente (rLDH) foi confirmada por meio de escores pós-operatórios da Escala Visual Analógica (EVA) e imagens de acompanhamento. Dos 309 pacientes, 33 apresentaram rLDH pós-cirurgia, enquanto os 276 restantes tiveram alívio significativo da dor lombar e nas pernas, com escores EVA reduzidos em mais de 60%. As variáveis de imagem para todos os participantes foram derivadas de exames pré-operatórios de raios-X, tomografia computadorizada e ressonância magnética, combinados com informações clínicas detalhadas, incluindo sexo, idade, altura, peso, IMC, escores EVA e outras variáveis relevantes (Figura 1).
2. Critérios de inclusão e exclusão
Critérios de inclusão para rLDH: (1) Pacientes com hérnia de disco lombar L5-S1 submetidos a PEID de segmento único. (2) Exames de imagem abrangentes concluídos dentro de um mês antes da cirurgia. (3) Redução do escore EVA pós-operatória ≥60%, seguida de aumento do escore e confirmação por imagem. (4) Nenhuma outra anormalidade detectada na imagem. (5) Período mínimo de acompanhamento de 6 meses.
Critérios de inclusão para não rLDH: (1) Pacientes com hérnia de disco lombar L5-S1 submetidos a PEID de segmento único. (2) Exames de imagem abrangentes concluídos dentro de um mês antes da cirurgia. (3) Redução do escore EVA pós-operatória ≥60%, sem recidiva. (4) Nenhuma outra anormalidade detectada na imagem. (5) Período mínimo de acompanhamento de 6 meses.
Critério de exclusão: (1) Presença de outras condições patológicas que causam lombalgia, como infecção discal, tumores espinhais, doenças ósseas metabólicas ou osteoporose. (2) História de disco lombar ou outras cirurgias da coluna vertebral. (3) Baixa qualidade de imagem ou dados de exame incompletos. (4) Perda de acompanhamento.
3. Variáveis categóricas e contínuas
As características clínicas pré-operatórias e os dados de imagem dos pacientes foram analisados estatisticamente e medidos (Tabela 1 e Tabela 2). As variáveis categóricas foram usadas para distinguir características básicas da doença, fatores de estilo de vida e outras variáveis, enquanto as variáveis contínuas representaram medidas específicas que descrevem o estado fisiológico dos pacientes e as alterações de imagem pré-operatórias. Para reduzir o viés, foram implementadas medidas rigorosas de controle de qualidade. Dois radiologistas e cirurgiões de coluna com mais de 10 anos de experiência clínica foram responsáveis pela análise estatística e medição dos dados de imagem. Para casos complexos, os dois médicos resolveram problemas por meio de consulta conjunta para garantir precisão e consistência no processamento de dados.
As variáveis categóricas incluíram: sexo, diabetes, hipertensão, doenças cardiovasculares e cerebrovasculares (CCD), escoliose, estenose espinhal, fatores desencadeantes (por exemplo, atividade extenuante, entorse, exposição ao frio, impacto ou nenhum gatilho claro), duração da doença (mais de 6 meses ou menos de 6 meses), dormência ou fraqueza, tipo de protrusão (contida ou não contida), degeneração discal (Graus I, II, III e IV, V), degeneração discal adjacente (Graus I, II, III e IV, V), alterações modic e calcificação discal.
As variáveis contínuas incluíram: idade, duração da cirurgia, altura, peso, índice de massa corporal (IMC), diâmetro máximo da hérnia de disco (MDHD), altura posterior do disco (PDH), distância entre os dois centros das vértebras (DBTVC), ângulo de orientação da articulação facetária (FJOA), ângulo do disco (AD), ângulo de inclinação sacral (SSA), ângulo de lordose lombar (LLA) e índice de altura posterior do disco (PDHI, PDHI = PDH / DBTVC).
4. Limpeza de dados e seleção de variáveis
Primeiro, o arquivo de dados "zjkj3" foi lido em R (versão 4.3.1, https://www.r-project.org/, Plataforma: x86_64-w64-mingw32/x64 (64 bits), Copyright (C) 2023 The R Foundation for Statistical Computing) usando a função read_excel e armazenado em uma variável de dados. A codificação de caracteres selecionada foi UTF-8 (padrão do sistema), que é um método de codificação amplamente utilizado capaz de suportar os idiomas escritos da maioria dos países ao redor do mundo. A função select foi então usada para separar a variável de destino das variáveis de recurso. Para garantir a reprodutibilidade da divisão dos dados, uma semente aleatória fixa de 3 foi definida e o conjunto de dados foi dividido em um conjunto de treinamento (80%) e um conjunto de teste (20%). Finalmente, uma função de regressão LASSO foi definida e uma parte dos dados de treinamento foi amostrada aleatoriamente usando a função glmnet para ajustar a regressão LASSO. O parâmetro de regularização ideal λ foi determinado usando regularização L1 e validação cruzada (padrão de 10 vezes), garantindo que nenhum dado duplicado do paciente fosse misturado entre os conjuntos de treinamento e teste. O erro de validação cruzada para cada valor λ foi calculado para determinar o valor λ ideal.
5. Desenvolvimento e avaliação de modelos
SVM (Support Vector Machine): Este modelo mapeia dados de treinamento para um hiperplano, maximizando a margem entre duas classes para prever o alvo. As configurações específicas de hiperparâmetros para o modelo SVM neste estudo são: kernel = "linear", custo = 1. A Figura 1 suplementar mostra as matrizes de confusão para SVM.
DT (Árvore de Decisão): Este modelo divide recursivamente os dados para criar uma estrutura de árvore para prever a variável de destino. A configuração de hiperparâmetro específica para o modelo DT neste estudo é: max_depth = 3. A Figura 2 suplementar mostra as matrizes de confusão para DT.
ADA (AdaBoost): Este modelo combina vários alunos fracos (normalmente árvores de decisão) para criar um aluno forte, melhorando o desempenho da classificação. As configurações específicas de hiperparâmetros para o modelo ADA neste estudo são: n_estimators = 150, learning_rate = 0,1, semente = 80. A Figura 3 suplementar mostra as matrizes de confusão para ADA.
LGBM (Light Gradient Boosting Machine): Este modelo usa um algoritmo de histograma para dividir recursos contínuos, acelerando o processo de treinamento e reduzindo a carga de memória, tornando-o uma estrutura de aumento de gradiente eficiente e rápida, particularmente adequada para conjuntos de dados em grande escala. As configurações específicas de hiperparâmetros para o modelo LGBM neste estudo são: num_leaves = 5, learning_rate = 0,05, n_estimators = 50. A Figura 4 suplementar mostra as matrizes de confusão para LGBM.
RF (Random Forest): Este modelo constrói várias árvores de decisão e combina suas previsões para melhorar a precisão e controlar o sobreajuste. As configurações específicas de hiperparâmetros para o modelo de RF neste estudo são: ntree = 310, mtry = 1, maxnodes = 10, max_depth = 1, seed = 80. A Figura 5 suplementar mostra as matrizes de confusão para RF.
XGB (Extreme Gradient Boosting): Este modelo é um algoritmo aprimorado baseado em árvores de decisão, utilizando um novo algoritmo de árvore de decisão de aumento de gradiente generalizado para acelerar a construção do modelo, com forte aplicabilidade para tarefas de classificação e regressão. As configurações específicas de hiperparâmetros para o modelo XGB neste estudo são: nrounds = 100, max_depth = 2, eta = 0,39, gamma = 0, colsample_bytree = 0,88, seed = 80. A Figura 6 suplementar mostra as matrizes de confusão para XGB.
O desempenho dos seis modelos foi avaliado usando as seguintes métricas: conjunto de teste ROC AUC, acurácia, sensibilidade, especificidade, valor preditivo positivo (VPP), valor preditivo negativo (VPN) e escore F1. A fórmula de cálculo é a seguinte22:
TP: Verdadeiro Positivo; TN: Verdadeiro Negativo; FP: Falso positivo; FN: Falso negativo.
6. Pesquisa em grade e ajuste de hiperparâmetros
Para otimizar o desempenho do modelo, a pesquisa em grade foi utilizada para explorar várias combinações de hiperparâmetros. Por meio de ajuste e avaliação iterativos, a combinação ideal de hiperparâmetros foi identificada para maximizar os valores de AUC ROC para os conjuntos de treinamento e teste, melhorando assim o desempenho geral do modelo. Os intervalos de hiperparâmetros ajustados são apresentados na Tabela 3. A pesquisa em grade é fornecida na Figura Suplementar 7, Figura Suplementar 8 e Tabela Suplementar 1, Tabela Suplementar 2, Tabela Suplementar 3 e Tabela Suplementar 4.
7. Classificação de importância variável
Os modelos de melhor desempenho - Random Forest (RF) e Extreme Gradient Boosting (XGB) - foram selecionados para classificação de importância variável. Essas classificações ajudam a identificar os preditores mais críticos de L5-S1 rLDH após PEID.
8. Análise estatística
Todas as análises estatísticas foram realizadas usando o software R. As variáveis categóricas foram relatadas como porcentagens, enquanto as variáveis contínuas foram expressas como média ± desvio padrão. As características clínicas e os parâmetros de imagem foram comparados entre o grupo não recorrente (não rLDH, n=276) e o grupo recorrente (rLDH, n=33).
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Resultados
Um total de 309 pacientes com hérnia de disco lombar L5-S1 causando dor lombar e nas pernas submetidos à discectomia interlaminar endoscópica percutânea (PEID) foram incluídos neste estudo. Foram coletados dados de imagem pré-operatórios, variáveis clínico-fisiológicas e escores EVA, bem como exames de imagem pós-operatórios e escores EVA. Dentre esses pacientes, 33 foram classificados no grupo de hérnia de disco lombar recorrente (grupo rLDH) e 276 foram categorizados no grupo sem recorr...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Discussão
A discectomia intervertebral endoscópica percutânea (PEID) desempenha um papel significativo no tratamento da hérnia de disco L5-S1, o que torna muito importante prever a hérnia de disco lombar recorrente (rLDH) pós-operatória1,2. Na fase de seleção de imagens e limpeza de dados, este estudo mediu principalmente imagens de ressonância magnética. Quando a qualidade da imagem era ruim ou as imagens estavam borradas, raios-X ou tomo...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Divulgações
Os autores declaram que a pesquisa foi conduzida na ausência de quaisquer relações comerciais ou financeiras que pudessem ser interpretadas como um potencial conflito de interesses.
Agradecimentos
Os autores gostariam de agradecê-los por seu apoio financeiro (O trabalho foi apoiado pela Science Foundation of Kangda College da Nanjing Medical University (Grant No. KD2024KYJJ292). O trabalho foi apoiado pelo Fundo de Pesquisa Especial para Medicina Clínica da Universidade de Nantong (Grant No. 2024JY002). Este trabalho foi apoiado pelo Projeto de Ciência e Tecnologia da Comissão Municipal de Saúde de Nantong (concessão nº. MS2024045). Este trabalho foi apoiado por Projetos de Ciência e Tecnologia na Província de Jiangsu [BE2023742], Projeto da Administração de Medicina Tradicional Chinesa de Jiangsu (concessão nº. MS2023113).
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Materiais
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| 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 |
| Máquina de raios-X | Siemens Healthineers | 10092577 | 4.3.1 |
| R | The R Foundation | Software de código aberto; disponível em https://www.r-project.org/. | |
| readxl | RStudio (Posit) | Mais recente (CRAN) | Pacote R de software livre; instale via CRAN (install.packages("readxl")). |
| tidyverse | RStudio (Posit) | Latest (CRAN)Coleção | de pacotes R; instalar via CRAN (install.packages("tidyverse")). |
| glmnet | CRAN contributors | Latest (CRAN) | Pacote R de código aberto; instale via CRAN (install.packages("glmnet")). |
| Contribuidores do CRAN do pROC | Mais recente (CRAN) | Pacote R de código aberto; instalação via CRAN (install.packages("pROC")). | |
| Mais | recente (CRAN) | Pacote R de código aberto; instale via CRAN (install.packages("zeallot")). | |
| reticulado | RStudio (Posit) | Mais recente (CRAN) | Pacote R de software livre; instale via CRAN (install.packages("reticulate")). |
| showtext | CRAN | contributors Latest (CRAN) | Pacote R de código aberto; instalar via CRAN (install.packages("showtext")). |
| e1071 | CRAN contributors | Latest (CRAN) | Pacote R de código aberto; instalação via CRAN (install.packages("e1071")). |
| rms | CRAN | contributors Latest (CRAN) | Pacote R de código aberto; instalação via CRAN (install.packages("rms")). |
| rpart | CRAN | contributors Latest (CRAN) | Pacote R de código aberto; instale via CRAN (install.packages("rpart")). |
| Contribuidores do | CRAN | mais recentes (CRAN) | Pacote R de código aberto; instale via CRAN (install.packages("caret")). |
| rpart.plot | CRAN contributors | Latest (CRAN) | Pacote R de código aberto; instale via CRAN (install.packages("rpart.plot")). |
| Contribuidores do CRAN | do randomForest | Latest (CRAN) | Pacote R de software livre; instalar via CRAN (install.packages("randomForest")). |
| corrplot | CRAN contributors | Latest (CRAN) | Pacote R de código aberto; instalar via CRAN (install.packages("corrplot")). |
| PRROC | CRAN | Contributors Latest (CRAN) | Pacote R de software livre; instalação via CRAN (install.packages("PRROC")). |
| Contribuidores do CRAN | do Matrix | Mais recente (CRAN) | Pacote R de software livre; instale via CRAN (install.packages("Matrix")). |
| dplyr | RStudio (Posit) | Latest (CRAN) | Parte do tidyverse; instalar via CRAN (install.packages("dplyr")). |
| ggplot2 | RStudio (Posit) | Latest (CRAN) | Parte do tidyverse; instale via CRAN (install.packages("ggplot2")). |
| class | CRAN contributors | Latest (CRAN) | Pacote R de código aberto; instalar via CRAN (install.packages("class")). |
| ada | CRAN contributors | Latest (CRAN) | Pacote R de código aberto; instale via CRAN (install.packages("ada")). |
| lightgbm | Microsoft | Latest (CRAN/GitHub) | Pacote R de código aberto; instale via CRAN (install.packages("lightgbm")) ou GitHub. |
| Contribuidores do CRAN do xgboost | Mais recente (CRAN) | Pacote R de código aberto; instale via CRAN (install.packages("xgboost")). |
Referências
- 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).
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Reimpressões e permissões
Este artigo foi publicado
Vídeo em breve