Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Исследовательская статья

Прогнозирование рецидива грыжи межпозвоночного диска поясничного отдела на уровне L5-S1 с помощью машинного обучения на основе эндоскопической дискэктомии методом интерламинарного доступа

932 просмотров

⸱

DOI:

10.3791/68550

⸱

11 июля 2025 г.

 ,  ,  ,  , 
1Department of Spine Surgery, Affiliated Hospital 2 of Nantong University, 2Nantong Clinical Medical College of Kangda College of Nanjing Medical University, 3Nantong Hospital to Nanjing University of Chinese Medicine, 4Research Institute for Spine and Spinal Cord Disease of Nantong University

В этой статье

Краткое содержание

Для прогнозирования рецидива грыжи диска L5-S1 после операции ПЭЙР были разработаны модели машинного обучения, проанализированы данные 309 пациентов. Ключевыми предикторами были ИМТ и PDHI, при этом модели случайного леса и экстремального градиентного бустинга показали наилучшую производительность.

Аннотация

Это исследование было направлено на разработку моделей машинного обучения (ML) для прогнозирования рецидивирующей грыжи поясничного диска уровня L5-S1 (рLDH) после чрескожной эндоскопической интерламинарной дискэктомии (PEID), минимально инвазивного лечения грыжи поясничного диска L5-S1. Были проанализированы данные 309 пациентов, которым в период с января 2020 г. по июнь 2024 г. была проведена одноуровневая ПЭИД L5-S1 с периодом наблюдения не менее 6 месяцев. Использовались клинические записи, предоперационная визуализация и баллы по визуальной аналоговой шкале (ВАШ). Регрессия LASSO определила ключевые предикторы, и было построено шесть моделей машинного обучения: метод опорных векторов (SVM), дерево решений (DT), адаптивный бустинг (ADA), легкий градиентный бустинг (LGBM), случайный лес (RF) и экстремальный градиентный бустинг (XGB). Среди пациентов у 10,7% наблюдался рLDH, определяемый как снижение VAS на ≥60% с последующим рецидивом симптомов и подтверждением визуализации. Ключевыми предикторами были индекс массы тела (ИМТ), индекс высоты заднего диска (PDHI), стеноз позвоночного канала, продолжительность заболевания, онемение или слабость, модиальные изменения, тип грыжи и диабет. Модели RF и XGB показали наилучшие результаты. Более высокий ИМТ, более высокий PDHI, стеноз позвоночного канала, продолжительность заболевания более шести месяцев, изменения Модика, нелокализованная грыжа и диабет увеличивают риск рLDH. Переменная важность была ранжирована для обеих моделей. Предоперационное прогнозирование рLDH может улучшить принятие решений и снизить риск рецидива после PEID, а ML-модели повышают точность и выявляют критические факторы риска.

Введение

Чрескожная эндоскопическая люмбальная дискэктомия (ПДД) включает в себя различные методики, такие как чрескожная эндоскопическая трансфораминальная дискэктомия (ПЭТД) и чрескожная эндоскопическая интерламинарная дискэктомия (ПЭИД), с выбором хирургического подхода в зависимости от локализации поражения и индивидуальных анатомических особенностей пациента1. Рецидивирующая грыжа межпозвоночного диска поясничного отдела позвоночника (рЛДГ) является одной из наиболее частых причин повторной операции после ПЕЛД, с частотой от 0% до 12,5%2,3. Будучи минимально инвазивным методом, PEID широко применяется в лечении заболеваний поясничного отдела, таких как грыжа диска уровня L5-S1. Его преимущества, включая минимальную травматичность, короткое пребывание в больнице и быстрое послеоперационное восстановление, сделали его очень популярным как среди врачей, так и среди пациентов4. Однако, несмотря на значительные преимущества эндоскопических методов в снижении операционной травматизма и содействии быстрому восстановлению, некоторые пациенты все еще сталкиваются с проблемой рецидивирующей грыжи межпозвоночного дискапосле операции.

Рецидив грыжи межпозвоночного диска поясничного отдела тесно связан со многими факторами, включая степень дегенерации диска, высоту заднего диска, изменения Модика (воспаление торцевой пластины) и области, находящиеся в тесном контакте с торцевой пластиной6. Кроме того, ИМТ оказывает значительное влияние на послеоперационное восстановление, при этом исследования показывают, что пациенты с более высоким ИМТ, как правило, сталкиваются с большим рискомрецидива. Индекс высоты межпозвоночных дисков, как важный показатель для оценки степени дегенерации межпозвоночного диска, получил широкое распространение. Она определяется как высота переднего и заднего краев диска, деленная на центроидное расстояние двух тел позвонков. Тем не менее, для грыжи диска и послеоперационного рецидива, из-за распределения стресса на переднем и заднем краях, индекс высоты заднего диска более критичен для прогнозирования рLDH7. Неполное удаление пульпозного ядра во время операции является одной из основных причин остаточных послеоперационных симптомов, так как часть ткани диска трудно полностью исчерпать во время процедуры8. Модифицирующие изменения приводят к повреждению торцевой пластины и воспалительным реакциям, что приводит к механической нестабильности. Пульпозное ядро и хрящевые компоненты при грыжах межпозвоночных дисков без локализации могут усугублять дегенерацию замыкательной пластинки и межпозвоночного диска 8,9. Стеноз позвоночного канала связан с частотой рЛДГ, особенно у пациентов, перенесших простую декомпрессионную операцию без спондилодеза10. Кроме того, нездоровый образ жизни, сердечно-сосудистые заболевания и метаболические нарушения, такие как диабет, значительно продлевают время заживления диска, увеличивая риск рецидива и боли11,12. Таким образом, первой целью данного исследования является дальнейшее изучение факторов риска, связанных с рЛДГ после ПЭД в сегменте L5-S1.

В последние годы достижения в области искусственного интеллекта (ИИ) и машинного обучения открыли новые возможности для медицинского анализа. Применение искусственного интеллекта и машинного обучения в исследованиях, связанных с позвоночником, значительно возросло13,14. Будучи самым низким сегментом поясницы, несущим наибольшую массу верхней части тела и обладающим уникальными биомеханическими свойствами, L5-S1 является распространенным местом для грыжи межпозвоночного диска поясничного отдела. Основываясь на последовательности Т2 МРТ поясничного отдела позвоночника пациента (из-за его высокой чувствительности для визуализации межпозвоночных дисков, служащей наиболее важным инструментом оценки) в сочетании с КТ и рентгенологическими исследованиями, можно получить больше патофизиологической информации о межпозвоночных дисках пациента, что приводит к более четкому пониманию рLDH15. В клинической практике точное прогнозирование факторов риска послеоперационного рецидива, учитывая уникальное анатомическое строение области L5-S1 и различные потенциальные осложнения, остается существенной проблемой16,17.

Машинное обучение широко применяется в медицине, а такие алгоритмы, как Random Forest и Gradient Boosting, играют важную роль в прогнозировании заболеваний и оценке рисков18. Регрессия LASSO с помощью механизма регуляризации L1 для выбора переменных и уменьшения коэффициентов используется для решения проблем выбора признаков и переобучения в данных высокойразмерности19. Алгоритм поиска по сетке всесторонне исследует пространство гиперпараметров, облегчая идентификацию оптимальной комбинации гиперпараметров для каждой модели, тем самым повышая возможности прогнозирования и стабильность20. В этом контексте алгоритмы машинного обучения, реализованные в основных языках искусственного интеллекта, таких как Python и R, когда они основаны на размере выборки, превышающей 240 случаев, могут быть использованы для построения моделей искусственногоинтеллекта21. Используя такие методы, как регрессия LASSO для выбора переменных и построения моделей, используются алгоритмы поиска по сетке для минимизации ошибок и максимальной точности прогнозирования, тем самым повышая стабильность модели.

В этом исследовании, путем статистического анализа и измерения различных факторов риска у пациентов L5-S1 и интеграции многомерных данных, включая клиническую информацию (например, возраст, ИМТ) и визуальные переменные (например, высота диска, индекс высоты заднего диска), направлено на разработку более точной прогностической модели. Второй целью данного исследования является оценка риска рецидива у пациентов перед операцией, оценка эффективности модели и выделение важности различных факторов риска.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

Данное исследование представляет собой ретроспективный анализ, одобренный Комитетом по институциональной этике Первой народной больницы Наньтун. Исследование зарегистрировано на ClinicalTrials.gov (регистрационный номер: NCT06833099). Поскольку информация о состоянии здоровья всех участников была анонимизирована, информированное согласие не требовалось. Используемые расходные материалы и оборудование указаны в Таблице материалов.

1. Исследуемая популяция

В исследование были включены клинические данные и предоперационные визуализационные записи 436 пациентов, которым была выполнена чрескожная эндоскопическая интерламинарная дискэктомия (PEID) по поводу боли в пояснице и боли в ногах из-за грыжи диска L5-S1 в Первой народной больнице Наньтун в период с 1 января 2020 года по 30 июня 2024 года. На основании критериев исключения в исследование было включено 309 пациентов, среди которых рецидивирующая грыжа межпозвоночного диска поясничного отдела позвоночника (рЛДГ) была подтверждена с помощью послеоперационной шкалы визуальной аналоговой шкалы (ВАШ) и последующей визуализации. Из 309 пациентов у 33 наблюдался рLDH после операции, в то время как у остальных 276 наблюдалось значительное облегчение боли в пояснице и ногах, при этом баллы по шкале VAS снизились более чем на 60%. Визуализирующие переменные для всех участников были получены на основе предоперационных рентгенологических, компьютерных и магнитно-резонансных томографий в сочетании с подробной клинической информацией, включая пол, возраст, рост, вес, ИМТ, баллы по шкале ВАШ и другие соответствующие переменные (рис. 1).

2. Критерии включения и исключения

Критерии включения рЛДГ: (1) Пациенты с грыжей межпозвоночного диска поясничного отдела L5-S1, которым была выполнена односегментная ПЭИД. (2) Комплексные визуализирующие обследования, проводимые в течение одного месяца до операции. (3) Послеоперационное снижение балла по ВАШ ≥60% с последующим повышением балла и подтверждением с помощью визуализации. (4) При визуализации не обнаружено других отклонений. (5) Минимальный период наблюдения 6 месяцев.

Критерии включения для пациентов без рЛДГ: (1) Пациенты с грыжей межпозвоночного диска поясничного отдела L5-S1, которым была выполнена односегментная ПЭД. (2) Комплексные визуализирующие обследования, проводимые в течение одного месяца до операции. (3) Послеоперационное снижение балла по ВАШ ≥60%, без рецидивов. (4) При визуализации не обнаружено других отклонений. (5) Минимальный период наблюдения 6 месяцев.

Критерии исключения: (1) Наличие других патологических состояний, вызывающих боль в пояснице, таких как инфекция межпозвоночного диска, опухоли позвоночника, метаболические заболевания костей или остеопороз. (2) Операции на межпозвоночном диске поясничного отдела позвоночника или другие операции на позвоночнике в анамнезе. (3) Низкое качество визуализации или неполные данные обследования. (4) Потеря для последующего наблюдения.

3. Категориальные и непрерывные переменные

Предоперационные клинические характеристики и данные визуализации пациентов были статистически проанализированы и измерены (Таблица 1 и Таблица 2). Категориальные переменные использовались для различения основных характеристик заболевания, факторов образа жизни и других переменных, в то время как непрерывные переменные представляли собой конкретные измерения, описывающие физиологическое состояние пациентов и предоперационные изменения визуализации. Для снижения предвзятости были внедрены строгие меры контроля качества. Два радиолога и спинальные хирурги с более чем 10-летним клиническим опытом отвечали за статистический анализ и измерение данных визуализации. В сложных случаях два врача решали вопросы путем совместной консультации, чтобы обеспечить точность и последовательность обработки данных.

Категориальные переменные включали: пол, диабет, гипертонию, сердечно-сосудистые и цереброваскулярные заболевания (CCD), сколиоз, стеноз позвоночного канала, провоцирующие факторы (например, напряженная активность, растяжение связок, воздействие холода, удар или отсутствие явного триггера), продолжительность заболевания (более 6 месяцев или менее 6 месяцев), онемение или слабость, тип протрузии (локализованная или неограниченная), дегенерация диска (степени I, II, III и IV, V), дегенерация соседнего диска (степени I, II, III и IV, V), Модические изменения и кальцификация диска.

Непрерывные переменные включали: возраст, продолжительность операции, рост, вес, индекс массы тела (ИМТ), максимальный диаметр грыжи диска (MDHD), высоту заднего диска (PDH), расстояние между двумя центрами позвонков (DBTVC), угол ориентации фасеточных суставов (FJOA), угол диска (DA), угол крестцового наклона (SSA), угол поясничного лордоза (LLA) и индекс высоты заднего диска (PDHI, PDHI = PDH / DBTVC).

4. Очистка данных и выбор переменных

Сначала файл данных "zjkj3" был прочитан в R (версия 4.3.1, https://www.r-project.org/, платформа: x86_64-w64-mingw32/x64 (64-бит), Copyright (C) 2023 The R Foundation for Statistical Computing) с помощью функции read_excel и сохранен в переменной данных. В качестве кодировки символов была выбрана кодировка UTF-8 (по умолчанию в системе), которая является широко используемым методом кодирования, способным поддерживать письменные языки большинства стран мира. Затем функция select использовалась для отделения целевой переменной от переменных функции. Чтобы обеспечить воспроизводимость разбиения данных, было установлено фиксированное случайное начальное значение 3, а набор данных был разделен на обучающий набор (80%) и тестовый набор (20%). Наконец, была определена функция регрессии LASSO, и часть обучающих данных была случайным образом отобрана с помощью функции glmnet для соответствия регрессии LASSO. Оптимальный параметр регуляризации λ был определен с помощью регуляризации L1 и перекрестной проверки (по умолчанию 10-кратная), при этом гарантировалось, что между обучающим и тестовым наборами не было смешивания дубликатов данных о пациентах. Для определения оптимального значения λ была рассчитана ошибка перекрестной проверки для каждого значения λ.

5. Разработка и оценка модели

SVM (метод опорных векторов): эта модель сопоставляет обучающие данные с гиперплоскостью, максимизируя запас между двумя классами для прогнозирования цели. Конкретные настройки гиперпараметров для модели SVM в этом исследовании: ядро = "линейный", стоимость = 1. На дополнительном рисунке 1 изображены матрицы неточностей для SVM.

DT (дерево принятия решений): Эта модель рекурсивно разделяет данные для создания древовидной структуры для прогнозирования целевой переменной. Конкретная настройка гиперпараметров для модели DT в этом исследовании: max_depth = 3. На дополнительном рисунке 2 изображены матрицы несоответствий для DT.

ADA (AdaBoost): Эта модель объединяет несколько слабых учеников (обычно деревьев решений) для создания сильного ученика, улучшая производительность классификации. Конкретные настройки гиперпараметров для модели ADA в этом исследовании: n_estimators = 150, learning_rate = 0,1, начальное значение = 80. На дополнительном рисунке 3 показаны матрицы несоответствий для ADA.

LGBM (Light Gradient Boosting Machine): Эта модель использует алгоритм гистограммы для разделения непрерывных признаков, ускоряя процесс обучения и снижая нагрузку на память, что делает ее эффективной и быстрой средой градиентного бустинга, особенно подходящей для крупномасштабных наборов данных. Конкретные настройки гиперпараметров для модели LGBM в этом исследовании: num_leaves = 5, learning_rate = 0,05, n_estimators = 50. На дополнительном рисунке 4 изображены матрицы неточностей для LGBM.

RF (Random Forest): Эта модель строит несколько деревьев решений и объединяет их прогнозы для повышения точности и контроля переобучения. Конкретные настройки гиперпараметров для радиочастотной модели в этом исследовании: ntree = 310, mtry = 1, maxnodes = 10, max_depth = 1, seed = 80. На дополнительном рисунке 5 изображены матрицы неточностей для RF.

XGB (Extreme Gradient Boosting): Эта модель представляет собой усовершенствованный алгоритм, основанный на деревьях решений, использующий новый алгоритм обобщенного дерева решений градиентного бустинга для ускорения построения модели, с высокой применимостью для задач классификации и регрессии. Конкретные настройки гиперпараметров для модели XGB в этом исследовании: nrounds = 100, max_depth = 2, eta = 0,39, gamma = 0, colsample_bytree = 0,88, seed = 80. На дополнительном рисунке 6 показаны матрицы неточностей для XGB.

Производительность шести моделей оценивалась с использованием следующих показателей: тестовый набор ROC AUC, точность, чувствительность, специфичность, положительная прогностическая ценность (PPV), отрицательная прогностическая ценность (NPV) и оценка F1. Формула расчета следующая:22:

figure-protocol-1

ТП: Истинный позитив; ТН: Истинный негатив; FP: ложное срабатывание; ФН: Ложноотрицательный.

6. Поиск по сетке и настройка гиперпараметров

Для оптимизации производительности модели был использован поиск по сетке для изучения различных комбинаций гиперпараметров. С помощью итерационной настройки и оценки была определена оптимальная комбинация гиперпараметров, позволяющая максимизировать значения ROC AUC как для поезда, так и для тестовых наборов, тем самым повышая общую производительность модели. Диапазоны скорректированных гиперпараметров представлены в таблице 3. Поиск по сетке представлен на Дополнительном рисунке 7, Дополнительном рисунке 8 и Дополнительной таблице 1, Дополнительной таблице 2, Дополнительной таблице 3 и Дополнительной таблице 4.

7. Ранжирование переменной важности

Наиболее эффективные модели — Random Forest (RF) и Extreme Gradient Boosting (XGB) — были выбраны для ранжирования переменной важности. Эти рейтинги помогают определить наиболее важные предикторы L5-S1 рЛДГ после ПЭЙД.

8. Статистический анализ

Все статистические анализы были выполнены с использованием программного обеспечения R. Категориальные переменные были представлены в процентах, в то время как непрерывные переменные были выражены в виде среднего ± стандартного отклонения. Клинические характеристики и параметры визуализации сравнивали в группе с рецидивом (без рЛДГ, n=276) и группой с рецидивом (рЛДГ, n=33).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

В исследование было включено 309 пациентов с грыжей поясничного диска L5-S1, вызывающей боль в пояснице и ногах, которым была выполнена чрескожная эндоскопическая интерламинарная дискэктомия (ПЭИД). Были собраны данные предоперационной визуализации, клинические физиологические переменные и баллы по ВАШ, а также послеоперационная визуализация и баллы по ВАШ. Среди этих пациентов 33 были классифицированы в группу рецидивирующей грыжи межпозвоночного диска поясничного отдела позвоночника (гр...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

Чрескожная эндоскопическая межпозвоночная дискэктомия (ЧПИД) играет важную роль в лечении грыжи межпозвоночного диска L5-S1, что делает крайне важным прогнозирование послеоперационной рецидивирующей грыжи межпозвоночного диска поясничного отдела позвоночника (рЛДГ)1,2. На этапе выбора изображений и очистки данных в этом исследовании в основном измерялись МРТ-изображения. Когда качество изображения было плохим или изображения были...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

Авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Благодарности

Авторы благодарят их за финансовую поддержку (Работа выполнена при поддержке Научного фонда колледжа Канда Медицинского университета Нанкина (грант No. KD2024KYJJ292). Работа выполнена при поддержке Специального исследовательского фонда клинической медицины Наньтунского университета (грант No 2024JY002). Эта работа была поддержана Научно-техническим проектом Муниципальной комиссии по здравоохранению провинции Наньтун (грант No. MS2024045). Эта работа была поддержана Научно-техническими проектами в провинции Цзянсу [BE2023742], Проектом Управления традиционной китайской медицины провинции Цзянсу (грант No. MS2023113).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Графический процессор для ноутбукаН/Д
Corporation Siemens Healthineers11672453Магнитный аппарат Prisma 3.0T
Siemens Healthineers10849662Ingenia CX 3.0T
Аппарат МРТPhilips Healthcare781341iCT 64-срезовый спиральный
компьютерный томографPhilips Healthcare728326Ysio
Рентгеновский аппаратSiemens Healthineers100925774.3.1
RThe R FoundationПрограммное обеспечение с открытым исходным кодом; доступно в https://www.r-project.org/.
readxlRStudio (Posit)Latest (CRAN)Пакет R с открытым исходным кодом; установите через CRAN (install.packages("readxl")).
tidyverseRStudio (Posit)Latest (CRAN)Коллекция пакетов R; установка через CRAN (install.packages("tidyverse")).
glmnetCRAN contributorsLatest (CRAN)Пакет R с открытым исходным кодом; установка через CRAN (install.packages("glmnet")).
Участники pROCCRAN Последний (CRAN)Пакет R с открытым исходным кодом; установите через CRAN (install.packages("pROC")).
zeallotучастники CRANПоследний (CRAN)Пакет R с открытым исходным кодом; установите через CRAN (install.packages("zeallot")).
reticulateRStudio (Posit)Latest (CRAN)ПакетR с открытым исходным кодом; установка через CRAN (install.packages("reticulate")).
showtextCRANcontributors Latest (CRAN)Пакет R с открытым исходным кодом; установка через CRAN (install.packages("showtext")).
e1071Участники CRANПоследний (CRAN)Пакет R с открытым исходным кодом; установите через CRAN (install.packages("e1071")).
rmsУчастники CRANПоследний (CRAN)Пакет R с открытым исходным кодом; установка через CRAN (install.packages("rms")).
rpartCRANcontributors Latest (CRAN)ПакетR с открытым исходным кодом; установите через CRAN (install.packages("rpart")).
caretCRAN contributorsLatest (CRAN)ПакетR с открытым исходным кодом; установите через CRAN (install.packages("caret")).
Участники rpart.plotCRANПоследний (CRAN)Пакет R с открытым исходным кодом; установите через CRAN (install.packages("rpart.plot")).
randomForestCRANcontributors Latest (CRAN)Пакет R с открытым исходным кодом; установите через CRAN (install.packages("randomForest")).
Участники corrplotCRAN Последний (CRAN)Пакет R с открытым исходным кодом; установите через CRAN (install.packages("corrplot")).
Участники PRROCCRANПоследний (CRAN)Пакет R с открытым исходным кодом; установите через CRAN (install.packages("PRROC")).
MatrixCRANContributors Latest (CRAN)Пакет R с открытым исходным кодом; установка через CRAN (install.packages("Matrix")).
dplyrRStudio (Posit)Latest (CRAN)Часть tidyverse; установка через CRAN (install.packages("dplyr")).
ggplot2RStudio (Posit)Latest (CRAN)Часть tidyverse; установка через CRAN (install.packages("ggplot2")).
classCRAN contributorsLatest (CRAN)Пакет R с открытым исходным кодом; установка через CRAN (install.packages("class")).
adaCRAN contributorsLatest (CRAN)Пакет R с открытым исходным кодом; установка через CRAN (install.packages("ada")).
lightgbmMicrosoftLatest (CRAN/GitHub)Пакет R с открытым исходным кодом; установите через CRAN (install.packages("lightgbm")) или GitHub.
Участники xgboostCRAN Последняя версия (CRAN)Пакет R с открытым исходным кодом; установка через CRAN (install.packages("xgboost")).
Мрт аппарат NVIDIA

Ссылки

  1. Chen, Z., et al. Transforaminal versus interlaminar approach of full-endoscopic lumbar discectomy under local anesthesia for L5/S1 disc herniation: A randomized controlled trial. Pain Physician. 25 (8), E1191-E1198 (2022).
  2. Cheng, J., et al. Reoperation after lumbar disc surgery in two hundred and seven patients. Int Orthop. 37 (8), 1511-1517 (2013).
  3. Yin, S., et al. Prevalence of recurrent herniation following percutaneous endoscopic lumbar discectomy: A meta-analysis. Pain Physician. 21 (4), 337-350 (2018).
  4. Pan, M., et al. Percutaneous endoscopic lumbar discectomy: Indications and complications. Pain Physician. 23 (1), 49-56 (2020).
  5. Ju, C. I., Lee, S. M. Complications and management of endoscopic spinal surgery. Neurospine. 20 (1), 56-77 (2023).
  6. Modic, M. T., Ross, J. S. Lumbar degenerative disk disease. Radiology. 245 (1), 43-61 (2007).
  7. Frobin, W., Brinckmann,, Kramer, M., Hartwig, E. Height of lumbar discs measured from radiographs compared with degeneration and height classified from MR images. Eur Radiol. 11 (2), 263-269 (2001).
  8. Li, H., Deng, W., Wei, F., Zhang, L., Chen, F. Factors related to the postoperative recurrence of lumbar disc herniation treated by percutaneous transforaminal endoscopy: A meta-analysis. Front Surg. 9, 1049779(2023).
  9. Hao, L., et al. Recurrent disc herniation following percutaneous endoscopic lumbar discectomy preferentially occurs when Modic changes are present. J Orthop Surg Res. 15 (1), 176(2020).
  10. Kim, C. H., et al. Reoperation rate after surgery for lumbar spinal stenosis without spondylolisthesis: a nationwide cohort study. Spine J. 13 (10), 1230-1237 (2013).
  11. Huang, W., Han, Z., Liu, J., Yu, L., Yu, X. Risk factors for recurrent lumbar disc herniatioN: A Systematic Review and meta-analysis. Medicine (Baltimore). 95 (2), e2378(2016).
  12. Wang, H., Zhou, Y., Li, C., Liu, J., Xiang, L. Risk factors for failure of single-level percutaneous endoscopic lumbar discectomy. J Neurosurg Spine. 23 (3), 320-325 (2015).
  13. Harada, G. K., et al. Artificial intelligence predicts disk re-herniation following lumbar microdiscectomy: development of the "RAD" risk profile. Eur Spine J. 30 (8), 2167-2175 (2021).
  14. Berg, B., et al. Machine learning models for predicting disability and pain following lumbar disc herniation surgery. JAMA Netw Open. 7 (2), e2355024(2024).
  15. Suthar, P., Patel, R., Mehta, C., Patel, N. MRI evaluation of lumbar disc degenerative disease. J Clin Diagn Res. 9 (4), TC04-9(2015).
  16. Li, R., et al. Comparative analysis of percutaneous endoscopic interlaminar discectomy for highly downward-migrated disc herniation. J Orthop Surg Res. 18 (1), 602(2023).
  17. Han, M., Liu, L., Hu, M., Liu, G., Li, P. Medical expert and machine learning analysis of lumbar disc herniation based on magnetic resonance imaging. Comput Methods Programs Biomed. 213, 106498(2022).
  18. Jordan, M. I., Mitchell, T. M. Machine learning: Trends, perspectives, and prospects. Science. 349 (6245), 255-260 (2015).
  19. Tibshirani, R., et al. Strong rules for discarding predictors in lasso-type problems. J R Stat Soc Series B Stat Methodol. 74 (2), 245-266 (2012).
  20. Panda, A., Datar, R., Deshpande, S., Bacher, G. Enhancing pH prediction accuracy in Al2O3 gated ISFET using XGBoost regressor and stacking ensemble learning. Sci Rep. 15 (1), 19197(2025).
  21. Balki, I., et al. Sample-size determination methodologies for machine learning in medical imaging research: A systematic review. Can Assoc Radiol J. 70 (4), 344-353 (2019).
  22. Chiu, P. F., et al. Machine learning assisting the prediction of clinical outcomes following nucleoplasty for lumbar degenerative disc disease. Diagnostics (Basel). 13 (11), 1863(2023).
  23. Jia, M., et al. Development and validation of a nomogram predicting the risk of recurrent lumbar disk herniation within 6 months after percutaneous endoscopic lumbar discectomy. J Orthop Surg Res. 16 (1), 274(2021).
  24. Li, Y., et al. Adjuvant surgical decision-making system for lumbar intervertebral disc herniation after percutaneous endoscopic lumbar discectomy: A retrospective nonlinear multiple logistic regression prediction model based on a large sample. Spine J. 21 (12), 2035-2048 (2021).
  25. Siemionow, K., An, H., Masuda, K., Andersson, G., Cs-Szabo, G. The effects of age, sex, ethnicity, and spinal level on the rate of intervertebral disc degeneration: a review of 1712 intervertebral discs. Spine (Phila Pa 1976). 36 (17), 1333-1339 (2011).
  26. Choi, G., Lee, S. H., Raiturker, P. P., Lee, S., Chae, Y. S. Percutaneous endoscopic interlaminar discectomy for intracanalicular disc herniations at L5-S1 using a rigid working channel endoscope. Neurosurgery. 58 (1 Suppl), ONS59-ONS68 (2006).
  27. Yu, C., et al. Risk factors for recurrent L5-S1 disc herniation after percutaneous endoscopic transforaminal discectomy: A Retrospective Study. Med Sci Monit. 26, e919888(2020).
  28. Shi, H., Zhu, L., Jiang, Z. L., Wu, X. T. Radiological risk factors for recurrent lumbar disc herniation after percutaneous transforaminal endoscopic discectomy: A retrospective matched case-control study. Eur Spine J. 30 (4), 886-892 (2021).
  29. Ren, G., et al. Machine learning predicts recurrent lumbar disc herniation following percutaneous endoscopic lumbar discectomy. Global Spine J. 14 (1), 146-152 (2024).
  30. Wilke, H. J., et al. ISSLS prize winner: A novel approach to determine trunk muscle forces during flexion and extension: A comparison of data from an in vitro experiment and in vivo measurements. Spine (Phila Pa 1976). 28 (23), 2585-2593 (2003).
  31. Schmidt, H., et al. Application of a new calibration method for a three-dimensional finite element model of a human lumbar annulus fibrosus. Clin Biomech (Bristol). 21 (4), 337-344 (2006).
  32. Leven, D., et al. Risk factors for reoperation in patients treated surgically for intervertebral disc herniation: A AR SPORT Data. J Bone Joint Surg Am. 97 (16), 1316-1325 (2015).
  33. Fritzell, P., Knutsson, B., Sanden, B., Strömqvist, B., Hägg, O., et al. Recurrent versus primary lumbar disc herniation surgery: Patient-reported outcomes in the Swedish Spine Register Swespine. Clin Orthop Relat Res. 473 (6), 1978-1984 (2015).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Теги

L5 S1

Эта статья была опубликована

Видео скоро будет доступно

Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.