PEID ameliyatı sonrası L5-S1 disk herniasyonu nüksünü tahmin etmek için makine öğrenimi modelleri geliştirildi ve 309 hastadan elde edilen veriler analiz edildi. Temel öngörücüler arasında BMI ve PDHI bulunurken, rastgele orman ve aşırı gradyan artırma modelleri en iyi performansı gösteriyordu.
Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.
Araştırma makalesi
L5-S1'de Lomber Disk Hernisi Nüksünün İnterlaminar Yaklaşımla Endoskopik Diskektomiye Dayalı Makine Öğrenmesi ile Tahmini
Bu makalede
Özet
Özet
Bu çalışma, L5-S1 lomber disk herniasyonu için minimal invaziv bir tedavi olan perkütan endoskopik interlaminar diskektomi (PEID) sonrası L5-S1 düzeyinde tekrarlayan lomber disk herniasyonunu (rLDH) tahmin etmek için makine öğrenmesi (ML) modelleri geliştirmeyi amaçladı. Ocak 2020 ile Haziran 2024 arasında en az 6 aylık takiple tek düzey L5-S1 PEID uygulanan 309 hastanın verileri analiz edildi. Klinik kayıtlar, preoperatif görüntüleme ve vizüel analog skala (VAS) skorları kullanıldı. LASSO regresyonu temel öngörücüleri belirledi ve altı makine öğrenimi modeli oluşturuldu: destek vektör makinesi (SVM), karar ağacı (DT), uyarlanabilir artırma (ADA), ışık gradyanı artırma makinesi (LGBM), rastgele orman (RF) ve aşırı gradyan artırma (XGB). Hastaların %10.7'sinde %≥60 VAS azalması olarak tanımlanan rLDH görüldü, bunu semptom nüksü ve görüntüleme doğrulaması izledi. Anahtar belirleyiciler arasında Vücut Kitle İndeksi (VKİ), arka disk yükseklik indeksi (PDHI), omurilik kanalı darlığı, hastalık süresi, uyuşma veya güçsüzlük, Modik değişiklikler, fıtık tipi ve diyabet vardı. RF ve XGB modelleri en iyi performansı gösterdi. Daha yüksek VKİ, Daha yüksek PDHI, omurilik kanal darlığı, altı aydan fazla hastalık süresi, Modik değişiklikler, kontrol altına alınamayan fıtıklaşma ve diyabet rLDH riskini artırdı. Her iki model için de değişken önem derecelendirildi. rLDH'yi ameliyat öncesi tahmin etmek, karar vermeyi iyileştirebilir ve PEID sonrası nüks riskini azaltabilir, makine öğrenimi modelleri doğruluğu artırır ve kritik risk faktörlerini belirler.
Giriş
Perkütan endoskopik lomber diskektomi (PELD), perkütan endoskopik transforaminal diskektomi (PETD) ve perkütan endoskopik interlaminar diskektomi (PEID) gibi çeşitli teknikleri kapsar ve lezyonun konumuna ve hastanın bireysel anatomik özelliklerine bağlı olarak cerrahi yaklaşım seçimi yapılır1. Tekrarlayan bel fıtığı (rLDH), PELD'yi takiben reoperasyonun en sık nedenlerinden biridir ve insidansı %0 ile %12,5 arasında değişmektedir2,3. Minimal invaziv bir teknik olan PEID, L5-S1 düzeyinde disk herniasyonu gibi bel rahatsızlıklarının tedavisinde yaygın olarak uygulanmaktadır. Minimal travma, kısa hastanede kalış süresi ve hızlı postoperatif iyileşme gibi avantajları, hem klinisyenler hem de hastalar tarafından oldukça tercih edilmesini sağlamıştır4. Bununla birlikte, endoskopik tekniklerin cerrahi travmayı azaltmada ve hızlı iyileşmeyi teşvik etmedeki önemli faydalarına rağmen, bazı hastalar hala ameliyat sonrası tekrarlayan disk herniasyonu sorunuyla karşı karşıyadır5.
Bel fıtığının nüksü, disk dejenerasyonunun derecesi, arka disk yüksekliği, Modik değişiklikler (uç plaka iltihabı) ve uç plaka6 ile yakın temas halinde olan alanlar dahil olmak üzere birçok faktörle yakından ilişkilidir. Ek olarak, VKİ'nin ameliyat sonrası iyileşme üzerinde önemli bir etkisi vardır ve çalışmalar, daha yüksek VKİ'ye sahip hastaların tipik olarak daha yüksek nüks riskiyle karşı karşıya olduğunu göstermektedir5. Disk dejenerasyonunun derecesini değerlendirmek için önemli bir gösterge olan intervertebral disk yükseklik indeksi yaygın olarak kullanılmaktadır. Ön ve arka disk kenarlarının yüksekliğinin iki omur gövdesinin merkez mesafesine bölünmesi olarak tanımlanır. Bununla birlikte, disk herniasyonu ve postoperatif nüks için, ön ve arka sınırlardaki stres dağılımı nedeniyle, arka disk yükseklik indeksi rLDH7'yi öngörmede daha kritiktir. Ameliyat sırasında nükleus pulpozusun tam olarak çıkarılmaması, işlem sırasında bazı disk dokularının tamamen çıkarılması zor olduğundan, rezidüel postoperatif semptomların birincil nedenlerinden biridir8. Modik değişiklikler uç plaka hasarına ve inflamatuar yanıtlara yol açarak mekanik instabiliteye neden olur. İçermediği disk herniasyonlarında nükleus pulpozus ve kıkırdak bileşenleri, uç plakanın ve intervertebral diskindejenerasyonunu şiddetlendirebilir 8,9. Spinal kanal darlığı, özellikle füzyon10 olmadan basit dekompresyon cerrahisi geçiren hastalarda rLDH insidansı ile ilişkilidir. Ayrıca, sağlıksız yaşam tarzı alışkanlıkları, kardiyovasküler hastalıklar ve diyabet gibi metabolik bozukluklar disk iyileşme süresini önemli ölçüde uzatarak tekrarlama ve ağrı riskini artırır11,12. Bu nedenle, bu çalışmanın ilk amacı, L5-S1 segmentinde PEID sonrası rLDH ile ilişkili risk faktörlerini daha fazla araştırmaktır.
Son yıllarda, yapay zeka (AI) ve makine öğrenimi teknolojilerindeki gelişmeler, tıbbi analiz için yeni olanaklar yarattı. Omurga ile ilgili araştırmalarda yapay zeka ve makine öğreniminin uygulanması önemli ölçüde artmıştır 13,14. En yüksek üst vücut ağırlığını taşıyan ve benzersiz biyomekanik özelliklere sahip olan en alt bel segmenti olan L5-S1, lomber disk herniasyonu için yaygın bir bölgedir. Hastanın lomber MRG T2 sekansına dayanarak (intervertebral disk görüntüleme için yüksek duyarlılığı nedeniyle, en kritik değerlendirme aracı olarak hizmet eder), BT ve X-ışını incelemeleri ile birlikte, hastanın intervertebral diskleri hakkında daha fazla patofizyolojik bilgi elde edilebilir ve bu da rLDH15'in daha net bir şekilde anlaşılmasına yol açar. Klinik pratikte, L5-S1 bölgesinin kendine özgü anatomik yapısı ve çeşitli potansiyel komplikasyonlar göz önüne alındığında, postoperatif nüks risk faktörlerini doğru bir şekilde tahmin etmek önemli bir zorluk olmaya devam etmektedir16,17.
Makine öğrenimi, hastalık tahmini ve risk değerlendirmesinde önemli bir rol oynayan Random Forest ve Gradient Boosting gibi algoritmalarla tıp alanında yaygın olarak uygulanmaktadır18. LASSO regresyonu, değişken seçimi ve katsayı büzülmesi için L1 düzenleme mekanizması aracılığıyla, yüksek boyutlu verilerdeki özellik seçimi ve aşırı öğrenme sorunlarını ele almak için kullanılır19. Şebeke arama algoritması, hiper parametre uzayını kapsamlı bir şekilde araştırır, her model için en uygun hiper parametre kombinasyonunun tanımlanmasını kolaylaştırır, böylece tahmin kabiliyetini ve kararlılığı geliştirir20. Bu bağlamda, Python ve R gibi ana akım yapay zeka dillerinde uygulanan makine öğrenimi algoritmaları, 240 vakayı aşan bir örneklem büyüklüğüne dayandığında, yapay zeka modelleri oluşturmak için kullanılabilir21. Değişken seçimi ve model oluşturma için LASSO regresyonu gibi teknikler kullanılarak, hataları en aza indirmek ve tahmin doğruluğunu en üst düzeye çıkarmak için ızgara arama algoritmaları kullanılır, böylece model kararlılığını artırır.
Bu çalışmada, L5-S1 hastalarında çeşitli risk faktörlerini istatistiksel olarak analiz ederek ve ölçerek, klinik bilgiler (örneğin, yaş, BMI) ve görüntüleme değişkenleri (örneğin, disk yüksekliği, arka disk yükseklik indeksi) dahil olmak üzere çok boyutlu verileri entegre ederek daha doğru bir öngörücü model geliştirmeyi amaçlamaktadır. Bu çalışmanın ikinci amacı, hastaların preoperatif nüks riskini değerlendirmek, model performansını değerlendirmek ve çeşitli risk faktörlerinin önemini vurgulamaktır.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Protokol
Bu çalışma, Nantong First People's Hospital Kurumsal Etik Kurulu tarafından onaylanan retrospektif bir analizdir. Deneme ClinicalTrials.gov tarihinde tescil edilmiştir (Kayıt Numarası: NCT06833099). Tüm katılımcıların sağlık bilgileri anonim hale getirildiğinden, bilgilendirilmiş onam gerekli değildi. Kullanılan sarf malzemeleri ve ekipmanlar Malzeme Tablosunda listelenmiştir.
1. Çalışma popülasyonu
Çalışmaya, 1 Ocak 2020 - 30 Haziran 2024 tarihleri arasında Nantong First People's Hospital'da L5-S1 disk hernisine bağlı bel ağrısı ve bacak ağrısı nedeniyle perkütan endoskopik interlaminar diskektomi (PEID) uygulanan 436 hastanın klinik verileri ve ameliyat öncesi görüntüleme kayıtları yer aldı. Dışlama kriterlerine dayanarak, sonuçta 309 hasta dahil edildi ve bunların arasında tekrarlayan lomber disk herniasyonu (rLDH) postoperatif Görsel Analog Skala (VAS) skorları ve takip görüntülemesi ile doğrulandı. 309 hastanın 33'ü ameliyat sonrası rLDH yaşarken, geri kalan 276'sında bel ve bacak ağrısında önemli bir rahatlama vardı ve VAS skorları `'ın üzerinde azaldı. Tüm katılımcılar için görüntüleme değişkenleri, cinsiyet, yaş, boy, kilo, VKİ, VAS skorları ve diğer ilgili değişkenler dahil olmak üzere ayrıntılı klinik bilgilerle birleştirilerek ameliyat öncesi röntgen, BT ve MRG incelemelerinden elde edildi (Şekil 1).
2. Dahil etme ve hariç tutma kriterleri
rLDH için dahil edilme kriterleri: (1) Tek segmentli PE uygulanan L5-S1 lomber disk herniasyonu olan hastalar. (2) Ameliyat öncesi bir ay içinde tamamlanan kapsamlı görüntüleme tetkikleri. (3) Ameliyat sonrası VAS skorunda azalma %≥60, ardından skorda artış ve görüntüleme ile doğrulama. (4) Görüntülemede başka bir anormallik tespit edilmedi. (5) En az 6 aylık takip süresi.
Non-rLDH için dahil edilme kriterleri: (1) Tek segmentli PE uygulanan L5-S1 lomber disk herniasyonu olan hastalar. (2) Ameliyat öncesi bir ay içinde tamamlanan kapsamlı görüntüleme tetkikleri. (3) Ameliyat sonrası VAS skorunda azalma %≥60, nüks olmadan. (4) Görüntülemede başka bir anormallik tespit edilmedi. (5) En az 6 aylık takip süresi.
Dışlama kriterleri: (1) Disk enfeksiyonu, omurga tümörleri, metabolik kemik hastalıkları veya osteoporoz gibi bel ağrısına neden olan diğer patolojik durumların varlığı. (2) Lomber disk veya diğer omurga ameliyatlarının öyküsü. (3) Düşük görüntüleme kalitesi veya eksik muayene verileri. (4) Takip kaybı.
3. Kategorik ve sürekli değişkenler
Hastaların preoperatif klinik özellikleri ve görüntüleme verileri istatistiksel olarak analiz edildi ve ölçüldü (Tablo 1 ve Tablo 2). Temel hastalık özelliklerini, yaşam tarzı faktörlerini ve diğer değişkenleri ayırt etmek için kategorik değişkenler kullanılırken, sürekli değişkenler hastaların fizyolojik durumunu ve preoperatif görüntüleme değişikliklerini tanımlayan spesifik ölçümleri temsil etti. Önyargıyı azaltmak için sıkı kalite kontrol önlemleri uygulandı. 10 yılı aşkın klinik deneyime sahip iki radyolog ve omurga cerrahı, görüntüleme verilerinin istatistiksel analizinden ve ölçümünden sorumluydu. Karmaşık vakalar için, iki doktor veri işlemede doğruluk ve tutarlılık sağlamak için ortak istişare yoluyla sorunları çözdü.
Kategorik değişkenler şunları içeriyordu: cinsiyet, diyabet, hipertansiyon, kardiyovasküler ve serebrovasküler hastalıklar (CCD), skolyoz, spinal stenoz, tetikleyici faktörler (ör., yorucu aktivite, burkulma, soğuğa maruz kalma, darbe veya net bir tetikleyici yok), hastalık süresi (6 aydan fazla veya 6 aydan az), uyuşma veya zayıflık, çıkıntı tipi (içerilen veya içermeyen), disk dejenerasyonu (Derece I, II, III ve IV, V), bitişik disk dejenerasyonu (Derece I, II, III ve IV, V), Modik değişiklikler ve disk kalsifikasyonu.
Sürekli değişkenler: yaş, cerrahi süre, boy, kilo, vücut kitle indeksi (VKİ), maksimum disk herniasyon çapı (MDHD), arka disk yüksekliği (PDH), iki omur merkezi arasındaki mesafe (DBTVC), faset eklem oryantasyon açısı (FJOA), disk açısı (DA), sakral eğim açısı (SSA), lomber lordoz açısı (LLA) ve arka disk yükseklik indeksi (PDHI, PDHI = PDH / DBTVC).
4. Veri temizleme ve değişken seçimi
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Sonuçlar
Bel ve bacak ağrısına neden olan L5-S1 lomber disk hernisi nedeniyle perkütan endoskopik interlaminar diskektomi (PEİD) yapılan toplam 309 hasta bu çalışmaya dahil edildi. Preoperatif görüntüleme verileri, klinik fizyolojik değişkenler ve VAS skorları ile postoperatif görüntüleme ve VAS skorları toplandı. Bu hastaların 33'ü rekürren lomber disk herniasyonu grubu (rLDH grubu), 276'sı nüks olmayan grup (rLDH olmayan grup) olarak sınıflandırıldı. Preoperatif klinik ve görüntüleme verileri 14...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Tartışma
Perkütan endoskopik intervertebral diskektomi (PEID), L5-S1 disk herniasyonunun tedavisinde önemli bir rol oynar ve bu da postoperatif tekrarlayan lomber disk herniasyonunu (rLDH) tahmin etmeyi son derece önemli hale getirir1,2. Görüntü seçimi ve veri temizleme aşamasında, bu çalışmada öncelikle MRG görüntüleri ölçülmüştür. Görüntü kalitesi düşük olduğunda veya görüntüler bulanık olduğunda, ek ölçümler için X-ışını veya BT tarama...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Açıklamalar
Yazarlar, araştırmanın potansiyel bir çıkar çatışması olarak yorumlanabilecek herhangi bir ticari veya finansal ilişkinin yokluğunda yapıldığını beyan ederler.
Teşekkürler
Yazarlar, maddi destekleri için onlara teşekkür eder: (Çalışma, Nanjing Tıp Üniversitesi Kangda Koleji Bilim Vakfı tarafından desteklenmiştir (Hibe No. KD2024KYJJ292). Çalışma, Nantong Üniversitesi Klinik Tıp Özel Araştırma Fonu (Hibe No. 2024JY002) tarafından desteklenmiştir. Bu çalışma, Nantong Belediye Sağlık Komisyonu'nun Bilim ve Teknoloji Projesi tarafından desteklenmiştir (hibe no. MS2024045). Bu çalışma, Jiangsu Eyaletindeki Bilim ve Teknoloji Projeleri [BE2023742), Jiangsu Geleneksel Çin Tıbbı İdaresi Projesi (hibe no. MS2023113).
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Malzemeler
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| Dizüstü Bilgisayar GPU'su | NVIDIA Corporation | N/A | |
| MRI Makinesi | Siemens Healthineers | 11672453 | Prisma 3.0T |
| MRI Makinesi | Siemens Healthineers | 10849662 | Ingenia CX 3.0T |
| MRI Makinesi | Philips Sağlık | Hizmetleri 781341 | iCT 64 dilimli Spiral CT |
| CT Makinesi | Philips Sağlık 728326 | Ysio | |
| X-ray Makinesi | Siemens Healthineers | 10092577 | 4.3.1 |
| R | The R Foundation | Açık kaynaklı yazılım; https://www.r-project.org/ adresinde mevcuttur. | |
| readxl | RStudio (Posit) | En son (CRAN) | Açık kaynaklı R paketi; CRAN aracılığıyla yükleyin (install.packages("readxl")). |
| tidyverse | RStudio (Posit) | En son (CRAN) | R paketlerinin toplanması; CRAN aracılığıyla yükleyin (install.packages("tidyverse")). |
| glmnet | CRAN katkıda bulunanlar | En son (CRAN) | Açık kaynaklı R paketi; CRAN aracılığıyla yükleyin (install.packages("glmnet")). |
| pROC | CRAN katkıda bulunanları | En son (CRAN) | Açık kaynaklı R paketi; CRAN aracılığıyla yükleyin (install.packages("pROC")). |
| zeallot | CRAN katkıda bulunanlar | En son (CRAN) | Açık kaynaklı R paketi; CRAN aracılığıyla yükleyin (install.packages("zeallot")). |
| reticulate | RStudio (Posit) | En son (CRAN) | Açık kaynaklı R paketi; CRAN aracılığıyla yükleyin (install.packages("reticulate")). |
| showtext | CRAN katkıda bulunanlar | En son (CRAN) | Açık kaynaklı R paketi; CRAN aracılığıyla yükleyin (install.packages("showtext")). |
| e1071 | CRAN katkıda bulunanlar | En son (CRAN) | Açık kaynaklı R paketi; CRAN aracılığıyla yükleyin (install.packages("e1071")). |
| rms | CRAN katkıda bulunanlar | En son (CRAN) | Açık kaynaklı R paketi; CRAN aracılığıyla yükleyin (install.packages("rms")). |
| rpart | CRAN'a katkıda bulunanlar | En son (CRAN) | Açık kaynaklı R paketi; CRAN aracılığıyla yükleyin (install.packages("rpart")). |
| şapka | CRAN'ına katkıda bulunanlar | En son (CRAN) | Açık kaynaklı R paketi; CRAN aracılığıyla yükleyin (install.packages("şapka işareti")). |
| rpart.plot | CRAN katkıda bulunanlar | En son (CRAN) | Açık kaynaklı R paketi; CRAN aracılığıyla yükleyin (install.packages("rpart.plot")). |
| randomForest | CRAN katkıda bulunanlar | En son (CRAN) | Açık kaynaklı R paketi; CRAN aracılığıyla yükleyin (install.packages("randomForest")). |
| corrplot | CRAN katkıda bulunanlar | En son (CRAN) | Açık kaynaklı R paketi; CRAN aracılığıyla yükleyin (install.packages("corrplot")). |
| PRROC | CRAN katkıda bulunanlar | En son (CRAN) | Açık kaynaklı R paketi; CRAN aracılığıyla yükleyin (install.packages("PRROC")). |
| Matrix | CRAN katkıda bulunanlar | En son (CRAN) | Açık kaynaklı R paketi; CRAN aracılığıyla yükleyin (install.packages("Matrix")). |
| dplyr | RStudio (Posit) | En son (CRAN) | Tidyverse'in bir parçası; CRAN aracılığıyla yükleyin (install.packages("dplyr")). |
| ggplot2 | RStudio (Posit) | En son (CRAN) | Tidyverse'in bir parçası; CRAN aracılığıyla yükleyin (install.packages("ggplot2")). |
| sınıf | CRAN katkıda bulunanlar | En son (CRAN) | Açık kaynaklı R paketi; CRAN aracılığıyla yükleyin (install.packages("class")). |
| ada | CRAN katkıda bulunanlar | En son (CRAN) | Açık kaynaklı R paketi; CRAN (install.packages("ada")) aracılığıyla yükleyin. |
| lightgbm | Microsoft | En Son (CRAN/GitHub) | Açık kaynak R paketi; CRAN (install.packages("lightgbm")) veya GitHub aracılığıyla yükleyin. |
| xgboost | CRAN katkıda bulunanlar | En son (CRAN) | Açık kaynaklı R paketi; CRAN aracılığıyla yükleyin (install.packages("xgboost")). |
Kaynaklar
- 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).
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Yeniden basım ve izinler
Bu makale yayımlandı
Video yakında