论文部分内容阅读
【背景与目的】颅底凹陷（Basilar invagination,BI）属于颅颈交界区（Craniocervical junction,CCJ）畸形,影像学上往往表现为齿突高于正常水平,甚至突入枕骨大孔,压迫脑干、脊髓等神经结构,进而引起相应的神经功能障碍。颅底凹陷等颅颈交界区畸形的诊断通常根据影像学资料的长度或角度参数而得出。随着影像学技术的不断发展,各种新参数推陈出新,在提高诊断效能的同时,根据影像学矢状位参数定量复位减压颅底凹陷等颅颈交界区畸形已成为趋势。然而,哪些参数显著与生活质量（Health-related quality of life,HRQOL）相关,临床医生又如何在纷繁复杂的参数中选取关键参数构建预后预测模型进行手术规划以改善患者预后,尚无定论。本研究目的是:（1）探究颅底凹陷术后斜坡斜坡角（postoperative Clivus slope,p CS）及Boogaard角（postoperative Boogaard’s angle,p Bo A）与患者报告的日本矫形外科协会（Patientreported Japanese orthopaedic association,PRO-JOA）评分恢复率（ΔPRO-JOA）之间的定量关系以指导颅底凹陷复位手术。（2）探讨应用LASSO-logistic回归分析影响颅底凹陷患者术后生活质量的因素并初步构建基于影像学矢状位参数和临床特征的预后预测模型并进行验证。（3）探讨分别应用常规logistic回归和机器学习（Machine learning,ML）算法分析颅底凹陷患者术后生活质量的预测因素,构建预测模型并评价其预测效能。【方法】回顾性分析第四军医大学唐都医院神经外科2015年8月至2020年8月期间诊断为颅颈交界区畸形的手术患者信息。引入CS。分别在术前和最后一次随访时测量包括CS及Bo A在内的23个颅颈交界区影像学矢状位参数,并记录PRO-JOA评分以评估生活质量。（1）分析颅底凹陷患者的ΔPRO-JOA与CS及Bo A等术后影像学矢状位参数的相关关系,并探究其非线性关系。（2）采用最小绝对收缩和选择运算符（Least absolute shrinkage and selection operator,LASSO）回归筛选变量,并分别基于全变量,赤池信息准则（Akaike information criterion,AIC）和多重分数多项式（Multiple fractional polynomial,MFP）构建logistic回归模型,并应用受试者工作特征（Receiver operator characteristic,ROC）曲线下面积（Area under the curve,AUC）比较各个模型,绘制最佳模型的列线图。（3）分别采用常规logistic回归和ML算法,包括人工神经网络（Artificial neural network,ANN）,朴素贝叶斯（Naive Bayes,NB）,袋装树（Bagged trees,BT）和随机森林（Random forest,RF）等算法构建模型,并根据AUC、Hosmer-Lemeshow拟合优度检验、灵敏度、特异度以及阳性预测值（Positive predictive value,PPV）和阴性预测值（Negative predictive value,NPV）等指标评价预测模型效能。【结果】研究共纳入94例颅底凹陷患者。（1）未调整模型中,CS（0.96,0.93-1.00）与ΔPRO-JOA负相关,Bo A（1.04,1.00-1.08）与ΔPRO-JOA正相关。非线性模型中,CS＜63.4°时,与ΔPRO-JOA呈负相关。当Bo A＜160.8°时,Bo A与ΔPRO-JOA呈正相关。（2）LASSO回归分析显示年龄、体重、术前疼痛数值评价量表（Numerical rating scale,NRS）评分、术前颈椎功能障碍指数（Neck disability index,NDI）、术前头颈屈曲角（Head-neck flexion angle,HNFA）、术后斜坡枢椎角（postoperative Clivoaxial angle,p CXA）、术后CS（p CS）、术后延髓脊髓角（postoperative Cervicomedullary angle,p CMA）和术后Bo A（p Bo A）等9个特征是颅底凹陷患者术后预后的影响因素。全变量logistic模型的AUC最大,为0.8931,灵敏度为79.41%,特异度为84.62%。MFP logistic模型的AUC为0.8818,逐步AIC法logistic回归模型的AUC为0.8829。（3）相较于常规logistic回归模型,ML算法并没有表现出明显的优势。根据RF算法,颅底凹陷预后的重要预测因素是p CMA、HNFA、术前寰齿间距（Atlantodental interval,ADI）、p CXA、年龄、p CS、术后颅骨入射角（postoperative Cranial incidence,p Cra I）、体重、p HNFA和p Bo A。ML算法中BT模型表现最好,AUC为0.90,灵敏度为94.12%,特异性为33.33%,而常规logistic回归模型AUC为0.89,灵敏度为89.74%,特异性为100%,ANN,RF,NB的AUC分别为0.89,0.87以及0.79。【结论】（1）术后CS及Bo A影响颅底凹陷患者的ΔPRO-JOA,可作为颅底凹陷手术规划的定量参考,其中Bo A可作为是否联合后颅窝减压的参考。（2）LASSO-logistic模型可以有效挖掘颅底凹陷患者的影像学矢状位参数及临床特征,并初步构建预后预测模型。（3）基于ML算法的预后预测模型效能和常规logistic回归模型类似,未来需要多中心大样本的前瞻性研究以改进预测模型。