Page 111 - 临床诊疗与护理

第三章 脊柱外科新技术发展

滑脱患者和同等数量徒手内固定手术的腰椎滑脱患者进行比较，后者置钉不良
（B+C+D 级）的比例（15/144，10.4%）显著高于前者（2/165，1.2%）（P<0.05），
而临床可接受（A+B）和显著错位（C+D）两组差异无统计学意义（P>0.05），

认为机器人辅助置钉相较于徒手置钉对置钉精度有明显的技术优势，并可能有增
加微创手术的趋势，但未来仍需更大样本量和多中心的研究进一步验证该结论。
Luengo-Matos 等分析归纳了 11 篇比较机器人系统和徒手置钉在脊柱融合手术中
应用结局的研究，但并未能从中发现两者在某些方面具有显著性差异。此外，文

献中对术后并发症、辐射暴露风险、成本效益以及残疾 / 生活质量相关疗效指标
的研究资料较少，在一定程度上影响了评价的客观性，未来还需进一步对不同患
者群体、机器人类型和生活质量变量进行研究。

三、预后判断与风险评估

现阶段脊柱外科医生主要是依靠已有文献、广泛培训和自身临床经验向患者
提供手术风险和收益建议。研究者多采用较简单的统计学方法，如线性回归或逻
辑回归，以计算出不良事件发生的平均水平，用于单个患者手术疗效评估的效能

较低，前瞻性不足。机器学习技术基于机器学习的方法能够建模非线性关系和交
互作用，处理大量不同变量产生的丰富数据，生成对特定结果的高精度预测，与
传统的统计建模相比，机器学习在复杂环境下的适用性更强。

Wirries 等开发了一种深度学习算法以预测腰椎间盘突出症患者接受手术
或保守治疗 6 个月后的 Oswestry 功能障碍指数（Oswestry disability index，
ODI），对 60 例患者（33 例行手术治疗，27 例行保守治疗）的资料进行了分
析，其中效果最好的模型预测的个体 ODI 值与其实际值之间的最大绝对差异仅
为 3.4%。同时，该算法也能对同一患者拟行不同治疗形式（手术或保守治疗）

后 6 个月的 ODI 值进行预测，以此可先期筛选出那些从保守治疗中获益超过手
术治疗的患者，避免不必要的手术，为临床医师提高术前决策能力和术后健康指
导水平带来可能。Yagi等建立了预测LSS患者腰椎减压术后结果的机器学习模型，

多达 68 个术前变量和 5 个手术相关变量被纳入，在测试中该模型表现出良好的
准确性和适应性。
Liew 等比较了 4 种不同建模技术在预测神经根型颈椎病患者预后中的性能，
认为 AI 技术的临床应用价值独特且重要。风险评估亦是脊柱疾病术后管理中重

99