作者：昆明医科大学第一附属医院骨科 黄靖
骨质疏松性椎体压缩骨折（OVCFs）是由于原发性骨质疏松症导致椎体骨密度和骨质量下降，骨强度减低，在轻微外伤甚至没有明显外伤的情况下即发生的压缩骨折。椎体强化术在缓解OVCFs症状方面已取得较为满意的疗效，但术后并发症的发生仍然不可忽视，常见的术后并发症包括术后残余腰背痛、骨水泥渗漏和再发椎体骨折，这些并发症严重影响患者的生活质量。因此，如何识别并预防并发症的发生，成为亟待解决的问题。为此，许多学者展开了研究，开发了多种预测模型，以期更好地评估并发症风险。在这些模型中，既有基于Logistic回归和Lasso回归的经典预测模型，也有近年来随着人工智能技术发展而兴起的机器学习算法预测模型。这些模型各有特点，共同为医疗决策提供了有力的支持。笔者对OVCFs椎体强化术后常见并发症的预测模型进行归纳总结，旨在为临床工作者提供有关预防并发症的参考思路，以建立更符合临床实际的预测模型。
术后残余腰背痛
定义与危险因素 术后残余腰背痛是指患者在接受了椎体强化手术治疗后仍然持续感受到中度至重度的腰背部疼痛，其发生率为1.8%~15.6%。术后残余腰痛会降低患者的生活质量，增加其经济负担。多项研究表明，低体质量指数（BMI）、腰背筋膜损伤、低骨密度（BMD）、高术后椎体高度恢复率、高术后Cobb角改善率等可能是术后残余腰背痛的潜在危险因素。
基于Logistic回归的预测模型 Yu等通过Logistic回归分析了236例患者，以抑郁、椎管内真空裂、未接受抗骨质疏松治疗、骨水泥用量<3mL、骨水泥分布情况5个危险因素建立列线图，受试者工作特征（ROC）曲线的曲线下面积（AUC）为0.83。徐耀等通过分析136例患者，筛选出年龄、美国麻醉医师协会（ASA）分级、吸烟、胸腰筋膜损伤、BMD、骨水泥注入量和骨水泥渗漏7个危险因素建立列线图，一致性指数（Cindex）为0.814（95%CI：0.704～0.913）。裘小康等也通过年龄、文化程度、心理疾病、吸烟、BMD、ASA分级、骨水泥注入量和骨水泥渗漏8个危险因素建立了列线图，Cindex为0.826（95%CI：0.714～0.902）。廖邦强等通过术前骨密度、腰背筋膜损伤、椎体裂隙征、骨水泥分布4个危险因素构建了术后残余腰背痛列线图，C-index为0.871。上述四个模型均指出骨水泥的使用对术后残留的腰背部疼痛有影响，强调了手术过程中严格规范骨水泥应用的重要性。此外，Yu等和裘小康等的模型还揭示了心理疾病可能作为一个新的风险因素，为后续的相关研究提供了新的思路与方向。但上述文献都是单中心研究，还需进行多中心外部验证进一步评估模型预测效能。成昌桂等对302例患者的MRI检查数据进行了分析，将后筋膜水肿和椎旁肌变性分级纳入模型，模型的AUC为0.845（95%CI：0.778～0.896）。该模型从影像学的角度为术后残余腰背痛提供了新的解释，有一定的创新性，后续可以与机器学习相结合，进一步完善模型。
Yang等对98例患者的数据进行了分析，采用多因素Logistic回归分析，纳入年龄、病程、骨折位置、骨折类型、骨水泥体积＜5mL、节段性后凸6个危险因素，根据比值比（OR）的相对大小建立每个因素的加权评分，分值范围0～9分，预测评分系统的最佳cut-off值为5分，随后进行了45例的前瞻性随访，结果显示该评分系统预测术后残留腰背痛的敏感性和特异性在推导集分别为84.21%和87.34%，在验证集分别为78.57%和83.87%，具有较好的区分度。该评分模型简化了评分难度，对结果进行了直观的分析，≤4分为术后残余腰背痛低风险，≥5分为高风险。然而，其不足之处在于对具体发生风险的预估准确性不如列线图。后续可以进行前瞻性研究，验证该评分系统的可靠性，并基于此为不同风险人群制订相应的治疗方案，或者使用更先进的统计方法来优化现有因素的分值权重分配。
基于Lasso回归的预测模型 Tu等对因OVCFs行双侧椎弓根入路经皮椎体后凸成形术（PKP）治疗的267例患者进行分析，根据患者术后第一天的视觉模拟量表（VAS）评分结果，将患者分为腰痛组（VAS评分≥4分）和非腰痛组（VAS评分＜4分），通过Lasso回归筛选出筋膜水肿、椎内真空裂隙、从骨折到手术的时间、肌肉减少症和棘间韧带变性5个危险因素并建立列线图，在训练集和验证集中AUC分别为0.844（95%CI：0.772～0.917）和0.842（95%CI：0.744～0.940）。林渺满等通过Lasso回归分析377例患者，将术前低BMD、术前胸腰筋膜损伤、术前腰椎间盘突出症、术中小关节损伤、术后骨水泥未完全黏合骨折线5个危险因素纳入Logistic回归，绘制列线图，AUC为0.838。田龙等对228例患者的数据进行了Lasso回归筛选，在剔除椎体中间高度恢复情况、CT值和软组织封闭后，将既往腰伤、骨折严重程度、皮质断裂、骨水泥-椎体比、椎体前缘高度恢复情况、骨水泥渗漏和骨水泥分布7个危险因素纳入Logistic回归并绘制列线图，AUC为0.900（95%CI：0.824～0.976）。上述研究模型均采用Lasso回归对变量进行筛选，使得变量数量更精简、质量更高，展示了Lasso回归在处理高维数据时的优势，相较于常见的Logistic回归模型更有代表性，但仍需进行多中心研究等外部验证以进一步评估其预测效能。
骨水泥渗漏
定义及危险因素 骨水泥渗漏是指椎体强化术时注入的骨水泥超出椎体范围，出现在其他组织内，其发生率约9.1%，是影响手术质量的关键因素。发生骨水泥渗漏既有患者自身固有的原因，如椎体周壁结构不完整及骨折椎体的压缩程度高等，也有医疗操作方面原因，包括骨水泥与椎体体积之间的比例问题、骨水泥灌注技术的精湛程度不佳以及穿刺与椎体扩张手法等因素。
基于Logistic回归的预测模型 Zhang等对268例患者资料进行了Logistic回归分析，以手术延迟、术前椎体压缩比和上终板断裂3个危险因素建立椎间盘内骨水泥渗漏的列线图，C-index为0.75。谭海涛等对295例患者进行了单因素及多因素Logistic回归分析，将骨水泥量、手术时间、椎体骨折数纳入列线图，十折交叉验证显示列线图的预测性能良好，平均AUC值为0.789。葛绍勇等对154例患者进行了分析，以重度骨折、CT值≤63、皮质断裂、骨水泥黏度低4个危险因素建立列线图，C-index为0.785。高畅等对252例患者进行了分析，以皮质缺损、大剂量骨水泥量和低BMD值4个危险因素建立模型，AUC为0.751。谢涛等对140例患者进行分析，以年龄、骨折严重程度、椎体内裂、骨水泥黏度低4个危险因素建立模型，C-index为0.711。韩毅等对236例患者进行了分析，以年龄、骨密度、椎体压缩程度、椎体终板/后壁完整程度、骨水泥黏度低、骨水泥注射量6个危险因素建立模型，C-index为0.802。李文乐等对385例患者进行了分析，以骨水泥注射量、手术时间以及椎体骨折数3个危险因素建立模型，AUC为0.683。上述7个模型均强调了骨水泥性质和使用量的重要性，提示临床医生不仅要从骨水泥的材料和工艺上进行改进，还需在术前对骨水泥的使用量进行科学规划，以避免过多注射带来的风险。合理控制骨水泥的用量不仅可以减少渗漏的可能性，还能优化手术效果。虽然现有的模型有一定的预测能力，但仍需进一步优化和外部验证，以确保其广泛适用性和可靠性。
基于机器学习的预测模型 Hu等对425例患者的资料进行了Logistic回归分析，筛选出皮质破坏、椎基底孔征、骨折类型和骨水泥体积作为骨水泥渗漏的4个危险因素，通过对比6个机器学习模型，最终基于决策树模型的XGBoost，AUC为0.8819，准确率为0.8025，召回分数为0.7872，F1分数为0.8315，精确度分数为0.881，具有较强的区分能力和较高的预测准确性。Li等同样使用多因素Logistic回归对385例患者的资料进行了分析，筛选出骨水泥注射量、手术时间与多个椎体骨折3个危险因素，使用6个机器模型进行分析比较，最终随机森林模型的AUC最高，为0.898。这两项研究引入了机器学习模型来预测骨水泥渗漏的风险，标志着从传统的统计学方法向更复杂的算法转变。利用机器学习能够处理更多的变量，并可能发现传统方法难以捕捉的非线性关系。Hu等的研究通过引入XGBoost模型，提供了一种强大的预测工具，而Li等的研究则证明了随机森林模型在这一领域的有效性。未来的研究可以通过多中心验证和更多样化的数据集来进一步评估这些模型的稳定性和适用性。
Xi等基于1250例患者的术前CT和MRI数据，通过使用深度学习模型训练和验证回顾性内部数据集，并使用前瞻性的内部数据集和跨中心外部数据集进行验证，旨在用于术前预测骨水泥渗漏的发生，具有很好的临床适用性，可以帮助医生进行充分的术前规划，从而减少术后骨水泥渗漏的发生。但此模型仅基于影像学数据，一方面充分利用了深度学习自主学习的优势，但另一方面也忽视了可能影响骨水泥渗漏发生的其他因素，后续研究应结合其他因素对模型进行优化，进一步验证其可靠性。
再发椎体骨折
定义及危险因素 再发椎体骨折是指椎体强化术后患者出现其他节段椎体压缩骨折或手术椎体再骨折，其发生率为12%～52%，其原因可归结于患者自身情况相关的自然进程及手术技术相关因素两方面。骨质疏松的严重程度、BMI、首次骨折椎体部位、骨水泥渗漏、伤椎恢复高度、术后抗骨质疏松治疗等可能是再发椎体骨折的潜在影响因素。
基于Logistic回归的预测模型 Nie等对611例患者进行了单因素及多因素Logistic回归分析，用年龄较大、BMD较低、吸烟、术后轻微创伤和缺乏抗骨质疏松治疗5个危险因素建立列线图，在训练集（AUC：0.781，95%CI：0.731～0.831）和验证集（AUC：0.786，95%CI：0.708～0.863）中均具有良好的预测准确性。罗锟等对224例患者进行了单因素及多因素分析，将高龄、椎旁肌横截面积/椎体肌横截面积值降低、胸腰段骨折、骨水泥注射剂量、骨水泥渗漏、注射后呈团块状6个危险因素建立列线图，AUC为0.988。有许多学者也使用相同的方法，建立了相应的预测模型，都具有良好的预测准确性。年龄、BMD、吸烟史、术中操作细节等因素对术后再发骨折的发生有重要影响。相关的Logistic模型已较成熟，未来的研究应继续探索新的潜在危险因素，并进一步验证现有因素的重要性。Takahashi等对109例患者进行了Logistic回归分析，通过骨折部位、是否存在陈旧性椎体骨折（OVF）、术前骨折椎体成角和矫正率的OR赋分，如果评分为0～1分，则不会发生再发骨折；2分，发生概率为32%；3分，为47%；4分，72%；5～6分，100%。该模型引入了评分系统，降低了使用难度，但该研究随访时间较短，仅为6个月，而在术后1~2年为再发骨折高峰期。因此，后续应继续随访，以验证模型的可靠性。
基于Lasso回归的预测模型 Zheng等对357例患者进行了Lasso回归分析，用骨水泥渗漏、骨水泥不均匀分散和终板骨折破坏3个危险因素建立模型，在训练集（AUC=0.983）和验证集（AUC=0.958）中均具有良好的预测准确性。潘彬等对611例患者进行了多因素Logistic回归分析，用年龄、BMI、BMD、骨水泥注射量和骨水泥渗漏5个危险因素建立模型并绘制列线图，预测模型的AUC值为0.945（95%CI：0.897～0.993）。Li等和Mao等也使用Lasso回归建立了相应的预测模型，都有较好的预测能力。骨水泥相关的因素、患者个体特征以及手术相关因素是重要的预测指标，为临床医生提供了明确的方向来优化术前规划和手术操作。Liu等基于101例患者的MRIT1加权资料，使用线性判别分析（LDA）、多层感知器（MLP）和随机梯度下降（SGD）分类器开发了不同的放射组学模型，3个模型都表现出较好的预测能力；在验证集中，基于SGD分类器的放射组学模型的性能更优，并通过Lasso回归构建了一个列线图，在测试集和验证集中AUC分别为0.810（95%CI：0.773～0.843）和0.754（95%CI：0.714～0.791），具有良好的预测性能。该研究还引入了影像组学这一新兴领域，从MRI图像中提取定量特征，并将其用于预测模型。这种方法能够捕捉到传统视觉评估无法识别的细微变化，从而提高预测的准确性。但由于人体生理结构的不同，无法特异性提取影像组学特征。后续针对分割影像算法的优化以及模型样本的增加，或许可以使该模型具有更好的普适性。
基于机器学习的预测模型 Zhu等通过对比来自3家不同医院的383例患者，对骨代谢相关实验室检查进行单因素及多因素分析，I型前胶原的N端前肽（T_P1NT）为再发骨折的独立危险因素；同时使用患者的CT资料，通过专门用于图像分割的深度学习模型U-net3D来自动切割感兴趣区域（ROI），对比仅保留ROI的3D_RoiOnliy模型、仅使用T_P1NT的T_P1NT模型，以及保留整个ROI区域及其周围的背景的3D_Full三个模型，得出3D_Full预测能力更优。CT扫描图像因其出色的同质性和真实性，能够精确展现椎体松质骨的细微结构，结合机器学习在图像识别领域的优越性，增强了影像学数据在预测再骨折风险方面的效能。然而，当前模型仅依赖于单一的临床检验指标进行对比分析，这在一定程度上限制了其说服力和实用性。为了提升模型的应用价值及预测准确性，未来的研究应当致力于将影像学数据与更多元化的临床指标相结合，以此为基础进行更深入的综合分析。
小结与展望
预测OVCFs椎体强化术后并发症是一个复杂且多维度的问题。虽然现有的模型已经展示了良好的预测性能，但目前的研究大多缺乏外部验证。此外，鲜有研究利用其他学者建立的模型进行独立的预测尝试。因此，仍需进一步的研究和发展，特别是在标准化、跨学科合作和多中心验证等方面的努力，以实现更为精准和个性化的医疗服务。
为了更好地管理接受OVCFs椎体强化术后的患者，未来的研究设计可从以下几个方面展开：①广泛收集并整合国内外关于OVCFs及其术后并发症的数据；②尝试加入时间变量；③利用机器学习、深度学习等先进算法，减少模型偏差，提高预测的准确性；④设计多中心、大样本的研究；⑤对其他术后并发症进行研究，更加全面地管理OVCFs患者。相信在不久的将来，能够建立起一套科学、高效、个性化的OVCFs管理体系。
来源：中国脊柱脊髓杂志2025年第35卷第2期
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
