基于机器学习构建中青年人群颈椎失稳临床预测模型

doi:10.12307/2025.853

中国组织工程研究 ›› 2025, Vol. 29 ›› Issue (33): 7203-7210.doi: 10.12307/2025.853

• 骨科植入物相关临床实践 Clinical practice of orthopedic implant • 上一篇下一篇

基于机器学习构建中青年人群颈椎失稳临床预测模型

李靖，路广琦，庄明辉，崔莹，俞张镜泽，孙馨悦，马明明，朱立国，于杰

中国中医科学院望京医院，北京市 100102

收稿日期:2024-08-01 接受日期:2024-10-25 出版日期:2025-11-28 发布日期:2025-04-12
通讯作者: 于杰，主任医师，博士生导师，中国中医科学院望京医院，北京市 100102
作者简介:李靖，男，1999年生，江西省抚州市人，汉族，中国中医科学院望京医院在读硕士，主要从事中西医结合治疗骨关节退行性疾病的临床及基础研究。
基金资助:
国家自然科学基金面上项目(82074455)，项目负责人：于杰；北京市科技计划首都临床诊疗技术研究及转化应用项目(Z211100002921023)，项目负责人：于杰；中国中医科学院科技创新工程重大攻关项目(CI2021A02002)，项目负责人：于杰；中国中医科学院望京医院高水平中医医院建设项目中医药临床循证研究专项(WJYY-XZKT-2023-01)，项目负责人：于杰

Development of a clinical prediction model for cervical instability in young and middle-aged adults based on machine learning

Li Jing, Lu Guangqi, Zhuang Minghui, Cui Ying, Yu Zhangjingze, Sun Xinyue, Ma Mingming, Zhu Liguo, Yu Jie

Wangjing Hospital, China Academy of Chinese Medical Sciences, Beijing 100102, China

Received:2024-08-01 Accepted:2024-10-25 Online:2025-11-28 Published:2025-04-12
Contact: Yu Jie, Chief physician, Doctoral supervisor, Wangjing Hospital, China Academy of Chinese Medical Sciences, Beijing 100102, China
About author:Li Jing, Master candidate, Wangjing Hospital, China Academy of Chinese Medical Sciences, Beijing 100102, China
Supported by:
National Natural Science Foundation of China (General Program), No. 82074455 (to YJ); Beijing Science and Technology Plan Capital Clinical Diagnosis and Treatment Technology Research and Transformation Application Project, No. Z211100002921023 (to YJ); China Academy of Chinese Medical Sciences Science and Technology Innovation Project, No. CI2021A02002 (to YJ); High-Level Chinese Medicine Hospital Construction Project Clinical Evidence-based Research Special Project of Wangjing Hospital of China Academy of Chinese Medical Sciences, No. WJYY-XZKT-2023-01 (to YJ)

摘要/Abstract

摘要：

文题释义：

颈椎失稳：是骨科的常见疾病，临床上常表现为颈肩部僵硬疼痛及活动受限、头痛头晕，有时伴有上肢的麻木疼痛等，多数患者经过休息或治疗后症状可明显缓解，但常因劳累或受风、受寒等因素而频繁复发，对患者的生活质量影响严重。
机器学习：是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

背景：颈椎失稳是中青年人群常见骨科疾病，是颈椎病早期表现，对患者生活质量影响较大。因此，早期诊断颈椎失稳以实施早期干预具有积极的临床意义和社会意义。

目的：基于机器学习构建中青年人群颈椎失稳临床预测模型，在进行X射线片检查之前，实现中青年人群颈椎失稳早期筛查。
方法：2022年9月至2023年10月通过招募广告和中国中医科学院望京医院脊柱科门诊招募155例中青年颈椎失稳受试者和88例非颈椎失稳受试者作为研究对象，基于调查问卷形式现场采集受试者一般信息、生活工作习惯、不适症状、颈痛目测类比评分、颈椎功能障碍指数、健康调查简表(SF-36)等信息，并将以上信息作为预测因子，经筛选后，以支持向量机、轻量的梯度提升机、随机森林、逻辑回归分析、自适应提升算法、极致梯度提升分类器 6种机器学习算法采用十折交叉验证方法进行模型训练，构建颈椎失稳临床预测模型，以曲线下面积为主要评价指标。将预测因子进行单因素分析，并采用SHAP方法对预测因子的重要性进行排序，以相关性热力图展现预测因子之间及其与颈椎失稳之间的线性相关程度。

结果与结论：①6种机器学习模型中，选用随机森林模型为最终预测模型，包含年龄、体质量指数、颈围/颈长、颈痛目测类比评分、颈椎功能障碍指数、SF-36健康状况量表躯体疼痛、总体健康、生命活力、精神健康评分9个预测因子，曲线下面积=0.725 4，具有良好的预测能力，可作为早期筛查中青年人群颈椎失稳的参考工具；②两组受试者的年龄、颈痛目测类比评分、颈椎功能障碍指数、SF-36健康状况量表躯体疼痛、总体健康、生命活力评分相比差异有显著性意义(P < 0.05)；③预测因子重要性排序为年龄、颈椎功能障碍指数、颈痛目测类比评分、总体健康、体质量指数、生命活力、躯体疼痛、颈围/颈长、精神健康，其中年龄、颈痛目测类比评分、颈椎功能障碍指数与颈椎失稳呈正相关，总体健康、体质量指数、生命活力、躯体疼痛、颈围/颈长、精神健康与颈椎失稳呈负相关。

https://orcid.org/0009-0000-0211-1538 (李靖)

中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

关键词: 颈椎失稳, 临床预测模型, 机器学习, 中青年人群, 预测因子

Abstract: BACKGROUND: Cervical instability is a common orthopedic disease in young and middle-aged people, and is the early manifestation of cervical spondylosis, which has a great impact on the quality of life of patients. Therefore, early diagnosis of cervical instability to implement early intervention has positive clinical and social significance.
OBJECTIVE: The clinical prediction model of cervical instability in young and middle-aged people was constructed based on machine learning to realize early screening of cervical instability in young and middle-aged people before X-ray examination.
METHODS: From September 2022 to October 2023, 155 young and middle-aged adults with cervical instability and 88 with non-cervical instability recruited through recruitment advertisements and spinal department outpatient of Wangjing Hospital, China Academy of Chinese Medical Sciences were selected as research subjects. The research subjects’ general information, living and working habits, discomfort symptoms, visual analog scale score, Neck Disability Index, and 36-Item Short Form Health Survey were collected on site based on questionnaires. The above information was used as predictive factors. After screening, six machine learning algorithms of Support Vector Machine, LightGBM, RandomForest, Logistic, AdaBoost, and XGBClassifier were used to train the model by ten-fold cross-validation method, and the clinical prediction model of cervical instability was constructed. Area under the curve was used as the main evaluation index. Univariate analysis was performed on the predictors, and SHAP method was used to rank the importance of the predictors. Correlation heat maps were used to show the degree of linear correlation between the predictors and the cervical instability.
RESULTS AND CONCLUSION: (1) Among the six machine learning models, RandomForest model was chosen as the final prediction model, including nine predictors, such as age, body mass index, neck circumference/neck length, visual analog scale score, Neck Disability Index, bodily pain, general health, vitality, and mental health, area under the curve =0.725 4, and the calibration degree was good. It could be used as a reference tool for early screening of cervical instability in young and middle-aged people. (2) There were significant differences in age, visual analog scale score, Neck Disability Index, bodily pain, general health, and vitality between the two groups (P < 0.05). (3) The order of importance of predictors was age, Neck Disability Index, visual analog scale score, general health, body mass index, vitality, bodily pain, neck circumference/neck length, mental health, among which age, visual analog scale score, Neck Disability Index were positively correlated with cervical instability, while general health, body mass index, vitality, bodily pain, neck circumference/neck length, and mental health were negatively correlated with cervical instability.

Key words: cervical instability, clinical prediction model, machine learning, young and middle-aged people, predictor

中图分类号:

李靖, 路广琦, 庄明辉, 崔莹, 俞张镜泽, 孙馨悦, 马明明, 朱立国, 于杰. 基于机器学习构建中青年人群颈椎失稳临床预测模型[J]. 中国组织工程研究, 2025, 29(33): 7203-7210.

Li Jing, Lu Guangqi, Zhuang Minghui, Cui Ying, Yu Zhangjingze, Sun Xinyue, Ma Mingming, Zhu Liguo, Yu Jie. Development of a clinical prediction model for cervical instability in young and middle-aged adults based on machine learning[J]. Chinese Journal of Tissue Engineering Research, 2025, 29(33): 7203-7210.

图/表（结果） 12

2.1 参与者数量分析共纳入155例颈椎失稳受试者和88例非颈椎失稳受试者，全部进入结果分析，无脱落。
2.2 试验流程图见图1。

2.3 临床特征单因素分析由表1可知，两组受试者的年龄、每天使用电脑时长、颈痛、头痛、头晕、肩痛、恶心、颈肩僵硬、颈痛目测类比评分、颈椎功能障碍指数、SF-36健康状况量表生理功能、生理职能、躯体疼痛、总体健康、生命活力、社会功能评分相比差异有显著性意义(P < 0.05)。

2.4 预测模型的构建支持向量机、轻量级梯度提升机、随机森林、逻辑回归分析、自适应提升算法、极致梯度提升分类器6种机器学习算法十折交叉验证的受试者工作特征曲线分布情况见图2-7，结果可知，随机森林临床预测模型性能较好，且稳定性较高。

2.5 预测模型的评价由表2可知，6种分类模型的十折交叉验证平均F1分数、平均精确率、平均召回率和平均AUC值，评价指标分别为：支持向量机模型(F1=0.716 1，精确率=0.732 9、召回率=0.703 2、AUC=0.675 8)、轻量级梯度提升机模型(F1=0.419 9，精确率=0.581 2、召回率=0.348 4、AUC=0.705 5)、随机森林模型(F1=0.632，精确率= 0.825 7、召回率=0.516 1、AUC=0.725 4)、逻辑回归分析模型(F1=0.406 3，精确率=0.743 8、召回率=0.303 2、AUC=0.671 1)、自适应提升算法模型(F1=0.700 4，精确率=0.699 2、召回率=0.703 2、AUC=0.654 2)、极致梯度提升分类器模型(F1=0.400 7，精确率=0.552 1、召回率=0.358 1、AUC=0.672 7)。随机森林模型AUC最高，为0.725 4，具有良好的预测能力。由图4可知，第1折AUC最高，为0.88，所以选取该折年龄、体质量指数、颈围/颈长、颈痛目测类比评分、颈椎功能障碍指数、躯体疼痛、总体健康、生命活力、精神健康9个预测因子构建模型。

该模型终点事件是二分类变量，C统计量与AUC相同，即以AUC评估该模型的区分度，AUC=0.725 4，该模型具有良好的区分度。
2.6 临床特征分析由图8可知，最终模型预测因子重要性排序依次为年龄、颈椎功能障碍指数、颈痛目测类比评分、总体健康、体质量指数、生命活力、躯体疼痛、颈围/颈长、精神健康。

由图9可知，年龄、颈痛目测类比评分、颈椎功能障碍指数与颈椎失稳呈正相关，总体健康、体质量指数、生命活力、躯体疼痛、颈围/颈长、精神健康与颈椎失稳呈负相关，相关性大小排序为颈椎功能障碍指数、颈痛目测类比评分、躯体疼痛、年龄、总体健康、生命活力、体质量指数、精神健康、颈围/颈长。

2.7 不良事件试验过程中243名受试者均未发生不良事件。

参考文献

[1] GUI L, SAVINI R, MARTUCCI E, et al. Diagnosis and treatment of cervical instability. Ital J Orthop Traumatol. 1982;8(2):131-144.
[2] 曾恒,周红海.颈椎生物力学平衡变化的研究进展[J].中国中医骨伤科杂志,2008(2):62-63.
[3] 李帅林,吴嘉容,孔令军.退行性下颈椎失稳症的临床诊疗进展[J].河北中医,2017,39(10):1592-1596.
[4] ZHUANG L, WANG L, XU D, et al. Association between excessive smartphone use and cervical disc degeneration in young patients suffering from chronic neck pain. J Orthop Sci. 2021;26(1):110-115.
[5] BRAITMAN LE, DAVIDOFF F. Predicting clinical states in individual patients. Ann Intern Med. 1996;125(5):406-412.
[6] 高永祥,张晋昕.Logistic回归分析的样本量确定[J].循证医学,2018, 18(2):122-124.
[7] WHITE AA, JOHNSON RM, PANJABI MM, et al. Biomechanical analysis of clinical stability in the cervical spine. Clin Orthop Relat Res. 1975; 109(1):85-96.
[8] HE S, RENNE A, ARGANDYKOV D, et al. Comparison of an Emoji-Based Visual Analog Scale With a Numeric Rating Scale for Pain Assessment. JAMA. 2022;328(2):208-209.
[9] VAISHNAV AS, GANG CH, IYER S, et al. Correlation between NDI, PROMIS and SF-12 in cervical spine surgery. Spine J. 2020;20(3):409-416.
[10] WARE JE JR, SHERBOURNE CD. The MOS 36-item short-form health survey (SF-36). I. Conceptual framework and item selection. Med Care. 1992;30(6):473-483.
[11] ALBA AC, AGORITSAS T, WALSH M, et al. Discrimination and Calibration of Clinical Prediction Models: Users’ Guides to the Medical Literature. JAMA. 2017;318(14):1377-1384.
[12] STEYERBERG EW, VICKERS AJ, COOK NR, et al. Assessing the performance of prediction models: a framework for traditional and novel measures. Epidemiology. 2010;21(1):128-138.
[13] GBD 2021 NECK PAIN COLLABORATORS. Global, regional, and national burden of neck pain, 1990-2020, and projections to 2050: a systematic analysis of the Global Burden of Disease Study 2021. Lancet Rheumatol. 2024;6(3):e142-e155.
[14] SHIM GY, CHOI J, KIM HJ, et al. Global, Regional, and National Burden of Spine Pain, 1990-2019: A Systematic Analysis of the Global Burden of Disease Study 2019. Arch Phys Med Rehabil. 2024;105(3):461-469.
[15] 王向阳,高晔,龚福太,等.不同牵引角度治疗青少年颈椎失稳症120例[J].陕西医学杂志,2019,48(1):80-82.
[16] 张丽蓉,连红强,郝莹.慢性非特异性颈痛疼痛机制研究进展[J].医学研究与战创伤救治,2023,36(9):978-981.
[17] ZHUANG L, WANG L, XU D, et al. Association between excessive smartphone use and cervical disc degeneration in young patients suffering from chronic neck pain. J Orthop Sci. 2021;26(1):110-115.
[18] 王宏岩,何亮亮,窦智,等.颈源性头痛发病机制和诊断的研究进展[J].中国疼痛医学杂志,2023,29(9):685-690.
[19] ZHANG Y, ZHOU F, SUN Y. Assessment of health-related quality of life using the SF-36 in Chinese cervical spondylotic myelopathy patients after surgery and its consistency with neurological function assessment: a cohort study. Health Qual Life Outcomes. 2015;13:39.
[20] BATTISTELLI M, MAZZUCCHI E, MUSELLI M, et al. The Role of Psychosomatic Traits in Tailored Workup for Anterior Cervical Discectomy and Fusion-A Case Series. J Pers Med. 2024;14(5):454.
[21] TRELEAVEN J. The Role of the Cervical Spine in Dizziness. J Neurol Phys Ther. 2024 1;48(4):1-10.
[22] AZODI CB, TANG J, SHIU SH. Opening the black box: interpretable machine learning for geneticists. Trends Genet. 2020;36:442-455.
[23] WANG C, TIAN F, ZHOU Y, et al. The incidence of cervical spondylosis decreases with aging in the elderly, and increases with aging in the young and adult population: a hospital-based clinical analysis. Clin Interv Aging. 2016;11:47-53.
[24] MATSUMOTO M, OKADA E, TOYAMA Y, et al. Tandem age-related lumbar and cervical ntervertebral disc changes in asymptomatic subjects. Eur Spine J. 2013;22(4):708-713.
[25] 刘承鑫,李翔宇,王宇,等.不同年龄颈椎病患者颈椎椎间盘退行性变与颈椎矢状位参数之间的关系[J].脊柱外科杂志,2022, 20(2):116-120.
[26] 夏凌,李交杰,顾一伟,等.颈围和体质指数与颈肌强度的相关性[J].解放军预防医学杂志,2013,31(5):432-433.
[27] BLIZZARD L, GRIMMER KA, DWYER T. Validity of a measure of the frequency of headaches with overt neck involvement, and reliability of measurement of cervical spine anthropometric and muscle performance factors. Arch Phys Med Rehabil. 2000;81(9):1204-1210.
[28] WU Y, WU J, QIN T, et al. Cervical facet joint degeneration, facet joint angle and paraspinal muscle degeneration are correlated with degenerative cervical spondylolisthesis at C4/5: a propensity score-matched study. Spine J. 2024:S1529-9430(24)00920-3.

引言

颈椎失稳是由于颈椎的结构和功能发生退化，在生理负荷下，解剖上超出其生理限度的位移范围，常伴随颈肩痛、头晕等一系列的不适症状，是颈椎病的重要病理阶段和主要的早期征象[1]。颈椎的稳定性是依靠动力性平衡系统和静力性平衡系统维持和平衡的。动力性平衡系统主要指脊柱周围的肌肉软组织，是脊柱运动的原始动力，又被称为外源性稳定；静力性平衡系统包括椎体、椎间盘、附件及关节囊等，又被称为内源性稳定[2]。颈椎失稳的发生是动静力平衡系统破坏的集中表现，是颈椎在各种因素下发生退变，经历动静平衡系统间反复的功能代偿与失代偿后才出现的骨性失稳表现。临床上常采用中医推拿手法治疗颈椎失稳，疗效显著，具有促进组织水肿和炎症消退、解除肌痉挛、恢复颈椎动静力稳定系统、改善颈曲、解除滑膜嵌顿、调整颈椎椎间的正常序列等作用[3]。
在当今信息化时代，随着人们生活和工作习惯的改变，国内颈椎失稳的发生率不断升高并呈年轻化趋势，特别是中青年颈椎失稳患者的就诊比率日趋升高[4]。鉴于国内中青年人群颈椎失稳的高发病率表现，且中青年是经济社会发展的生力军和中坚力量，是国家和民族的未来，中青年颈椎失稳的早期识别、预防、治疗显得尤其重要。目前临床上，颈部不适患者常进行颈椎正侧位X射线片检查，而颈椎失稳往往是通过测量颈椎X射线功能位片的相邻椎体水平位移或角度位移来诊断的，且测量上存在较大的主观性，因此容易漏诊。盲目的X射线片检查还会加重患者的经济和健康负担。
临床预测模型可以利用数学公式估计特定个体当前患有某病或将来发生某结局的概率[5]，经文献检索，目前尚无关于颈椎失稳临床预测模型的报道。因而，此次研究拟通过采集临床资料，运用机器学习算法构建中青年人群颈椎失稳临床预测模型，在未进行X射线片检查前，早期筛查颈椎失稳患者，从而进行针对性治疗，防止颈椎失稳进一步发展为颈椎病，为社会带来临床和经济效应，为中国公共卫生事业做出贡献。中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

材料方法

1.1 设计横断面研究，采用单因素分析，计量资料采用独立样本t检验或Mann-Whitney U检验，定性资料采用卡方检验。
1.2 时间及地点试验于2022年9月至2023年10月在中国中医科学院望京医院完成。
1.3 对象
1.3.1 样本量估算总样本量至少为变量数的 5-10 倍[6]，此次研究共选取35个变量，则样本量至少为175-350个，此次研究纳入243例中青年受试者作为研究对象，采用十折交叉验证方法进行模型训练，所有样本均参与了训练和验证，充分利用了样本，提高模型准确性。
1.3.2 病例选择 2022年9月至2023年10月通过招募广告和中国中医科学院望京医院脊柱科门诊招募243例中青年受试者作为研究对象，根据颈椎X射线片是否符合颈椎失稳诊断标准分为2组，颈椎失稳组155例，非颈椎失稳组88例。
此次研究已通过中国中医科学院望京医院伦理委员会审批(审批号：WJEC-KT-2021-001-P002)。所有受试者对试验方案均知情同意。
诊断标准：参照颈椎失稳诊断标准——White标准[7]，即X射线侧位片或过伸位片或过屈位片出现椎体水平位移≥3.5 mm或椎体角度位移≥11°。
纳入标准：①年龄18-45岁，不限性别；②受试者自愿参加此次研究并签署知情同意书。
排除标准：①因先天发育、创伤、肿瘤、结核、类风湿等疾病所致的颈椎失稳者及医源性失稳者；②颈椎退变严重者，例如颈椎椎体出现明显骨赘、椎间隙明显狭窄、韧带出现骨化(前纵韧带、后纵韧带等) 等；③脊柱感染、创伤骨折、肿瘤、结核、重度骨质疏松、强直性脊柱炎等；④妊娠、哺乳期妇女或备孕、盲、聋、哑、智力或精神障碍等特殊人群。
1.4 方法
1.4.1 一般资料采用横断面研究的方式，基于调查问卷形式现场采集所有受试者一般信息，主要包括年龄、性别、体质量指数、颈围/颈长、生活工作习惯、颈椎相关不适症状等。
生活工作习惯：每天工作时长(赋值：0= < 6 h，1=6-8 h，2=> 8，< 10 h，3=≥ 10 h)、每天低头时长(赋值：0= < 2 h，1=2-4 h，2=> 4 h，< 6 h，3=≥6 h)、单次低头持续时长(赋值：0= < 0.5 h，1=0.5-1 h，2=>1 h，< 1.5 h，3=≥1.5 h)、每周运动/练功频次(赋值：0=0次，1=1-2次，2=3-4次，3=≥5次)、每天运动/练功时长(赋值：0=0 h，1= < 1 h，2=1-2 h，3=> 2 h)、每天睡眠时长(赋值：0= < 6 h，1=6-8 h，2= > 8 h，< 10 h，3=≥10 h)、每天使用电脑时长(赋值：0= < 2 h，1=2-4 h，2=> 4 h，< 6 h，3=≥6 h)、每天使用手机时长(赋值：0= < 3 h，1=3-5 h，2=> 5 h，< 7 h，3=≥7 h)。
颈椎相关不适症状：是否颈痛、头痛、头晕、肩痛、恶心、心慌、耳鸣、呕吐、胸闷、视物模糊、四肢无力、四肢麻木、颈肩僵硬。其中颈痛程度采用颈痛目测类比评分评估[8]；颈椎功能障碍程度采用颈椎功能障碍指数评估[9]。健康状况调查表(36-item short form health survey，SF-36)包括8个维度[10]：生理功能、生理职能、躯体疼痛、总体健康、生命活力、社会功能、情感职能和精神健康，主要用于评估个体生活质量。SF-36量表8个维度分别记录原始分，然后利用标准公式计算成各维度标准得分，得分越高说明生活质量越高。
共纳入35个预测因子，使用单因素分析法比较颈椎失稳组和非颈椎失稳组临床特征的差异。
1.4.2 预测模型的构建采用MinMaxScaler将提取出的预测因子进行数据归一化，后对训练集采用SVMSMOTE方法进行数据重采样，对不平衡数据集中的少数类样本进行合成，以改善分类器在不平衡数据集上的性能。在模型优化过程中，首先应用Scikit-learn机器学习库中的特征选择工具select_from_model对所提取的预测因子进行初步筛选，基于指定的监督学习模型，通过衡量预测因子的重要性或相关性，自动筛选出对于模型预测性能具有显著影响的预测因子子集。经过select_from_model筛选后，按照重要性大小在实验中保留前25%的预测因子，即9个预测因子。后进一步使用递归特征消除法针对各个具体的模型筛选这些被保留的预测因子，在训练集中采用最终被保留下来的预测因子子集来训练模型。
模型训练前，首先采用网格搜索法进行超参数调优。后采用支持向量机、轻量级梯度提升机(LightGBM)、随机森林(RandomForest)、逻辑回归分析(Logistic)、自适应提升算法(AdaBoost)、极致梯度提升分类器(XGBClassifier)6种机器学习算法基于筛选得到的预测因子进行模型训练。训练采用十折交叉验证方法，每组交叉验证中，80%的数据作为训练集，20%的数据作为测试集，并绘制受试者工作特征曲线。
1.4.3 预测模型的评价计算各个模型的十折交叉验证平均受试者工作特征曲线下面积(area under curve，AUC)值、平均F1分数、平均召回率和平均精确率，同时参考受试者工作特征曲线来评价机器学习模型的分类性能。AUC越接近1，则预测模型准确性越高[11]。预测模型性能常采用区分度进行评估[12]。区分度指模型区分是否患有颈椎失稳的能力，常用的衡量区分度的指标是一致性统计量(Concordance statistics)也被称为C统计量。
1.4.4 临床特征分析使用沙普利加性解释(Shapley additive explanations，SHAP)方法，将最终模型的预测因子进行重要性排序。用热力图形式展现最终模型的预测因子与预测因子、颈椎失稳之间的线性相关程度，取值越接近于1，相关性越高。
1.5 主要观察指标 ①受试者颈椎X射线侧位片、过伸位片、过屈位片的水平位移和角度位移；②受试者临床特征的单因素分析；③颈椎失稳临床预测模型构建与评价；④构建临床预测模型的临床特征分析。
1.6 统计学分析采用SPSS 27.0软件对所得数据进行统计学分析。单因素分析时，计量资料经Shapiro Wilk检验，若满足正态分布，则采用x±s描述数据分布，组间比较采用独立样本t检验；若不满足正态分布，则采用中位数(四分位数)[M(P25，P75)]表示，组间比较采用Mann-Whitney U检验。定性资料采用频数描述数据分布，组间比较采用卡方检验。以P < 0.05为差异有显著性意义。文章统计学方法已经中国中医科学院望京医院生物统计学专家审核。

讨论

2020年全球颈痛病例数为2.03亿，到2050年全球颈痛病例数预计将达到2.69亿，将增加32.5%[13]。在美国154种疾病中，颈痛和腰痛的医疗支出最高，约为1 345亿美元[14]，此外，颈痛还会产生间接成本，如旷工和生产率降低，使其成为个人和社会的重大社会经济负担。因此需要将诊断干预点提前，在颈椎病的早期阶段进行治疗，颈椎失稳即是颈椎病早期征象。中青年人群是社会主要生产力，此次研究将研究对象聚焦于中青年人群，中青年人群颈椎X射线片特征主要以颈椎生理曲度的改变以及颈椎失稳为主，椎间隙变窄及椎体后缘增生的影像学改变较少，说明中青年人群颈椎生物力学失衡，且以动力性失衡为先。王向阳等[15]收集青少年下颈椎失稳患者120例，其中60例根据不同失稳节段选取不同牵引角度治疗，另外60例采用垂直坐位牵引治疗，同组内治疗前后水平位移与角度位移差异有显著性意义(P < 0.05)。通过针对性治疗可以矫正颈椎生物力学失衡，减少椎体水平位移与角度位移，从而延缓颈椎退行性改变。因而此次研究基于机器学习构建颈椎失稳临床预测模型，旨在早期识别诊断颈椎失稳，经针对性治疗改善颈椎稳定性，以延缓进一步发展为颈椎病。
此次研究中，患者不适症状前4名分别为颈痛(78.7%)、肩痛(53.5%)、头痛(39.3%)、头晕(34.8%)。颈肩痛可能与颈椎动静力平衡系统破坏，引起颈部深层肌群弱化，颈部浅层肌群过度代偿短缩，过度代偿引起颈肌疲劳有关[16]，也可能与颈椎椎间盘退变有关[17]。头痛可能由颈部解剖结构内的病理改变，包括椎管内、外因素如颈椎关节突关节紊乱、肌筋膜炎性刺激或机械性卡压颈神经引起的[18]。颈椎损伤、肌肉功能和形态改变、炎症和疼痛使颈椎本体感觉受损，可导致患者出现头晕[19]。患者的这些不适症状会对自身生活产生影响，SF-36量表各维度的信度较高，评价颈椎病患者生活质量时具有良好的适用性[20-21]，此次研究采用SF-36量表评估患者生活质量，其中总体健康、生命活力、躯体疼痛、精神健康与颈椎失稳呈现相同的趋势，说明颈椎失稳患者常伴随心身问题，对患者的生活工作产生了较大的影响，降低了患者的生活质量。
此次研究使用SHAP方法，克服机器学习构建临床预测模型难以解释的“黑盒”限制[22]，计算最终模型的每个预测因子的贡献，来解释最终模型的输出。重要性排序依次为年龄、颈椎功能障碍指数、颈痛目测类比评分、总体健康、体质量指数、生命活力、躯体疼痛、颈围/颈长、精神健康。年龄、颈痛目测类比评分、颈椎功能障碍指数与颈椎失稳呈正相关，总体健康、体质量指数、生命活力、躯体疼痛、颈围/颈长、精神健康与颈椎失稳呈负相关。并且年龄、颈痛目测类比评分、颈椎功能障碍指数、躯体疼痛、总体健康、生命活力差异有显著性意义，说明这6个临床特征是颈椎失稳较为重要的影响因素。既往研究发现，颈椎病发病率在中青年人群中随着年龄增长而增加[23]，颈椎椎间盘退变程度随着年龄增加而增大，C2-7前凸角及C7倾斜角随着年龄的增加而增大[24-25]。且颈肌强度与颈围、体质量指数呈正相关，与年龄呈负相关，与颈长无明显相关性[26-27]，颈椎失稳发生与颈旁肌肉变形有
关[28]，所以颈肌越强，颈椎稳定性越好，颈椎失稳的可能性越小。综上，各影响因素主要是通过影响动静力平衡系统，致使动静力平衡系统失衡，患者出现颈椎失稳，与此次研究结果一致。根据此次研究结果，中青年颈椎失稳人群在接受相应治疗时，还应改变生活工作习惯，增加运动频次及时间，加强颈肌锻炼，减少电脑、手机使用时间，减少低头时间，以减轻颈椎负荷，延缓椎间盘退变，增强颈椎稳定性。
此次研究存在一些局限性：只纳入一些简单易得的临床变量作为预测因子，对模型的预测能力产生影响；样本量不足，且病例都来自单中心，未进行外部验证。在未来可进行大样本、多中心、前瞻性队列研究，并增加体格检查、理化检查、颈椎MRI图像等预测因子，进一步提高该模型的各项性能，提高诊断能力，实现早期识别诊断颈椎失稳。
综上所述，此次研究选取年龄、体质量指数、颈围/颈长、颈痛目测类比评分、颈椎功能障碍指数、躯体疼痛、总体健康、生命活力、精神健康 9个预测因子，以随机森林算法构建中青年人群颈椎失稳临床预测模型，年龄、颈痛目测类比评分、颈椎功能障碍指数与颈椎失稳呈正相关，总体健康、体质量指数、生命活力、躯体疼痛、颈围/颈长、精神健康与颈椎失稳呈负相关，上述预测因子具有良好的预测能力，可帮助早期筛查颈椎失稳人群，从而改善国民颈椎健康。中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

基于机器学习构建中青年人群颈椎失稳临床预测模型

Development of a clinical prediction model for cervical instability in young and middle-aged adults based on machine learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表（结果） 12

参考文献

相关文章 15

引言

材料方法

讨论

文章快阅

延伸阅读

编辑推荐

Metrics

本文评价

[1]	李加根, 陈跃平, 黄柯琪, 陈尚桐, 黄川洪. 线粒体自噬视域下的类风湿关节炎：多机器学习算法构建预测模型及验证并免疫调控分析[J]. 中国组织工程研究, 2025, 29(在线): 1-15.
[2]	王咪, 马书杰, 刘杨, 齐瑞. 缺血性脑卒中铁死亡特征基因NFE2L2的鉴定与验证[J]. 中国组织工程研究, 2025, 29(7): 1466-1474.
[3]	刘雅妮, 杨静欢, 陆慧慧, 易玉芳, 李智翔, 欧阳福, 吴璟莉, 魏兵. 纤维肌痛综合征生物标记物的筛选及免疫细胞浸润分析[J]. 中国组织工程研究, 2025, 29(5): 1091-1100.
[4]	杨彬, 陶广义, 杨顺, 许俊杰, 黄俊卿. 人工智能在脊髓神经损伤与修复领域研究热点的可视化分析[J]. 中国组织工程研究, 2025, 29(4): 761-770.
[5]	杨定燕, 余振球, 杨中愉. 急性心肌梗死与中性粒细胞相关潜在生物标志物的机器学习分析[J]. 中国组织工程研究, 2025, 29(36): 7909-7920.
[6]	田宇诗, 付强, 李冀. 急性心肌梗死相关线粒体基因的生物信息学鉴定与验证[J]. 中国组织工程研究, 2025, 29(31): 6697-6707.
[7]	宋浩然, 张玉强, 谷娜, 智晓东, 王伟. 基于Citespace对人工智能在骨创伤研究的可视化分析[J]. 中国组织工程研究, 2025, 29(3): 493-502.
[8]	张子瑜, 陈龙豪, 盛威, 吕涵哲, 沈颖, 王炳豪, 吕智桢, 吕立江 . 人工智能应用于腰椎间盘突出症诊疗：推动诊治手段向规范化、高效化、精准化[J]. 中国组织工程研究, 2025, 29(29): 6269-6276.
[9]	王嘉孺, 张瑛, 杨永, 祁文, 肖华业, 马秋平, 杨连招, 罗自维, 何雅青, 张江银, 韦嘉雯, 孟媛, 谭思连. 基于机器学习脑卒中功能恢复及预后预测模型的系统评价[J]. 中国组织工程研究, 2025, 29(29): 6317-6325.
[10]	丘博元, 刘飞, 童思文, 欧志学, 王伟伟. 激素性股骨头坏死衰老关键基因的生物信息学鉴定和验证[J]. 中国组织工程研究, 2025, 29(26): 5608-5620.
[11]	李加根, 陈跃平, 黄柯琪, 陈尚桐, 黄川洪. 线粒体自噬视域下的类风湿关节炎：基于多机器学习算法的互作分析[J]. 中国组织工程研究, 2025, 29(26): 5595-5607.
[12]	郝茂辰, 马超, 刘凯, 柳可心, 孟令婷, 王杏如, 王建忠. 骨关节炎内质网应激关键基因的生物信息学筛选及实验验证[J]. 中国组织工程研究, 2025, 29(26): 5632-5641.
[13]	武英楷, 史高龙, 谢宗刚. 加权共表达网络分析与机器学习识别类风湿关节炎滑膜中的关键基因[J]. 中国组织工程研究, 2025, 29(2): 294-301.
[14]	魏梦力, 钟亚平, 桂辉贤, 周易文, 关烨明, 余绍华. 基于机器学习的运动损伤预警模型[J]. 中国组织工程研究, 2025, 29(2): 409-418.
[15]	徐大星, 涂泽松, 纪木强, 许伟鹏, 牛维. 机器学习预测肱骨近端骨折钢板内固定后继发性螺钉切出的风险[J]. 中国组织工程研究, 2025, 29(15): 3179-3187.