用于预测接受腰椎伸展牵引治疗的慢性非特异性腰痛患者治疗结局的机器学习模型

为什么腰痛与智能计算对你很重要

慢性下腰痛是导致人们缺勤、回避家庭活动或长期处于不适状态的主要原因之一。尽管存在多种治疗方法，但对每个人的疗效不尽相同。本研究提出了一个非常实用的问题：我们能否使用现代计算工具（即机器学习）来预测哪些患者最有可能从一种温和恢复下背自然弯曲的特定脊柱治疗中获益？

更仔细地看常见的腰椎问题

下部脊柱自然呈向内的轻度弯曲，称为腰椎前凸（lordosis）。在许多长期非特异性下腰痛患者中，这一弯曲会减少或变平。这种变化会改变脊柱中力的传导方式，给关节、椎间盘和肌肉带来额外应力。一种称为腰椎伸展牵引的治疗，旨在通过将患者置于专用床上并施加受控拉力，使下背在多次治疗中逐步恢复丢失的弧度。早期的小型临床试验表明该方法可减轻疼痛和功能受限，但临床医生仍缺乏在治疗前判断谁最能获益的手段。

研究如何开展

研究者回顾了431名有X线证实腰椎弯曲明显减小的慢性下腰痛成年患者的病历。所有患者都遵循一套标准化的康复方案，结合了物理治疗方法，如电刺激、热疗、拉伸练习和腰椎伸展牵引。治疗频率为每周3到6次，持续4到10周，具体安排根据个人时间和耐受性灵活调整。治疗前后，团队通过X线测量下脊柱形态，记录0–10分的疼痛评分，并使用常用的日常活动功能问卷评估残疾程度。

教会计算机预测康复

为了判断是否可以提前预测结局，作者将十项信息输入三种不同的机器学习模型。这些输入包括年龄、身体质量指数、X线上的初始脊柱弯曲和骨盆角度、起始疼痛和功能受限评分、牵引的频率和时长、治疗依从性，以及一种描述性的“匹配类型”来表征脊柱弯曲与骨盆角度的契合程度。计算系统在大部分患者数据上进行训练，然后在剩余数据上测试，使用标准评估指标检验预测结果与实际情况的匹配度。额外的检验探查了哪些因素最重要，以及模型对测量噪声或缺失信息的敏感性。

模型与患者显示的结果

平均来说，患者获得了有意义的改善：下背弯曲度约增加了12度，疼痛从大约7分降至3分（满分10分），功能受限评分降至起始水平的大约三分之一。八成患者达到广泛接受的重要疼痛缓解阈值，超过一半的患者功能有显著改善。在所用的计算工具中，两种基于树的算法——随机森林（Random Forest）与XGBoost——在预测谁能获得这些益处方面表现最佳。它们能解释最终脊柱弯曲、疼痛和功能受限的大部分变异，而一个神经网络模型在预测功能恢复方面表现较差。

最重要的影响因素

通过检查模型的决策依据，研究团队发现了一个一致的模式。下背的起始形态及其与骨盆角度的关系是能否恢复弯曲的主要驱动因素。那些脊柱弯曲与骨盆角度“最不同步”的患者往往显示出最大的矫正幅度。人们按时参加治疗（依从性）、每周牵引的频率以及体重也在疼痛结局中起到重要作用。诸如年龄等常规人口学特征相比之下不如精确的X线发现及治疗强度与规律性重要。

这对腰痛患者意味着什么

对普通患者及其临床医生而言，这项研究表明：以恢复自然下腰弯曲为目标的个体化方案既可有效又具有可预测性。仔细的X线评估，结合有关治疗计划和出勤情况的信息，可以输入机器学习工具，从而估算疼痛和功能可能的改善程度。通俗地说，计算机可以帮助医生将合适的患者与腰椎伸展牵引匹配，设定现实的预期，并微调治疗的频率与时长。尽管仍需更多研究，尤其是更长期随访和更广泛的患者群体，但这项研究指向了一个更加个性化、数据驱动且高效的腰痛治疗未来。

引用: Moustafa, I.M., Ozsahin, D.U., Mustapha, M.T. et al. Machine learning models for predicting treatment outcomes in chronic non-specific back pain patients undergoing lumbar extension traction. Sci Rep 16, 6738 (2026). https://doi.org/10.1038/s41598-026-38059-9

关键词: 慢性下腰痛, 腰椎伸展牵引, 脊柱弯曲, 医学中的机器学习, 治疗预测