青少年特发性脊柱侧弯（AIS）
是脊柱侧弯中最常见的类型，影响1-4%的青少年，且女性患者比例更高。
现有评估工具
SRS-22R问卷
是AIS患者健康相关生活质量的标准化评估工具，其优势在于补充了传统客观影像学参数（如Cobb角矫正率）的不足。
但是研究发现——影像学矫正率与患者报告结局（PROs）的改善
无显著相关性
，
亟需开发
新方法
来预测术后PROs。
一、 患者群体
回顾性分析美国两家Shriners儿童医院2010年以来的多中心队列数据。
二、数据收集与处理
数据类型共分为：
人口统计学
——年龄、性别、种族、吸烟史、合并症（如ADHD、癫痫）。
影像学参数
——
135项术前和70项术后参数（如Cobb角、矢状垂直轴、T1倾斜角）。
患者报告结局（PROs）
——
SRS-22R问卷的22个问题评分（功能、心理健康、疼痛、满意度、自我形象）。
三、研究设计
预测任务：
任务1：预测术后SRS-22R各问题回答（二分类：1-3分 vs4-5分）。
任务2：预测是否达到最小临床重要差异（MCID）。
任务3：预测手术成功（同时满足Cobb角矫正率>60%和MCID）。
时间跨度：
术后
6个月、1年、2年
三个时间点。
四、模型开发
传统机器学习模型：
包括
高斯朴素贝叶斯（GNB）、逻辑回归（LogReg）、随机森林（RF）、支持向量机（SVM）、XGBoost
。
深度学习模型：
多层感知机（MLP），含3个全连接层和ReLU激活函数，使用加权交叉熵损失解决类别不平衡。
数据划分：
80%训练集（含5折交叉验证）、20%测试集。
统计与性能评估：
评估指标：
AUROC（主要指标）
、
准确率（ACC）
。
统计检验：t检验、ANOVA分析组间差异，Pearson相关系数分析影像学与PROs关联。
一、Task 1（SRS-22R问卷个体问题预测）
（1）模型性能
①最佳AUROC：
6个月：0.86（深度学习模型）
1年：0.85（随机森林）
2年：0.83（深度学习模型）
②准确性（ACC）：
平均0.67–0.84，满意度领域（#Q21、#Q22）表现最优。
③时间衰减：
长期（2年）预测性能略低于短期（6个月、1年），可能与随访数据减少有关。
（2）关键发现：
①影像学参数重要性：
冠状面参数（如胸椎Cobb角、腰椎Cobb角）与矢状面参数（如T2–T12胸椎后凸、矢状垂直轴SVA）共同影响术后满意度预测。
T2–T12胸椎后凸被模型识别为重要特征，但临床分级中仅列为次要参数。
②PRO参数重要性：
术前SRS-22总分、功能（#Q15）和疼痛（#Q11）评分显著影响预测。
（3）临床一致性验证：
模型识别的关键特征（如胸椎Cobb角、T1倾斜角）与外科医生经验一致，但模型补充了矢状面参数的重要性。
二、Task 2（最小临床重要差异MCID预测）
（1）模型性能：
①AUROC：
Crawford标准（总MCID）：0.84（6个月）、0.82（1年）、0.79（2年）。
Carreon标准（自我形象MCID）：0.80（1年）。
②深度学习优势：
在MCID预测中显著优于传统机器学习模型（如XGBoost）。
（2）关键特征：
①性别：
模型识别性别为MCID预测的第三重要特征（女性更易达到MCID），但实际PRO改善无显著性别差异（P> 0.05）。
②术前低PRO评分患者：
基线生活质量较差的患者术后改善更显著（P< 0.001）。
（3）校准与公平性：
①置信度校准：
预期校准误差（ECE）从0.15降至0.07，模型过度自信问题得到缓解。
②性别偏差控制：
通过过采样平衡男女样本，模型在女性（AUROC 0.84）和男性（AUROC 0.82）中表现接近。
三、Task 3（手术决策支持：影像学与PROs联合改善预测）
（1）模型性能：
①AUROC：
0.81（6个月）、0.78（1年）、0.75（2年）。
②校准效果
：
校准后模型置信度与实际准确率匹配度提升（ECE从0.12降至0.05）。
（2）关键特征：
①矢状面参数：
腰椎前凸（Lordosis）、矢状垂直轴（SVA）比传统冠状面Cobb角更具预测力。
②术前PRO参数：
自我形象（#Q4）和心理健康评分影响手术成功概率。
（3）统计验证：
①无显著相关性：
Cobb角矫正率与PROs改善无统计学关联（P> 0.05），支持需结合多维度数据。
②亚组分析：
矫正率>80%的患者并未表现出更高的PRO改善（P= 0.4213）。
