DOI: https://doi.org/10.3389/fsurg.2025.1710512
PMID: https://pubmed.ncbi.nlm.nih.gov/41583840
تاريخ النشر: 2026-01-09
المؤلف: Arthur André وآخرون
الموضوع الرئيسي: أمراض العمود الفقري والقرص الفقري
نظرة عامة
تدرس هذه الدراسة فعالية خوارزمية التعلم العميق في التنبؤ بالنتائج السريرية للمرضى الذين يخضعون لجراحة العمود الفقري القطني، مع التركيز على الفرق السريري المهم الحد الأدنى (MCID) كما هو محدد بواسطة مؤشر الإعاقة في أوزوستري (ODI)، واستخدام الأفيون، وفقدان الحركة. أجريت الدراسة متعددة المراكز والطولية على مدى 16 شهرًا، وشملت 119 مريضًا، مع جمع البيانات بعد العملية من 103. أظهرت النتائج انخفاضًا كبيرًا في متوسط درجات ODI من التقييمات السابقة للعملية (0.43) إلى التقييمات بعد العملية عند 1 شهر (0.28) و3 أشهر (0.14)، مع إظهار مجموعة MCID متوسط ODI قدره 0.12 عند 8 أشهر مقارنة بـ 0.26 في مجموعة عدم وجود MCID. أظهرت الخوارزمية دقة بنسبة 81.6% في التنبؤ بالنتائج بناءً على البيانات السابقة للعملية.
تؤكد النتائج على أهمية تعريف شامل لـ MCID يشمل نتائج سريرية متنوعة تتجاوز الألم والاستقلالية، بما في ذلك جودة النوم واستخدام الأدوية. تسلط الدراسة الضوء على فائدة تطبيق الهاتف الذكي لجمع البيانات بشكل متكرر، مما يعزز تقييم جودة الحياة على المدى الطويل. بينما يتنبأ نموذج الشبكة العصبية الاصطناعية (ANN) بالنتائج بشكل فعال، فإنه يفتقر إلى الشفافية بشأن معايير التصنيف الخاصة به. تدعو الأبحاث إلى مزيد من الدراسات المستقبلية لتحسين النموذج والتحقق من دمجه في الممارسة السريرية، بهدف تعزيز رعاية المرضى الشخصية وتحسين المعايير العامة لجراحة العمود الفقري من خلال الأساليب المعتمدة على البيانات.
مقدمة
تسلط المقدمة الضوء على التأثير الكبير لاعتلالات العمود الفقري القطني، وخاصة تضيق العمود الفقري القطني (LSS)، الذي يتم علاجه بشكل متزايد من خلال التدخلات الجراحية. يتم التأكيد على الطب الدقيق كنهج حاسم لتخصيص العلاجات بناءً على خصائص المرضى الفردية. يتم التأكيد على استخدام مقاييس النتائج التي يُبلغ عنها المرضى (PROMs)، وخاصة مؤشر الإعاقة في أوزوستري (ODI)، كأمر أساسي لتقييم النتائج الجراحية على المدى الطويل وتحديد الفرق السريري المهم الحد الأدنى (MCID)، وهو مقياس رئيسي لتقييم التحسن السريري المعنوي بعد الجراحة. ومع ذلك، لا تزال الطريقة المثلى لتعريف MCID محل جدل، مع وجود تباينات عبر الدراسات وأدوات PROM.
تناقش المقدمة أيضًا دور الذكاء الاصطناعي (AI) وتعلم الآلة (ML) في تعزيز النمذجة التنبؤية لنتائج المرضى في جراحة العمود الفقري. تم استخدام نماذج متنوعة، بما في ذلك الشبكات العصبية العميقة (DNNs)، للتنبؤ باحتمالية تحقيق MCID وغيرها من النتائج. على الرغم من الفوائد المحتملة لأدوات الذكاء الاصطناعي في الممارسة السريرية، إلا أن تطبيقها لا يزال محدودًا، مع وجود عدد قليل تم التحقق من صحتها للاستخدام الروتيني. يقترح المؤلفون منصة جديدة تدمج خوارزمية DNN المعتمدة مع تطبيق موبايل لجمع بيانات المرضى وتتبع النتائج بعد الجراحة، بهدف تحسين دقة التنبؤات المتعلقة بجودة الحياة على المدى الطويل. يتم ذكر دراسة مستقبلية للتحقق من صحة هذا النموذج التنبؤي مقابل النتائج الفعلية بعد ستة أشهر.
طرق البحث
في هذه الدراسة، تم تجنيد المرضى من مركزين للعمود الفقري يقعان في باريس (عيادة جيفروي-سانت هيلير) وبوردو (عيادة جان فيلار) بين سبتمبر 2021 ويوليو 2022. بعد تقييم العيادة الجراحية السابقة للعملية، تم الحصول على موافقة مستنيرة من المشاركين. تم تحديد التحليل للمرضى الذين وافقوا على استخدام بياناتهم الصحية المجهولة، مما يضمن الامتثال الأخلاقي وحماية خصوصية المرضى.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الإجراءات التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تؤكد التحليلات الإحصائية على قوة هذه العلاقات. على وجه التحديد، تظهر النتائج أن التدخل المطبق يؤدي إلى تحسين قابل للقياس في المقاييس المستهدفة، كما يتضح من أحجام التأثير المبلغ عنها وقيم p.
بالإضافة إلى ذلك، يتضمن القسم تمثيلات رسومية للبيانات، توضح الاتجاهات والأنماط التي تدعم الفرضيات المطروحة في الدراسة. يتم وضع النتائج في سياق الأدبيات الموجودة، مما يبرز أهميتها وآثارها المحتملة على الأبحاث المستقبلية والتطبيقات العملية. بشكل عام، تسهم النتائج في تقديم رؤى قيمة في هذا المجال، مما يمهد الطريق لمزيد من الاستكشاف والتحقق من الظواهر الملحوظة.
المناقشة
في هذه المناقشة، يحلل المؤلفون نتائج دراسة مستقبلية حول جراحة العمود الفقري القطني، مع التأكيد على أهمية الفرق السريري المهم الحد الأدنى (MCID) المركب لتقييم نجاح الجراحة. وجدت الدراسة اختلافات كبيرة في التعافي بعد العملية بين المرضى الذين حققوا MCID والذين لم يحققوه، خاصة من حيث تخفيف الألم وتحسين جودة الحياة. من الجدير بالذكر أن ألم الساق (NRS-LP) كان مرتبطًا بشكل أقوى بتحسينات جودة الحياة مقارنة بألم أسفل الظهر (NRS-BP)، مما يدعم فكرة أن نهجًا متعدد الأبعاد لقياس النتائج أمر ضروري. يدعو المؤلفون إلى استخدام MCID المركب الذي يدمج المعايير الوظيفية والأعراض والمعايير المتعلقة بالعلاج لتصنيف نجاح الجراحة على المدى الطويل بشكل أفضل.
أظهر النموذج التنبؤي الذي تم تطويره باستخدام شبكة عصبية اصطناعية (ANN) دقة جديرة بالثناء بنسبة 70% ومنطقة تحت المنحنى (AUC) قدرها 0.816، مما يشير إلى فائدته المحتملة في البيئات السريرية. تسلط الدراسة الضوء على عدة خصائص قبل العملية مرتبطة بالنتائج الإيجابية، مثل مستويات النشاط البدني الأعلى وغياب الأعراض المرتبطة بالتوتر. ومع ذلك، يعترف المؤلفون بالقيود، بما في ذلك الاعتماد على البيانات الاصطناعية لتدريب النموذج والحاجة إلى فترات متابعة أطول لالتقاط النتائج المتأخرة. يقترحون أن النسخ المستقبلية من النموذج يجب أن تدمج أنواع بيانات إضافية لتعزيز التخصيص وقوة التنبؤ، بهدف دعم اتخاذ القرارات الجراحية الفردية وتحسين مسارات رعاية المرضى في جراحة العمود الفقري.
DOI: https://doi.org/10.3389/fsurg.2025.1710512
PMID: https://pubmed.ncbi.nlm.nih.gov/41583840
Publication Date: 2026-01-09
Author(s): Arthur André et al.
Primary Topic: Spine and Intervertebral Disc Pathology
Overview
This study investigates the efficacy of a deep learning algorithm in predicting clinical outcomes for patients undergoing lumbar spine surgery, focusing on the minimal clinically important difference (MCID) as defined by the Oswestry Disability Index (ODI), opioid use, and motor loss. Conducted over 16 months, the multicentric, longitudinal study enrolled 119 patients, with postoperative data collected from 103. The results indicated a significant reduction in mean ODI scores from preoperative (0.43) to postoperative assessments at 1 month (0.28) and 3 months (0.14), with the MCID group showing a mean ODI of 0.12 at 8 months compared to 0.26 in the no-MCID group. The algorithm demonstrated an accuracy of 81.6% in predicting outcomes based on preoperative data.
The findings underscore the importance of a comprehensive MCID definition that encompasses various clinical outcomes beyond pain and autonomy, including sleep quality and medication use. The study highlights the utility of a smartphone application for frequent data collection, enhancing the assessment of long-term quality of life. While the artificial neural network (ANN) model effectively predicts outcomes, it lacks transparency regarding its classification criteria. The research advocates for further prospective studies to refine the model and validate its integration into clinical practice, aiming to enhance personalized patient care and improve the overall standard of spine surgery through data-driven approaches.
Introduction
The introduction highlights the significant impact of lumbar spine pathologies, particularly lumbar spinal stenosis (LSS), which is increasingly treated through surgical interventions. Precision medicine is emphasized as a critical approach to tailor treatments based on individual patient characteristics. The use of Patient-Reported Outcome Measures (PROMs), especially the Oswestry Disability Index (ODI), is underscored as essential for evaluating long-term surgical outcomes and determining the minimal clinically important difference (MCID), a key metric for assessing meaningful clinical improvement post-surgery. However, the optimal method for defining MCID remains contentious, with variations across studies and PROM instruments.
The introduction further discusses the role of artificial intelligence (AI) and machine learning (ML) in enhancing predictive modeling for patient outcomes in spine surgery. Various models, including deep neural networks (DNNs), have been employed to predict the likelihood of achieving MCID and other outcomes. Despite the potential benefits of AI tools in clinical practice, their application remains limited, with few validated for routine use. The authors propose a novel platform that integrates a validated DNN algorithm with a mobile application to collect patient data and track outcomes post-surgery, aiming to improve the accuracy of predictions regarding long-term quality of life. A prospective study is mentioned to validate this predictive model against actual outcomes at six months.
Methods
In this study, patients were recruited from two spine centers located in Paris (Clinique Geoffroy-Saint Hilaire) and Bordeaux (Clinique Jean Villar) between September 2021 and July 2022. Following a preoperative surgical clinic assessment, informed consent was obtained from participants. The analysis was limited to those patients who consented to the use of their anonymized health data, ensuring ethical compliance and the protection of patient privacy.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical procedures employed. The data indicate a significant correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. Specifically, the results demonstrate that the intervention applied leads to a measurable improvement in the targeted metrics, as evidenced by the reported effect sizes and p-values.
Additionally, the section includes graphical representations of the data, illustrating trends and patterns that support the hypotheses posited in the study. The findings are contextualized within the framework of existing literature, underscoring their relevance and potential implications for future research and practical applications. Overall, the results contribute valuable insights into the field, paving the way for further exploration and validation of the observed phenomena.
Discussion
In this discussion, the authors analyze the outcomes of a prospective study on lumbar spine surgery, emphasizing the importance of a composite minimal clinically important difference (MCID) for evaluating surgical success. The study found significant differences in postoperative recovery between patients who achieved MCID and those who did not, particularly in terms of pain relief and quality of life improvements. Notably, leg pain (NRS-LP) was more strongly correlated with quality of life enhancements than low back pain (NRS-BP), supporting the notion that a multifaceted approach to outcome measurement is essential. The authors advocate for the use of a composite MCID that incorporates functional, symptomatic, and treatment-related parameters to better stratify long-term surgical success.
The predictive model developed using an artificial neural network (ANN) demonstrated a commendable accuracy of 70% and an area under the curve (AUC) of 0.816, indicating its potential utility in clinical settings. The study highlights several preoperative characteristics associated with favorable outcomes, such as higher physical activity levels and the absence of stress-related symptoms. However, the authors acknowledge limitations, including the reliance on synthetic data for model training and the need for longer follow-up periods to capture delayed outcomes. They propose that future iterations of the model should integrate additional data types to enhance personalization and predictive strength, ultimately aiming to support individualized surgical decision-making and improve patient care pathways in spine surgery.