基于机器学习的经皮椎体后凸成形术后邻椎再骨折风险预测模型构建与验证

　　本研究针对OVCF患者PKP术后邻椎再骨折风险预测难题，来自未知机构的研究团队通过回顾性分析3,942例病例数据，利用多模型机器学习方法构建出高精度预测模型。结果显示Balanced Bagging模型预测准确率达96.58%，首次系统验证了AVHRR、BMD等关键风险因子的预测价值，为临床实现个性化术后管理提供重要工具。

　　

研究人员通过开发并验证机器学习预测模型，深入探讨骨质疏松性椎体压缩骨折（OVCF）患者经皮椎体后凸成形术（Percutaneous Kyphoplasty, PKP）术后发生邻椎再骨折的风险因素。该研究对2018-2023年间接受PKP治疗的3,942例OVCF病例进行回顾性分析，将患者划分为无再骨折组（A组）与再骨折组（B组）。

研究采用单因素及多因素逻辑回归分析鉴定独立风险因子，发现骨密度（Bone Mineral Density, BMD）、术前前椎体高度（Anterior Vertebral Height, AVH）、前椎体高度恢复率（Anterior Vertebral Height Restoration Rate, AVHRR）以及骨质疏松治疗情况（P?

结论指出，PKP术后邻椎再骨折风险与AVHRR、BMD及骨质疏松治疗密切相关。该预测模型能有效辅助临床医生实施个性化术后管理，改善患者预后，降低再次手术概率。