足部矫形器处方分层机器学习决策支持框架的开发与验证

JMIR medical informatics · 2026-09-22 · 期刊论文

• 一句话结论：该单中心回顾性研究提示，分层机器学习框架在临床信息可得性不固定时仍能对足部矫形器处方多标签组件保持较一致的预测表现，但低患病率组件的精确率-召回率表现变异较大。方向为正向但属开发验证阶段，强度属提示性。
• 研究设计与做法：设计为回顾性观察研究，使用2015至2020年单中心6462次就诊级临床记录，将处方建模为涉及15个组件的多标签预测任务。框架分两层：基础层使用常规人口学与对线变量，进阶层在可得时纳入距下关节内翻与外翻活动度；采用树基梯度提升模型与5折分层分组交叉验证。
• 主要结果：结果：Level 4与Level 8模型的组件平均AUROC分别为0.792与0.816，宏平均Hamming损失为0.113与0.111；采用组件特异Platt校准后，Top-1命中率86.7%，Top-3命中率97.4%。基于精确率-召回率的分析显示低患病率组件变异更大。摘要中Top-K覆盖率的完整数值未报告。
• 机制或解释：作者解释：分层设计可适配常规门诊中生物力学评估不完整、信息可得性不一的现实，从而支持多标签处方决策并纳入安全导向的推荐策略。属框架设计层面的解释，未涉及具体生物学机制。
• 局限与边界：局限：单中心、回顾性数据，外推性受限；低患病率组件预测稳定性不足；校准依赖内部Platt缩放，缺乏外部验证；安全导向阈值校准的实际临床效果未评估。利益冲突与前瞻性随访材料未报告。
• 可否落地：落地含义：证据档位为B，提示该框架可作为门诊处方决策支持的候选工具，但尚不足以直接替代临床判断。科研上可推进多中心外部验证与低患病率组件改进；临床落地前需前瞻性评估其对处方质量与患者结局的影响。

🔗 打开原文

Jung JY, Yang W, Kim JJ.

本文摘自《每日前沿研究简报 · 2026-09-27》「AI 科研智能体」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。