Resumen del estudio (inglés)
OBJECTIVE: To develop and validate machine learning models and an individualized nomogram for predicting pedicle screw loosening after posterior lumbar interbody fusion (PLIF) in osteoporotic patients using preoperative clinical, imaging, and bone metabolism-related medication profiles. METHODS: A retrospective analysis was conducted on 630 osteoporotic patients who underwent PLIF at three spine surgery centers. Patients were divided into a non-loosening group (n = 450) and a loosening group (n = 180) according to the presence of implant loosening on imaging within 12 months postoperatively. Univariate analysis was used to screen candidate variables, and LASSO-logistic regression with 10-fold cross-validation was applied to extract independent predictors. Four models (naïve Bayes, logistic regression, linear discriminant analysis, and decision tree) were constructed based on the selected features and evaluated using the area under the curve (AUC), calibration curves, and decision curve analysis (DCA). The structure of the optimal model (decision tree) was visualized, and a nomogram was built using multivariable logistic regression. RESULTS: Univariate analysis showed significant differences between the two groups in age, bone mineral density T-score, pelvic incidence, lumbar lordosis, sex, hypertension, diabetes mellitus, foraminal morphology, history of glucocorticoid use, calcium supplementation, and vitamin D supplementation (all P < 0.05). LASSO regression identified 11 independent predictors (λ.min = 0.0325). Among the four models, the decision tree showed the highest discrimination, achieving an AUC of 0.975 (95% CI 0.961-0.989) in the training set and 0.971 (95% CI 0.955-0.987) in the test set, with good calibration (Hosmer-Lemeshow test P = 0.418). DCA demonstrated a significant net benefit across a clinically relevant threshold probability range (0-50%). The decision tree identified the bone mineral density T-score as the root splitting variable; a T-score < -3.6 classified patients as being at extremely high risk for loosening. Among those with T-score ≥ -3.6 who did not take calcium, lack of vitamin D supplementation was associated with a very high risk. Among those with T-score ≥ -3.6 who took calcium, female sex combined with lumbar lordosis ≥ 51° indicated an elevated risk. The nomogram integrated the 11 factors and yielded a C-index of 0.928 (95% CI 0.903-0.953) with good calibration (Hosmer-Lemeshow test P = 0.372). CONCLUSION: The decision tree model demonstrated favorable predictive performance for pedicle screw loosening after PLIF. Its interpretable classification rules facilitate rapid screening of high-risk patients, while the nomogram enables individualized probability estimation for surgical planning. Together, these complementary tools offer a potentially useful framework for preoperative risk stratification and personalized management of osteoporotic patients undergoing PLIF. Copyright © 2026 Yu, Gu, Yu, Cao, Yu, Xie, Tian and Ma. DOI: 10.3389/fmed.2026.1902525 PMCID: PMC13533679
Traducción al español (IA · NME)
OBJETIVO: Desarrollar y validar modelos de aprendizaje automático y un nomograma individualizado para predecir el aflojamiento de tornillos pediculares tras la fusión intersomática lumbar posterior (PLIF) en pacientes osteoporóticos, utilizando perfiles preoperatorios clínicos, de imagen y relacionados con el metabolismo óseo.
MÉTODOS: Se realizó un análisis retrospectivo de 630 pacientes osteoporóticos que se sometieron a PLIF en tres centros de cirugía de columna. Los pacientes se dividieron en un grupo sin aflojamiento (n = 450) y un grupo con aflojamiento (n = 180) según la presencia de aflojamiento del implante en las imágenes dentro de los 12 meses postoperatorios. Se utilizó un análisis univariante para seleccionar variables candidatas, y se aplicó una regresión logística LASSO con validación cruzada de 10 pliegues para extraer predictores independientes. Se construyeron cuatro modelos (naïve Bayes, regresión logística, análisis discriminante lineal y árbol de decisión) basados en las características seleccionadas y se evaluaron utilizando el área bajo la curva (AUC), curvas de calibración y análisis de curvas de decisión (DCA). Se visualizó la estructura del modelo óptimo (árbol de decisión) y se construyó un nomograma utilizando regresión logística multivariable.
RESULTADOS: El análisis univariante mostró diferencias significativas entre los dos grupos en edad, puntuación T de densidad mineral ósea, incidencia pélvica, lordosis lumbar, sexo, hipertensión, diabetes mellitus, morfología foraminal, historia de uso de glucocorticoides, suplementación de calcio y suplementación de vitamina D (todos P < 0.05). La regresión LASSO identificó 11 predictores independientes (λ.min = 0.0325). Entre los cuatro modelos, el árbol de decisión mostró la mayor discriminación, logrando un AUC de 0.975 (IC 95% 0.961-0.989) en el conjunto de entrenamiento y 0.971 (IC 95% 0.955-0.987) en el conjunto de prueba, con buena calibración (prueba de Hosmer-Lemeshow P = 0.418). El DCA demostró un beneficio neto significativo en un rango de probabilidad de umbral clínicamente relevante (0-50%). El árbol de decisión identificó la puntuación T de densidad mineral ósea como la variable de división raíz; una puntuación T < -3.6 clasificó a los pacientes como de riesgo extremadamente alto de aflojamiento. Entre aquellos con puntuación T ≥ -3.6 que no tomaron calcio, la falta de suplementación de vitamina D se asoció con un riesgo muy alto. Entre aquellos con puntuación T ≥ -3.6 que tomaron calcio, el sexo femenino combinado con una lordosis lumbar ≥ 51° indicó un riesgo elevado. El nomograma integró los 11 factores y arrojó un índice C de 0.928 (IC 95% 0.903-0.953) con buena calibración (prueba de Hosmer-Lemeshow P = 0.372).
CONCLUSIONES: El modelo de árbol de decisión demostró un rendimiento predictivo favorable para el aflojamiento de tornillos pediculares tras PLIF. Sus reglas de clasificación interpretables facilitan el cribado rápido de pacientes de alto riesgo, mientras que el nomograma permite una estimación de probabilidad individualizada para la planificación quirúrgica. Juntos, estos instrumentos complementarios ofrecen un marco potencialmente útil para la estratificación de riesgo preoperatoria y la gestión personalizada de pacientes osteoporóticos sometidos a PLIF. Derechos de autor © 2026 Yu, Gu, Yu, Cao, Yu, Xie, Tian y Ma. DOI: 10.3389/fmed.2026.1902525 PMCID: PMC13533679
Traducción automática para apoyo de lectura. Para uso clínico recomendamos consultar el texto original publicado.
Detalles bibliográficos
- Autores: Yu X, Gu W, Yu X, Cao D, Yu Z, Xie Z
- Publicado en: Frontiers in medicine
- PMID: 42688007
- DOI: 10.3389/fmed.2026.1902525
