目的通过机器学习算法识别股骨颈骨折患者复位内固定后股骨头坏死(osteonecrosis of the femoral head,ONFH)并构建预测模型。方法选取我院2017年1月至2020年1月期间诊治的249例股骨颈骨折患者。使用最小绝对收缩选择算子(least absolute shrinkage and selection operator,LASSO)和支持向量机-递归特征消除(support vector machine-recursive feature elimination,SVM-RFE)算法识别ONFH风险变量。ROC曲线、校正曲线、临床影响曲线及决策曲线分析评估Nomogram模型。结果249例中,ONFH发生率为25.7%。LASSO算法识别出11个术后ONFH风险变量;SVM-RFE算法识别出6个术后ONFH风险变量。交集风险变量为体质量指数(body mass index,BMI)、Garden分型、复位质量和中心粒细胞与淋巴细胞比值(neutrophil-lymphocyte ratio,NLR)。多因素Logistic回归模型分析证实BMI(OR:1.093,95%CI:1.038~1.151,P=0.001)、Garden分型[(Ⅲ型OR:2.294,95%CI:1.493~3.524,P<0.001),(Ⅳ型OR:4.458,95%CI:1.525~5.658,P<0.001)]、复位质量(OR:1.252,95%CI:1.031~1.521,P=0.023)和NLR(OR:1.351,95%CI:1.161~1.572,P<0.001)是术后ONFH的独立风险变量。ROC曲线及校正曲线证实Nomogram模型具有较高预测能力,AUC为0.811(95%CI:0.733~0.888),C-Index为0.823(95%CI:0.813~0.925)。在高风险群体中能有效识别出术后ONFH患者且提供显著临床净收益。结论基于机器学习算法开发和验证的Nomogram能有量化患者术后ONFH风险且便于临床实践。
