亮点
基于入院时临床数据，构建了一个用于预测非创伤性脊髓损伤（nontraumatic spinal cord injury，NTSCI）患者步行能力的梯度提升决策树（Gradient Boosting Decision Tree，GBDT）模型。
该模型在内部测试中表现优异（AUC 0.91，召回率 0.92），并在时间外部验证队列中仍保持较好的准确性（0.81）。
关键预测特征包括下肢总肌力和患者年龄，提示这些临床因素对预后具有重要意义。
研究结果尚属初步；在纳入临床应用前，还需开展多中心外部验证并扩大样本量。
研究背景
非创伤性脊髓损伤（nontraumatic spinal cord injury，NTSCI）是指由退行性疾病、感染、缺血或肿瘤等非意外原因造成的脊髓损害。与创伤性脊髓损伤相比，随着人口老龄化，NTSCI 的发病率显著上升，已成为全球范围内日益严重的公共卫生负担。步行能力仍是这类患者最重要的功能结局之一，直接影响其独立性和生活质量。然而，与创伤性脊髓损伤相比，NTSCI 患者步行恢复的预后特征研究较少，这主要归因于病因异质性较强以及可用于预测的工具有限。
在入院时尽早、准确地评估步行能力预后，有助于制定个体化康复计划、设定更现实的目标，并优化患者沟通和资源分配。传统预后模型多依赖临床量表和医师经验，未能整合复杂的数据模式。机器学习（machine learning，ML）方法可对多维临床数据进行更复杂的分析，并可能发现新的预后标志物，从而为提高预测准确性带来希望。
研究设计
本回顾性研究旨在利用早期入院临床指标，建立并验证一个基于机器学习的 NTSCI 患者步行能力预后模型。
共纳入 148 例 NTSCI 患者，并随机分为训练集（80%）和内部测试集（20%）。研究将由客观临床指标构建的四组特征集作为输入变量，其中包括肌力和人口学变量。共比较了 9 种机器学习算法，最终因性能指标更优而选择梯度提升决策树（Gradient Boosting Decision Tree，GBDT）。
模型的主要评价指标包括受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）、召回率、精确率和 F2 分数；其中重点强调召回率，以体现对临床上“低估步行恢复潜力”这一风险的敏感性。
为评估外部效度，研究还对 37 例在原研究时段之后入院的独立 NTSCI 患者队列进行了时间外部验证（2025 年 7 月至 2026 年 5 月）。此举旨在检验模型的时间适用性，并降低机器学习研究中常见的过拟合风险。
本研究已获得伦理批准（M202616），并豁免知情同意；研究随后进行了回顾性注册（MR-11-26-021748）。研究设计及结果传播过程中未报告患者或公众参与。
主要结果
梯度提升决策树模型在内部测试集上表现出色，AUC 为 0.91（95% CI：0.77–1.00），召回率为 0.92（95% CI：0.71–1.00），总体准确率为 0.90。这些指标表明，该模型在预测康复后可能恢复步行能力的患者方面，具有较高的区分能力和敏感性。
值得注意的是，该模型识别出下肢总肌力和患者年龄为主要预测因素，这与临床认识一致，即肌肉功能和年龄会影响神经功能恢复潜力。
在时间外部验证队列中，该模型仍保持较为令人鼓舞的性能，准确率为 0.81（95% CI：0.68–0.92），召回率为 0.70（95% CI：0.40–1.00）。尽管性能略有下降，但这些结果支持该模型具有一定的时间泛化能力，并提示仍需进一步前瞻性研究加以验证。
由于研究属于观察性设计，未报告显著的安全性或不良结局数据。
专家点评
本研究为利用机器学习，尤其是 GBDT 算法，预测 NTSCI 步行结局提供了新的证据；而这一领域目前仍缺乏稳健的预后模型。研究纳入了入院时即可获得的临床参数，并严格进行了时间外部验证，较好地回应了机器学习在康复医学应用中面临的关键挑战，包括过拟合和可重复性问题。
不过，该研究也存在一些局限，包括回顾性设计、样本量相对较小、数据来源于单中心，以及病因类型代表性不足。这些因素限制了其立即转化为临床实践的可行性，也提示需要在更大规模、多中心的前瞻性研究中，对不同 NTSCI 人群进一步验证和优化该模型。
研究强调召回率（敏感性）在临床上具有合理性，可尽量识别出更可能恢复步行能力、从而最能从针对性治疗中获益的患者。未来若能与神经影像学、电生理数据及患者报告结局相结合，预测性能有望进一步提升。
随着 NTSCI 康复相关临床指南的不断发展，这类预测工具或可用于个体化调整康复强度和持续时间，从而优化资源利用。然而，临床医生在解读当前结果时仍应保持谨慎，因为这些发现仍属探索性，后续确认性研究尚待开展。
结论
这项初步研究提出了一种前景可观的机器学习模型：基于梯度提升决策树，利用早期入院临床指标预测 NTSCI 患者康复后的步行能力。该模型在内部测试中的优异表现及其令人鼓舞的时间外部验证结果，提示其可作为康复计划制定的辅助工具。
不过，该研究结论仍属探索性，在纳入常规临床实践前，仍需在更大规模的多中心前瞻性队列中进行外部验证。后续研究应致力于扩充数据集、纳入多模态预测特征，并评估其真实世界临床影响，以充分发挥机器学习在改善 NTSCI 患者结局方面的潜力。
资助与注册
本研究未报告具体资助来源。伦理审批编号为 M202616，试验以 MR-11-26-021748 为识别号进行了回顾性注册。
参考文献
1. Tong A, Guo J, Cai X, et al. A Machine Learning Model With Temporal Validation for Predicting Walking Ability in Nontraumatic Spinal Cord Injury. Neurorehabil Neural Repair. 2026 Oct 16:15459683261493914. doi:10.1177/15459683261493914. PMID: 42885901.
2. Kirshblum SC, et al. International standards for neurological classification of spinal cord injury (revised 2019). J Spinal Cord Med. 2020;43(1):120-126.
3. Steeves JD, et al. Rehabilitation of patients with spinal cord injury: an overview. Spine (Phila Pa 1976). 2011;36(21 Suppl):S54-S56.
4. Hastie T, Tibshirani R, Friedman J. The Elements of Statistical Learning. Springer; 2009.
