《Scientific Reports》：Development of a machine learning model using structured and unstructured features for predicting surgery among patients with carpal tunnel syndrome: development and validation
编辑推荐：
本刊推荐：针对腕管综合征(CTS)患者手术指征判读难题，研究者基于多模态数据整合思路，开展机器学习预测模型构建研究。结果表明，联合EMG严重程度分级与文本挖掘特征可显著提升模型效能(AUROC 0.792)，为临床决策提供量化支撑。
从数据迷雾到精准预测：当机器学习遇见腕管综合征诊疗决策
在神经内科与手外科门诊，腕管综合征(Carpal Tunnel Syndrome, CTS)堪称“大众病”——作为最常见的压迫性单神经病变，它犹如一道隐形枷锁，让无数患者饱受手指麻木、夜间痛醒之苦。然而临床现实却充满矛盾：虽然部分患者经保守治疗可缓解，但约19%的患者最终需手术干预。更棘手的是，医生往往依赖经验判断手术时机，缺乏客观量化工具。如何在海量临床数据中精准识别手术高危人群？这成为提升诊疗效率的关键瓶颈。
近日发表于《Scientific Reports》的研究给出了破题思路。韩国首尔市立Boramae医疗中心团队创新性地整合标准化通用数据模型(Common Data Model, CDM)的结构化数据与肌电图(Electromyography, EMG)报告、影像学报告的无结构文本，构建了CTS手术风险预测模型。研究表明，引入文本挖掘与EMG分级后，模型预测性能显著超越传统结构化数据模型(AUROC 0.792 vs 0.759)，为临床决策提供了可解释的数据驱动方案。
方法速览：多模态数据融合的算法实践
研究纳入3602例成人CTS患者，其中696例(19.3%)于确诊365天内接受手术。核心方法涵盖三大维度：数据处理层将EMG/影像报告经自然语言处理提取主题特征与EMG严重度分级；建模层采用LASSO逻辑回归、梯度提升机(Gradient Boosting Machine, GBM)、随机森林对比；评估层通过受试者工作特征曲线下面积(Area Under the Receiver Operating Characteristic Curve, AUROC)与SHAP(SHapley Additive exPlanations)值解析特征贡献。
结果揭示：文本特征成破局关键
模型性能比较
GBM模型表现最佳，集成结构化特征与文本/EMG衍生特征的混合模型AUROC达0.792，较仅用结构化数据的模型提升0.033(P<0.001)。这一差距证实无结构文本蕴含被忽视的预测信号。
特征重要性解析
SHAP分析显示，EMG严重程度分级与文本主题模型中高频医学术语（如神经传导参数、解剖描述）位居贡献度榜首。这表明电生理评估细节与影像描述中的细微差异，实为预测手术需求的核心变量。
结论与展望：让算法读懂病历潜台词
该研究首次证明：通过自然语言处理挖掘临床文本的“潜台词”，结合经典CDM数据，可构建高精度CTS手术预测模型。其意义远超单一疾病——它展示了一种可复制的范式：当EMG报告中的分级细节与影像描述的解剖特征被量化捕捉，算法便能辅助医生穿透数据迷雾，提前锁定手术获益人群。
对于临床实践，这意味着未来或可开发实时风险评估插件，在患者初诊时即提示个体化干预路径；对于科研生态，它验证了多模态数据融合在神经肌肉疾病管理中的潜力，为糖尿病周围神经病变、腰椎间盘突出等需长期随访决策的疾病提供了方法论样板。诚然，模型仍需外部验证与伦理校准，但它无疑向智慧医疗的终极目标迈出坚实一步：让每一个临床决策，都有据可依。
