目的基于体表大数据构建我国中青年下肢冠状面力线不良预测模型,为临床工作提供更加快速、准确的下肢冠状面力不良预测方法。方法采用横断面研究设计方案,筛选陆军军医大学第一附属医院运动医学中心2022年5月至2023年12月收治的915例膝...目的基于体表大数据构建我国中青年下肢冠状面力线不良预测模型,为临床工作提供更加快速、准确的下肢冠状面力不良预测方法。方法采用横断面研究设计方案,筛选陆军军医大学第一附属医院运动医学中心2022年5月至2023年12月收治的915例膝关节半月板撕裂患者的病历资料,测量其下肢冠状面力线(简称下肢力线)。按照下肢力线分级标准将915例患者分中立位下肢力线及下肢力线不良两组,按照7∶3随机分为训练集和验证集。分析训练集性别、年龄及体表大数据(包括BMI、下肢长、双膝距、双踝距、皮下脂肪厚度)的7项指标用于预测下肢力线不良的价值,建立Logistic回归模型并使用列线图对模型进行可视化,使用校准曲线、ROC曲线和DCA曲线评估模型对下肢力线不良的诊断效能。结果训练集640例,其中男性299例,女性341例,中位年龄41.5岁;验证集275例,其中男性128例,女性147例,中位年龄41.0岁。训练集中中立位下肢力线和下肢力线不良两组间的性别、年龄、BMI等7项指标之间的差异均有统计学意义(P<0.01)。多因素Logistic回归构建了含BMI[(24.31±3.58)kg/m^(2);OR=1.12,95%CI:1.06~1.19,P<0.001]、下肢长[82.00(78.00~87.00)cm;OR=0.95,95%CI:0.92~0.98,P=0.002]、双膝距[30.00(16.00~45.25)mm;OR=1.06,95%CI:1.05~1.07,P<0.001]、双踝距[23.00(18.00~30.00)mm;OR=0.98,95%CI:0.96~1.00,P=0.078]、性别[男性299(46.72%);OR=0.70,95%CI:0.46~1.06,P=0.089]的预测模型,模型预测下肢力线不良的受试者操作曲线下面积(area under the subject curve,AUC)在训练集和验证集中分别为0.808、0.770。结论基于体表大数据,初步构建我国中青年下肢力线不良预测模型,其对于下肢力线不良的诊断效能较高。展开更多
文摘目的基于体表大数据构建我国中青年下肢冠状面力线不良预测模型,为临床工作提供更加快速、准确的下肢冠状面力不良预测方法。方法采用横断面研究设计方案,筛选陆军军医大学第一附属医院运动医学中心2022年5月至2023年12月收治的915例膝关节半月板撕裂患者的病历资料,测量其下肢冠状面力线(简称下肢力线)。按照下肢力线分级标准将915例患者分中立位下肢力线及下肢力线不良两组,按照7∶3随机分为训练集和验证集。分析训练集性别、年龄及体表大数据(包括BMI、下肢长、双膝距、双踝距、皮下脂肪厚度)的7项指标用于预测下肢力线不良的价值,建立Logistic回归模型并使用列线图对模型进行可视化,使用校准曲线、ROC曲线和DCA曲线评估模型对下肢力线不良的诊断效能。结果训练集640例,其中男性299例,女性341例,中位年龄41.5岁;验证集275例,其中男性128例,女性147例,中位年龄41.0岁。训练集中中立位下肢力线和下肢力线不良两组间的性别、年龄、BMI等7项指标之间的差异均有统计学意义(P<0.01)。多因素Logistic回归构建了含BMI[(24.31±3.58)kg/m^(2);OR=1.12,95%CI:1.06~1.19,P<0.001]、下肢长[82.00(78.00~87.00)cm;OR=0.95,95%CI:0.92~0.98,P=0.002]、双膝距[30.00(16.00~45.25)mm;OR=1.06,95%CI:1.05~1.07,P<0.001]、双踝距[23.00(18.00~30.00)mm;OR=0.98,95%CI:0.96~1.00,P=0.078]、性别[男性299(46.72%);OR=0.70,95%CI:0.46~1.06,P=0.089]的预测模型,模型预测下肢力线不良的受试者操作曲线下面积(area under the subject curve,AUC)在训练集和验证集中分别为0.808、0.770。结论基于体表大数据,初步构建我国中青年下肢力线不良预测模型,其对于下肢力线不良的诊断效能较高。
