机器学习模型外部验证：脊柱裂膀胱功能障碍分类与肾积水风险预测

medRxiv 预印本 · 2026-10-03 · 预印本

• 一句话结论：结论方向：在独立外部队列中，基于视频尿动力学数据的机器学习模型对脊柱裂患者膀胱功能障碍分级与肾积水发生预测表现出与既往报道相近的区分度与准确率，属证据支持但样本量有限。
• 研究设计与做法：研究设计与做法：单中心回顾性外部验证研究，纳入2016—2025年接受视频尿动力学检查的脊柱裂患者；采用三种模型：基于压力-容积数据的深度学习卷积神经网络、基于透视影像的深度学习模型，以及平均两者风险的集成模型；以专家小儿泌尿科医师判读为参照，评估肾积水发生预测与膀胱功能障碍严重度分类；随访时长材料未报告。
• 主要结果：主要结果：肾积水队列70例，其中13例（18%）发生新发肾积水；集成模型一致性指数0.77（压力-容积0.70，影像0.72），总体AUROC 0.75（压力-容积0.67，影像0.74）；95例视频尿动力学检查的膀胱功能障碍分类中，集成模型准确率71%，压力-容积单独60%，影像单独66%，与专家判读无实质性分歧。
• 机制或解释：机制或解释：材料未报告。作者未就模型性能差异的机制给出解释，仅比较了不同数据模态的判别能力。
• 局限与边界：局限与边界：单中心、回顾性设计，肾积水事件数较少（13例），样本量有限（70例与95例检查）；随访时长、人群代表性、外部多中心验证及利益冲突材料未报告；模型为既往框架的适配版本，需更广泛人群验证。
• 可否落地：可否落地：提示该类模型可作为脊柱裂患者视频尿动力学判读的辅助工具，用于肾积水风险分层与膀胱功能障碍分级；当前证据档位为C（预印本、单中心小样本），尚不足以下结论支持常规临床替代专家判读。

🔗 打开原文

Weaver, J. K., Logan, J., Klock, J. A. 等

本文摘自《每日前沿研究简报 · 2026-10-05》「医学与健康」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。