The incidence of unsatisfactory postoperative outcomes after treatment of degenerative lumbosacral spine diseases depends on surgical method. Their prediction is difficult due to heterogeneity of clinical and instrumental characteristics of patient groups. Development of predictive models of clinical outcomes may be useful for decision making and favorable postoperative outcomes. To develop and validate the effectiveness of multivariate predictive model for assessing the risks and benefits of minimally invasive lumbar fusion in railway workers with degenerative lumbar spine diseases. We retrospectively analyzed prospective database consisting of 457 patients. They underwent minimally invasive lumbar fusion between 2020 and 2023. Comprehensive clinical, radiological and neuroimaging assessments were performed before surgery and 24 months later. Regression analysis was used to create prognostic models of long-term clinical outcomes (y0 - ODI; y1 - SF-36 PCS (physical component score); y2 - SF-36 MCS (mental component score); y3 - Macnab scale). All clinical parameters (ODI, VAS, SF-36) significantly improved after surgery compared to preoperative values (p<0.01). Within 90 days after surgery, redo surgery rate was 5.7%, and the number of readmissions throughout the entire follow-up period - 8.3%. About 87.3% of railway workers returned to previous work. Clinical deterioration was observed in 51 (11.2%) patients. Preoperative variables predict long-term clinical outcomes. Their role and dominance depend on prognostic model. Predictive models may be valuable to improve long-term outcomes when planning minimally invasive lumbar spine fusion. Частота неудовлетворительных результатов хирургического лечения дегенеративных заболеваний пояснично-крестцового отдела позвоночника варьируется в зависимости от метода оперативного вмешательства. Их прогнозирование затруднено из-за неоднородности клинических и инструментальных характеристик пациентов. Разработка и использование прогностических моделей клинических результатов может помочь хирургу в принятии решений и повышении эффективности операций. Разработка и валидация многофакторной прогностической модели для оценки рисков и преимуществ минимально инвазивных декомпрессивно-стабилизирующих вмешательств у работников железнодорожного транспорта с дегенеративными заболеваниями поясничного отдела позвоночника. Проведен ретроспективный анализ проспективно собранной базы данных 457 пациентов, прооперированных в период с 2020 по 2023 г. с использованием минимально инвазивных декомпрессивно-стабилизирующих методик. Комплексная клиническая, рентгенологическая и нейровизуализационная оценка проводилась до операции и через 24 мес после вмешательства. Для создания прогностических моделей отдаленных исходов (y0 — индекс недееспособности Освестри (ODI); y1 — физический компонент здоровья анкеты для исследования уровня качества жизни (PCS SF-36); y2 — психический компонент здоровья анкеты для исследования уровня качества жизни (MCS SF-36); y3 — шкала Макнаба) применялся регрессионный анализ. Все анализируемые клинические параметры (индекс недееспособности Освестри, визуально-аналоговая шкала боли, анкета для исследования уровня качества жизни) продемонстрировали статистически значимое улучшение в послеоперационном периоде по сравнению с исходным уровнем (p<0,05). В течение 90 дней после операции частота реопераций составила 5,7%, а количество повторных госпитализаций за весь период наблюдения — 8,3%. К прежней трудовой деятельности вернулись 87,3% пациентов. Клиническое ухудшение отмечено у 51 (11,2%) пациента. Установлено, что дооперационные переменные обладают прогностической ценностью в отношении отдаленного исхода, причем их роль и вклад различаются в зависимости от конкретной модели. Разработанные прогностические модели могут быть использованы для улучшения отдаленных результатов при планировании минимально инвазивных декомпрессивно-стабилизирующих вмешательств на поясничном отделе позвоночника.
使用 AI 将内容摘要翻译为中文，便于快速阅读
使用 AI 分析这篇文章的核心发现、关键要点和深度见解
由 DeepSeek AI 提供分析 · 首次使用需配置 API Key
PubMed · 2026-01-01
PubMed · 2026-01-01
PubMed · 2026-01-01
PubMed · 2026-01-01