引用本文： 徐文南, 張耀南, 石磊, 王飛, 薛慶云. 基于528例肩關節鏡患者資料建立肩胛下肌腱撕裂風險分層預測模型. 中國修復重建外科雜志, 2022, 36(6): 729-738. doi: 10.7507/1002-1892.202203091 復制
作為肩袖肌群中最強大的肌腱，肩胛下肌腱（subscapularis，SSC）在肩關節生物力學中發揮著重要作用，是參與盂肱關節穩定和肩關節內旋運動的重要肌腱[1]。在所有接受肩關節鏡檢查的患者中，有12%～50%患者會同時合并SSC撕裂[2]，這是導致肩關節長期疼痛和漸進性功能喪失的重要原因之一。肩關節鏡下修補撕裂的SSC可以獲得良好術后恢復，準確及時的術前診斷是獲得良好手術效果的前提[3-4]。漏診SSC撕裂容易導致肩關節長期疼痛和功能逐漸喪失，以及肌肉萎縮、脂肪浸潤和肌腱撕裂范圍進展[5]。
作為診斷肩袖損傷主要的無創性檢查手段，盡管肩關節MRI對后上方肩袖（岡上、岡下肌腱）撕裂的診斷敏感度可以超過90%，但將其作為SSC撕裂的有效診斷工具一直是一個挑戰[6-7]。Furukawa等[8]發現，在3.0-T MRI的橫斷位和斜矢狀位平面中，診斷SSC撕裂的敏感度分別為57.9%和60.5%。近年一項系統評價和Meta分析指出[7]，MRI診斷SSC撕裂的總體敏感度約為68%，但該評價納入樣本中有超過一半的研究使用了磁共振關節造影檢查，這無疑會提高其診斷敏感度和準確性。肌腱撕裂的范圍及厚度會顯著影響MRI的診斷準確性，對于累及SSC止點上1/3區域的撕裂（Facet 1區），MRI的診斷敏感度會顯著降低[9-11]。Yoo等[12]通過大量標本研究和肩關節鏡觀察發現，Facet 1區撕裂可以占整個SSC撕裂的80%，其損傷的主要類型為磨損和部分撕裂（Yoo分型Ⅰ、Ⅱa、Ⅱb型），這種以小型部分撕裂為主的損傷類型會降低MRI診斷SSC撕裂的總體敏感度和準確性。
作為一種侵入性診斷工具，磁共振關節造影可以將部分撕裂和累及上1/3 足印區的SSC撕裂診斷敏感度提高至72%[13-14]。但同時，其有創性操作帶來的相關風險以及造影劑的潛在不良反應，也一直是臨床醫師擔心的問題。肩關節超聲因其簡便、安全、經濟的特點也獲得了一部分臨床醫師青睞，在患有幽閉恐懼癥的人群中尤其適用[15]。Farooqi等[16]發現，對于經驗豐富的超聲科醫師來說，超聲在診斷岡上肌腱撕裂時可以獲得較滿意的敏感度和特異度，但在SSC撕裂患者中其診斷敏感度僅為30%。Narasimhan等[15]和Toprak等[17]指出，超聲診斷小型SSC撕裂并不可靠，在部分撕裂和累及上1/3足印區的SSC撕裂患者中，其診斷敏感度約為40%。
基于上述原因，一個有效的非侵入性預測評價工具將有助于臨床醫師準確且安全地識別SSC撕裂。我們希望篩選出能準確預測SSC撕裂的評價指標，并開發一個可以評估撕裂發生風險的臨床預測模型，將基于經驗的推測性診斷轉化為科學的風險預測值，來幫助臨床醫師早期識別和干預這類損傷。在目前所有可獲得的模型中，列線圖預測模型可以提供基于證據的、個體化的以及高精度的風險評估。本研究擬探討這種新型風險預測模型在預測SSC撕裂方面能否提供卓越的診斷表現。
1 臨床資料
1.1 患者選擇標準
納入標準：① 接受初次肩關節鏡手術，手術方式包括關節鏡探查清理、肩峰下減壓、肩關節粘連松解、肩袖損傷修補術、盂唇損傷固定術、二頭肌長頭腱切斷或固定術、鈣化性肌腱炎清理。所有手術均由2名經驗豐富的高年資肩關節專業領域醫師完成，術中常規鏡下探查所有肩袖肌腱并記錄。② 術前肩關節MRI在我院完成，可獲得完整影像學資料。
排除標準：① 合并有風濕及免疫系統疾病、感染、腫瘤、骨折并累及肩關節；② 肩關節翻修手術；③ 臨床資料不完整。
2016年7月—2021年12月共528例連續性病例符合選擇標準納入研究。將2016年7月—2019年7月接受肩關節鏡手術的362例患者納入訓練集隊列，2019年8月—2021年12月接受肩關節鏡手術的166例患者納入驗證集隊列。
Yoo等[12]在進行大量解剖研究后將SSC足印區劃分為4個區域（Facet 1～4區），并基于此將SSC損傷分為5個類型（Ⅰ～Ⅴ型）。MRI 對于上1/3 SSC撕裂（Yoo分型Ⅰ～Ⅲ型）的診斷敏感度較差；而當撕裂范圍超過肌腱上1/3部分時，MRI對于SSC撕裂的診斷敏感度可以超過80%[11]。由于我們擬開發一個在SSC撕裂不同分型中均能獲得良好表現的預測模型，所以在訓練集隊列中并未將Yoo分型Ⅰ～Ⅲ型撕裂設為獨立的研究組進行分析。獲得模型后，為了評價該模型在上1/3 SSC撕裂患者中的預測表現，在驗證集隊列中只納入發生Yoo分型Ⅰ～Ⅲ型撕裂的患者進行外部驗證。
1.2 一般資料
訓練集隊列男119例、女243例；年齡26～91歲，平均60.6歲。驗證集隊列男57例、女109例；年齡38～83歲，平均60.9歲。
將在肩關節鏡下診斷為SSC撕裂的患者納入撕裂組，而SSC完整的患者納入未撕裂組。最終，訓練集隊列中撕裂組患者86例（Yoo分型Ⅰ～Ⅴ型），未撕裂組276例；驗證集隊列中撕裂組患者53例（Yoo分型Ⅰ～Ⅲ型），未撕裂組113例。收集包括性別、年齡、優勢手（是/否）、損傷原因（退行性/創傷性）、合并基礎疾病、吸煙史和飲酒史在內的臨床資料。
1.3 影像學資料
所有患者均按統一的肩關節MRI檢查方案完善術前MRI檢查（場強：3.0 T，T1加權、T2加權及質子密度加權圖像），且均未接受肩關節磁共振關節造影檢查。根據既往研究報道[18-22]，從臨床重要性、臨床經驗和臨床實用性3個方面進行評價，初步篩選出17個影像學評價指標來探索它們與SSC撕裂之間的關系和診斷價值。由2名骨科醫師對這些間接觀察指標進行評價，對于連續變量，將2次重復測量結果取均值；對于分類變量，當產生意見分歧時，加入另外1名高年資肩關節外科醫師進行討論，并得出一致結論。
影像學評價指標包括：① 喙突肱骨距離（coracohumeral distance，CHD）：為肱骨頭皮質骨到喙突皮質骨間的最短距離；喙突過度覆蓋（coracoid overlap，CO）：從關節盂表面到喙突尖端的垂直距離[18]；在MRI的軸位和斜矢狀位平面分別進行測量。② 喙突肱骨指數（coracohumeral index，CHI）：MRI軸位平面上喙突長度與肱骨頭直徑的比值[20]。③ 從MRI斜矢狀位圖像中的2個特殊觀察平面（en-平面和Y-平面）[21]評價肩胛下肌肉萎縮程度和積液征象，包括積液征（en-平面）、積液比（en-平面）、積液征（Y-平面）、積液征（冠狀位）、肌肉萎縮（en-平面）、肌肉萎縮（Y-平面）、喙突下積液征（軸位）、小結節區囊腫、小結節區囊腫最大直徑≥5 mm、二頭肌長頭腱移位（半脫位/脫位，軸位）。④ 從Patte分級[23] 、后上方肩袖撕裂厚度（全層/非全層撕裂）和撕裂數量（≤1、≥2根）3個方面評價后上方肩袖撕裂嚴重程度。見圖1。
圖1
MRI間接觀察指標
a. 軸位CHD（紅色實線A）；b. 斜矢狀位CHD（紅色實線B）；c. CO（紅色實線C）、CHI（紅色實線C/D比值）；d. 軸位平面評價二頭肌長頭腱移位情況（白箭頭）和喙突下積液征（紅箭頭）；e. Y-平面根據線條A、B、C評價肩胛下肌肉萎縮情況，箭頭示積液征；f. en-平面根據線條D評價肩胛下肌肉萎縮情況，箭頭示積液征；g. 冠狀位積液征（箭頭）
Figure1. MRI indirect evaluation indexa. Axial CHD (red solid line A); b. Oblique sagittal CHD (red solid line B); c. CO (red solid line C), CHI (red solid line C/D ratio); d. The axial plane evaluated the displacement of the biceps long head tendon (white arrow) and the subcoracoid effusion sign (red arrow); e. The Y-plane evaluated the subscapular muscle atrophy according to lines A, B, and C, the arrow indicated the effusion sign; f. The en-plane evaluated the subscapular muscle atrophy according to the line D, the arrow indicated the effusion sign; g. The coronal effusion sign (arrow)
患者的一般資料和MRI間接觀察指標由骨科醫師評價，基于肌腱形態和信號改變等直接征象作出的MRI診斷由肌骨影像方向的放射科醫師完成。我們將放射科醫師得出的影像學診斷定義為MRI診斷，分為MRI考慮撕裂和未撕裂兩種類型，所有在影像學報告中出現的懷疑性診斷，在該變量中均視為MRI考慮撕裂。
1.4 統計學方法
對一般資料和影像學資料各指標采用SPSS25.0統計軟件進行單因素分析，計量資料經正態性分析均符合正態分布，數據以均數±標準差表示，組間比較采用獨立樣本t檢驗；分類變量組間比較采用χ2檢驗或Fisher確切概率法；檢驗水準α=0.05。
將單因素分析中有統計學意義的變量代入LASSO回歸和10倍交叉驗證法進行高維數據篩選，并將篩選后的變量納入logistic回歸中（最大偏似然估計的似然比檢驗），檢驗水準α=0.05。使用R語言（4.0版本）中的“glmnet”包進行LASSO回歸和10倍交叉驗證。
根據LASSO回歸和10倍交叉驗證的結果，使用R語言4.0版本（http://www.r-project.org/）中“rms”、“DynNom”和“shiny”3個包構建基于網絡的動態列線圖。使用一致性指數（C-index）和經1 000次Bootstrap法（自抽樣法）獲得的校正曲線評價模型表現。繪制受試者工作曲線（receiver operating curve，ROC），分別評價該預測模型和MRI的診斷表現（敏感度、特異度、預測值、似然比）。采用決策曲線分析（decision-curve analysis，DCA）評價預測模型和MRI的臨床效用。
2 結果
2.1 單因素分析結果
一般資料分析顯示，訓練集隊列和驗證集隊列中，撕裂組與未撕裂組患者年齡、合并糖尿病和冠心病情況比較差異有統計學意義（P<0.05）；其余指標兩組比較差異均無統計學意義（P>0.05）。見表1。
表1
訓練集隊列和驗證集隊列一般資料
Table1.
Clinical data of training and validation cohorts
影像學資料分析顯示，訓練集隊列和驗證集隊列中，撕裂組和未撕裂組軸位CHD、斜矢狀位CHD、積液征（en-平面）、積液比（en-平面）、積液征（Y-平面）、積液征（冠狀位）、肌肉萎縮（en-平面）、喙突下積液征（軸位）、二頭肌長頭腱移位、Patte分級、后上方肩袖撕裂厚度、后上方肩袖撕裂數量比較差異有統計學意義（P<0.05），訓練集隊列兩組肌肉萎縮（Y-平面）比較差異有統計學意義（P<0.05），其余指標兩組比較差異均無統計學意義（P>0.05）。見表2。
表2
訓練集隊列和驗證集隊列的影像學資料
Table2.
Imaging data of training and validaiton cohorts
2.2 預測指標的評價及篩選
將單因素分析中有統計學意義的16個變量代入LASSO回歸和10倍交叉驗證法中，評價其預測價值，篩選出與SSC撕裂最相關的敏感預測指標。結果示斜矢狀位CHD減小、積液征（Y-平面）、喙突下積液征（軸位）、二頭肌長頭腱移位（脫位/半脫位）、≥2根后上方肩袖撕裂（岡上/岡下肌腱）以及MRI懷疑SSC撕裂（直接征象）這6個因素與SSC撕裂高度相關。將這6個變量全部代入logistic回歸后獲得最終模型（圖2）。
圖2
列線圖模型和對應的校正曲線
a. 該模型對應的列線圖；b. 訓練集隊列的校正曲線；c. 驗證集隊列的校正曲線
Figure2. Nomogram model and corresponding calibration curvea. The nomogram corresponding to the model; b. The calibration curve of the training cohort; c. The calibration curve of the validation cohort
2.3 模型的開發、評價及驗證
圖2顯示了包含這6個敏感預測指標在內的SSC撕裂風險評估列線圖模型，開發的預測模型使用Bootstrap法（自抽樣次數B=1 000）進行內部驗證。在訓練集隊列中，該預測模型的C-index是0.878，95%CI（0.839，0.918），在驗證集隊列中其C-index為0.890，95%CI（0.840，0.940）。無論是在訓練集隊列還是驗證集隊列中，該模型對于預測SSC撕裂，特別是位于Facet 1區的撕裂均展現了良好的預測能力和區分度。兩組隊列的校正曲線均提示，該模型預測SSC撕裂的結果和實際結果非常接近，預測曲線與理想曲線吻合良好。
為了比較該預測模型和MRI直接征象的診斷表現，本研究分別繪制了兩種方法的ROC曲線，并計算了敏感度、特異度、似然比和預測值。與MRI直接征象相比，該模型在訓練集隊列和驗證集隊列中的ROC曲線下面積、敏感度、陽性預測值、陰性預測值、陽性似然比和陰性似然比表現均更優異。見表3。使用DCA評價兩種方法的臨床效用后發現，當風險閾值概率在3%～93%之間時，該預測模型能產生更大的臨床獲益（圖3）。
表3
列線圖模型和MRI（基于直接征象）的診斷表現
Table3.
Diagnostic performance of nomogram model and MRI (based on direct signs)
圖3
預測模型和MRI的ROC曲線及DCA曲線
a. 訓練集隊列中二者的ROC曲線；b. DCA曲線；c. 驗證集隊列中二者的ROC曲線
Figure3. ROC curve of prediction model and MRI and DCA curvea. The ROC curves of the two in the training cohort; b. DCA curve; c. ROC curves of the two in the validation cohort
為了增強其臨床實用性，在此模型基礎上，本研究同時開發了一個基于網絡的動態評分系統（https://cmuxwn.shinyapps.io/DynNomapp/）來預測SSC撕裂的發生風險（圖4）。在該動態評分系統中選擇各預測指標對應的數值后，就可以直接獲得個體化預測概率，其中“0”代表事件未發生，“1”代表事件發生。根據該預測模型的ROC曲線下面積，當列線圖總得分為85分時可以獲得最佳的診斷敏感度（80.2%）和特異度（78.6%），對應的風險預測值為24%。因此，當風險預測值>24%，定義為SSC撕裂高風險組；當預測值≤24%時，定義為低風險組。
圖4
基于網絡的動態評分系統預測SSC撕裂的截圖展示
黑色橫線和藍色橫線分別示典型病例1和2的95%CI
Figure4. Screenshot display of the network-based dynamic nomogram model for predicting SSC tendon tearingThe black and blue horizontal lines showed the 95%CI of typical cases 1 and 2, respectively
以下兩例典型病例解釋了該列線圖模型的實際應用情況。例1，男，63歲，于MRI上可以觀察到積液征（Y-平面）、喙突下積液征（軸位）、二頭肌長頭腱半脫位、岡上和岡下肌腱撕裂、斜矢狀位CHD為7 cm，MRI診斷考慮SSC撕裂，該動態評分系統預測SSC撕裂的風險是97.3% ［95%CI（0.919，0.992）］，屬于SSC撕裂高風險組。例2，女，55歲，于MRI上測量斜矢狀位CHD為9 cm，同時并未觀察到積液征（Y-平面）和喙突下積液征（軸位），其二頭肌長頭腱位置正常，僅觀察到岡上肌腱部分撕裂，MRI診斷不考慮SSC撕裂，該動態評分系統預測SSC撕裂的風險是5.5% ［95%CI（0.032，0.092）］，屬于SSC撕裂低風險組。見圖4。
3 討論
目前，MRI診斷SSC撕裂的敏感度不如診斷岡上、岡下肌腱撕裂高，對于累及Facet 1區的部分撕裂，有時其影像學直接征象（肌腱形態及信號改變）并不能在MRI上得到很好的直觀顯示，聯合可靠的間接觀察指標將有助于全面評價這類損傷并提高其診斷敏感度和診斷表現。本研究的貢獻主要包括：① 首次確定并篩選出在SSC撕裂中有重要預測價值的評價指標，構建的動態評分系統可以作為輔助臨床診斷的重要工具；② 構建的預測模型能夠提供個體化的風險概率值，根據高/低風險組的定義標準能夠幫助臨床醫生識別可能發生SSC撕裂的高危人群，從而給出合理的臨床建議，避免遺漏；③ 傳統MRI對于Facet 1區撕裂診斷敏感度并不高，該預測模型在該類患者中也同時具備良好的診斷表現。
既往研究發現，喙突的解剖形態及其與周圍結構的關系會參與SSC損傷的病理進程[18，20，24]。為了篩選出更敏感的喙突形態參數指標，我們分別測量軸位CHD、斜矢狀位CHD、軸位CHI和CO這4個指標。研究發現，斜矢狀位CHD減小與SSC撕裂高度相關，與其他3個指標相比，該指標具有更大的預測價值和診斷敏感度。斜矢狀位CHD越小，發生SSC撕裂的風險越高。Kim等[25]指出二頭肌長頭腱位置異常與SSC撕裂高度相關，本研究進一步表明二頭肌長頭腱移位（半脫位/脫位）確實是預測SSC撕裂的可靠間接觀察指標。Mehta等[22]發現SSC撕裂患者中有較高比例的人群會同時合并后上方肩袖全層撕裂。本研究結果提示，相比于后上方肩袖撕裂的厚度和短縮程度這兩個因素，后上方肩袖撕裂累及的肌腱數量與SSC撕裂的關系更為密切。部分學者認為當MRI上發現肩胛下肌周圍積液以及小結節區囊腫時，可能會提示發生SSC撕裂[21，26-27]。本研究結果指出，積液征（Y-平面）以及喙突下積液征（軸位）與SSC撕裂關系更為密切，但并未發現小結節區域囊腫與SSC撕裂間存在相關性。
最終，本研究篩選出6個影像學間接評價指標［斜矢狀位CHD、積液征（Y-平面）、喙突下積液征（軸位）、二頭肌長頭腱移位（脫位/半脫位）、根后上方肩袖撕裂數量以及基于直接征象的MRI診斷］ 作為預測SSC撕裂的可靠指標，相比于傳統僅依靠肌腱撕裂的直接影像學表現進行診斷，聯合上述間接指標可以在MRI上更全面地評價SSC損傷情況并獲得較理想的診斷表現和敏感度。我們首次提出了一個基于網絡的動態預測評分系統，通過該方法，臨床醫生可以根據每個患者的得分情況得到個體化的風險預測概率。而高風險/低風險組的定義標準有助于臨床醫生識別可能發生SSC撕裂的高危人群，提醒醫生重視對SSC損傷的評估，從而給出合理建議。
當然本研究也存在一些局限性。首先，患者一般資料來源于單一臨床機構，我們認為，使用多中心的患者隊列對該模型進行驗證是有必要的，有助于模型的外部推廣。在進一步研究中，我們會采用多中心隊列來評價該模型的表現。另外，近年一項系統評價和Meta分析發現，即使是評價SSC撕裂最敏感的體格檢查方法（bear-hug法），其診斷敏感度也僅為50%左右，依靠單一體格檢查方法評價SSC撕裂并不可靠[28-29]。在我們收集的臨床資料中，體格檢查資料不完整，同時考慮到診斷價值較低的查體方法在變量篩選過程中會被剔除，無疑會降低體格檢查在診斷SSC撕裂中的價值和作用，因此我們未將專科查體方法納入分析。作為診斷流程中重要的一部分，我們建議醫生在獲得風險預測概率和影像學診斷后，結合不少于兩種體格檢查方法進行綜合診斷評估。
利益沖突 在課題研究和文章撰寫過程中不存在利益沖突
倫理聲明 研究方案經北京醫院醫學倫理委員會批準（2021BJYYEC-225-01）
作者貢獻聲明 徐文南：撰寫文章、研究設計及實施、統計分析；張耀南、石磊、王飛：數據收集整理；薛慶云：對文章的知識性內容作批評性審閱
作為肩袖肌群中最強大的肌腱，肩胛下肌腱（subscapularis，SSC）在肩關節生物力學中發揮著重要作用，是參與盂肱關節穩定和肩關節內旋運動的重要肌腱[1]。在所有接受肩關節鏡檢查的患者中，有12%～50%患者會同時合并SSC撕裂[2]，這是導致肩關節長期疼痛和漸進性功能喪失的重要原因之一。肩關節鏡下修補撕裂的SSC可以獲得良好術后恢復，準確及時的術前診斷是獲得良好手術效果的前提[3-4]。漏診SSC撕裂容易導致肩關節長期疼痛和功能逐漸喪失，以及肌肉萎縮、脂肪浸潤和肌腱撕裂范圍進展[5]。
作為診斷肩袖損傷主要的無創性檢查手段，盡管肩關節MRI對后上方肩袖（岡上、岡下肌腱）撕裂的診斷敏感度可以超過90%，但將其作為SSC撕裂的有效診斷工具一直是一個挑戰[6-7]。Furukawa等[8]發現，在3.0-T MRI的橫斷位和斜矢狀位平面中，診斷SSC撕裂的敏感度分別為57.9%和60.5%。近年一項系統評價和Meta分析指出[7]，MRI診斷SSC撕裂的總體敏感度約為68%，但該評價納入樣本中有超過一半的研究使用了磁共振關節造影檢查，這無疑會提高其診斷敏感度和準確性。肌腱撕裂的范圍及厚度會顯著影響MRI的診斷準確性，對于累及SSC止點上1/3區域的撕裂（Facet 1區），MRI的診斷敏感度會顯著降低[9-11]。Yoo等[12]通過大量標本研究和肩關節鏡觀察發現，Facet 1區撕裂可以占整個SSC撕裂的80%，其損傷的主要類型為磨損和部分撕裂（Yoo分型Ⅰ、Ⅱa、Ⅱb型），這種以小型部分撕裂為主的損傷類型會降低MRI診斷SSC撕裂的總體敏感度和準確性。
作為一種侵入性診斷工具，磁共振關節造影可以將部分撕裂和累及上1/3 足印區的SSC撕裂診斷敏感度提高至72%[13-14]。但同時，其有創性操作帶來的相關風險以及造影劑的潛在不良反應，也一直是臨床醫師擔心的問題。肩關節超聲因其簡便、安全、經濟的特點也獲得了一部分臨床醫師青睞，在患有幽閉恐懼癥的人群中尤其適用[15]。Farooqi等[16]發現，對于經驗豐富的超聲科醫師來說，超聲在診斷岡上肌腱撕裂時可以獲得較滿意的敏感度和特異度，但在SSC撕裂患者中其診斷敏感度僅為30%。Narasimhan等[15]和Toprak等[17]指出，超聲診斷小型SSC撕裂并不可靠，在部分撕裂和累及上1/3足印區的SSC撕裂患者中，其診斷敏感度約為40%。
基于上述原因，一個有效的非侵入性預測評價工具將有助于臨床醫師準確且安全地識別SSC撕裂。我們希望篩選出能準確預測SSC撕裂的評價指標，并開發一個可以評估撕裂發生風險的臨床預測模型，將基于經驗的推測性診斷轉化為科學的風險預測值，來幫助臨床醫師早期識別和干預這類損傷。在目前所有可獲得的模型中，列線圖預測模型可以提供基于證據的、個體化的以及高精度的風險評估。本研究擬探討這種新型風險預測模型在預測SSC撕裂方面能否提供卓越的診斷表現。
1 臨床資料
1.1 患者選擇標準
納入標準：① 接受初次肩關節鏡手術，手術方式包括關節鏡探查清理、肩峰下減壓、肩關節粘連松解、肩袖損傷修補術、盂唇損傷固定術、二頭肌長頭腱切斷或固定術、鈣化性肌腱炎清理。所有手術均由2名經驗豐富的高年資肩關節專業領域醫師完成，術中常規鏡下探查所有肩袖肌腱并記錄。② 術前肩關節MRI在我院完成，可獲得完整影像學資料。
排除標準：① 合并有風濕及免疫系統疾病、感染、腫瘤、骨折并累及肩關節；② 肩關節翻修手術；③ 臨床資料不完整。
2016年7月—2021年12月共528例連續性病例符合選擇標準納入研究。將2016年7月—2019年7月接受肩關節鏡手術的362例患者納入訓練集隊列，2019年8月—2021年12月接受肩關節鏡手術的166例患者納入驗證集隊列。
Yoo等[12]在進行大量解剖研究后將SSC足印區劃分為4個區域（Facet 1～4區），并基于此將SSC損傷分為5個類型（Ⅰ～Ⅴ型）。MRI 對于上1/3 SSC撕裂（Yoo分型Ⅰ～Ⅲ型）的診斷敏感度較差；而當撕裂范圍超過肌腱上1/3部分時，MRI對于SSC撕裂的診斷敏感度可以超過80%[11]。由于我們擬開發一個在SSC撕裂不同分型中均能獲得良好表現的預測模型，所以在訓練集隊列中并未將Yoo分型Ⅰ～Ⅲ型撕裂設為獨立的研究組進行分析。獲得模型后，為了評價該模型在上1/3 SSC撕裂患者中的預測表現，在驗證集隊列中只納入發生Yoo分型Ⅰ～Ⅲ型撕裂的患者進行外部驗證。
1.2 一般資料
訓練集隊列男119例、女243例；年齡26～91歲，平均60.6歲。驗證集隊列男57例、女109例；年齡38～83歲，平均60.9歲。
將在肩關節鏡下診斷為SSC撕裂的患者納入撕裂組，而SSC完整的患者納入未撕裂組。最終，訓練集隊列中撕裂組患者86例（Yoo分型Ⅰ～Ⅴ型），未撕裂組276例；驗證集隊列中撕裂組患者53例（Yoo分型Ⅰ～Ⅲ型），未撕裂組113例。收集包括性別、年齡、優勢手（是/否）、損傷原因（退行性/創傷性）、合并基礎疾病、吸煙史和飲酒史在內的臨床資料。
1.3 影像學資料
所有患者均按統一的肩關節MRI檢查方案完善術前MRI檢查（場強：3.0 T，T1加權、T2加權及質子密度加權圖像），且均未接受肩關節磁共振關節造影檢查。根據既往研究報道[18-22]，從臨床重要性、臨床經驗和臨床實用性3個方面進行評價，初步篩選出17個影像學評價指標來探索它們與SSC撕裂之間的關系和診斷價值。由2名骨科醫師對這些間接觀察指標進行評價，對于連續變量，將2次重復測量結果取均值；對于分類變量，當產生意見分歧時，加入另外1名高年資肩關節外科醫師進行討論，并得出一致結論。
影像學評價指標包括：① 喙突肱骨距離（coracohumeral distance，CHD）：為肱骨頭皮質骨到喙突皮質骨間的最短距離；喙突過度覆蓋（coracoid overlap，CO）：從關節盂表面到喙突尖端的垂直距離[18]；在MRI的軸位和斜矢狀位平面分別進行測量。② 喙突肱骨指數（coracohumeral index，CHI）：MRI軸位平面上喙突長度與肱骨頭直徑的比值[20]。③ 從MRI斜矢狀位圖像中的2個特殊觀察平面（en-平面和Y-平面）[21]評價肩胛下肌肉萎縮程度和積液征象，包括積液征（en-平面）、積液比（en-平面）、積液征（Y-平面）、積液征（冠狀位）、肌肉萎縮（en-平面）、肌肉萎縮（Y-平面）、喙突下積液征（軸位）、小結節區囊腫、小結節區囊腫最大直徑≥5 mm、二頭肌長頭腱移位（半脫位/脫位，軸位）。④ 從Patte分級[23] 、后上方肩袖撕裂厚度（全層/非全層撕裂）和撕裂數量（≤1、≥2根）3個方面評價后上方肩袖撕裂嚴重程度。見圖1。
圖1
MRI間接觀察指標
a. 軸位CHD（紅色實線A）；b. 斜矢狀位CHD（紅色實線B）；c. CO（紅色實線C）、CHI（紅色實線C/D比值）；d. 軸位平面評價二頭肌長頭腱移位情況（白箭頭）和喙突下積液征（紅箭頭）；e. Y-平面根據線條A、B、C評價肩胛下肌肉萎縮情況，箭頭示積液征；f. en-平面根據線條D評價肩胛下肌肉萎縮情況，箭頭示積液征；g. 冠狀位積液征（箭頭）
Figure1. MRI indirect evaluation indexa. Axial CHD (red solid line A); b. Oblique sagittal CHD (red solid line B); c. CO (red solid line C), CHI (red solid line C/D ratio); d. The axial plane evaluated the displacement of the biceps long head tendon (white arrow) and the subcoracoid effusion sign (red arrow); e. The Y-plane evaluated the subscapular muscle atrophy according to lines A, B, and C, the arrow indicated the effusion sign; f. The en-plane evaluated the subscapular muscle atrophy according to the line D, the arrow indicated the effusion sign; g. The coronal effusion sign (arrow)
患者的一般資料和MRI間接觀察指標由骨科醫師評價，基于肌腱形態和信號改變等直接征象作出的MRI診斷由肌骨影像方向的放射科醫師完成。我們將放射科醫師得出的影像學診斷定義為MRI診斷，分為MRI考慮撕裂和未撕裂兩種類型，所有在影像學報告中出現的懷疑性診斷，在該變量中均視為MRI考慮撕裂。
1.4 統計學方法
對一般資料和影像學資料各指標采用SPSS25.0統計軟件進行單因素分析，計量資料經正態性分析均符合正態分布，數據以均數±標準差表示，組間比較采用獨立樣本t檢驗；分類變量組間比較采用χ2檢驗或Fisher確切概率法；檢驗水準α=0.05。
將單因素分析中有統計學意義的變量代入LASSO回歸和10倍交叉驗證法進行高維數據篩選，并將篩選后的變量納入logistic回歸中（最大偏似然估計的似然比檢驗），檢驗水準α=0.05。使用R語言（4.0版本）中的“glmnet”包進行LASSO回歸和10倍交叉驗證。
根據LASSO回歸和10倍交叉驗證的結果，使用R語言4.0版本（http://www.r-project.org/）中“rms”、“DynNom”和“shiny”3個包構建基于網絡的動態列線圖。使用一致性指數（C-index）和經1 000次Bootstrap法（自抽樣法）獲得的校正曲線評價模型表現。繪制受試者工作曲線（receiver operating curve，ROC），分別評價該預測模型和MRI的診斷表現（敏感度、特異度、預測值、似然比）。采用決策曲線分析（decision-curve analysis，DCA）評價預測模型和MRI的臨床效用。
2 結果
2.1 單因素分析結果
一般資料分析顯示，訓練集隊列和驗證集隊列中，撕裂組與未撕裂組患者年齡、合并糖尿病和冠心病情況比較差異有統計學意義（P<0.05）；其余指標兩組比較差異均無統計學意義（P>0.05）。見表1。
表1
訓練集隊列和驗證集隊列一般資料
Table1.
Clinical data of training and validation cohorts
影像學資料分析顯示，訓練集隊列和驗證集隊列中，撕裂組和未撕裂組軸位CHD、斜矢狀位CHD、積液征（en-平面）、積液比（en-平面）、積液征（Y-平面）、積液征（冠狀位）、肌肉萎縮（en-平面）、喙突下積液征（軸位）、二頭肌長頭腱移位、Patte分級、后上方肩袖撕裂厚度、后上方肩袖撕裂數量比較差異有統計學意義（P<0.05），訓練集隊列兩組肌肉萎縮（Y-平面）比較差異有統計學意義（P<0.05），其余指標兩組比較差異均無統計學意義（P>0.05）。見表2。
表2
訓練集隊列和驗證集隊列的影像學資料
Table2.
Imaging data of training and validaiton cohorts
2.2 預測指標的評價及篩選
將單因素分析中有統計學意義的16個變量代入LASSO回歸和10倍交叉驗證法中，評價其預測價值，篩選出與SSC撕裂最相關的敏感預測指標。結果示斜矢狀位CHD減小、積液征（Y-平面）、喙突下積液征（軸位）、二頭肌長頭腱移位（脫位/半脫位）、≥2根后上方肩袖撕裂（岡上/岡下肌腱）以及MRI懷疑SSC撕裂（直接征象）這6個因素與SSC撕裂高度相關。將這6個變量全部代入logistic回歸后獲得最終模型（圖2）。
圖2
列線圖模型和對應的校正曲線
a. 該模型對應的列線圖；b. 訓練集隊列的校正曲線；c. 驗證集隊列的校正曲線
Figure2. Nomogram model and corresponding calibration curvea. The nomogram corresponding to the model; b. The calibration curve of the training cohort; c. The calibration curve of the validation cohort
2.3 模型的開發、評價及驗證
圖2顯示了包含這6個敏感預測指標在內的SSC撕裂風險評估列線圖模型，開發的預測模型使用Bootstrap法（自抽樣次數B=1 000）進行內部驗證。在訓練集隊列中，該預測模型的C-index是0.878，95%CI（0.839，0.918），在驗證集隊列中其C-index為0.890，95%CI（0.840，0.940）。無論是在訓練集隊列還是驗證集隊列中，該模型對于預測SSC撕裂，特別是位于Facet 1區的撕裂均展現了良好的預測能力和區分度。兩組隊列的校正曲線均提示，該模型預測SSC撕裂的結果和實際結果非常接近，預測曲線與理想曲線吻合良好。
為了比較該預測模型和MRI直接征象的診斷表現，本研究分別繪制了兩種方法的ROC曲線，并計算了敏感度、特異度、似然比和預測值。與MRI直接征象相比，該模型在訓練集隊列和驗證集隊列中的ROC曲線下面積、敏感度、陽性預測值、陰性預測值、陽性似然比和陰性似然比表現均更優異。見表3。使用DCA評價兩種方法的臨床效用后發現，當風險閾值概率在3%～93%之間時，該預測模型能產生更大的臨床獲益（圖3）。
表3
列線圖模型和MRI（基于直接征象）的診斷表現
Table3.
Diagnostic performance of nomogram model and MRI (based on direct signs)
圖3
預測模型和MRI的ROC曲線及DCA曲線
a. 訓練集隊列中二者的ROC曲線；b. DCA曲線；c. 驗證集隊列中二者的ROC曲線
Figure3. ROC curve of prediction model and MRI and DCA curvea. The ROC curves of the two in the training cohort; b. DCA curve; c. ROC curves of the two in the validation cohort
為了增強其臨床實用性，在此模型基礎上，本研究同時開發了一個基于網絡的動態評分系統（https://cmuxwn.shinyapps.io/DynNomapp/）來預測SSC撕裂的發生風險（圖4）。在該動態評分系統中選擇各預測指標對應的數值后，就可以直接獲得個體化預測概率，其中“0”代表事件未發生，“1”代表事件發生。根據該預測模型的ROC曲線下面積，當列線圖總得分為85分時可以獲得最佳的診斷敏感度（80.2%）和特異度（78.6%），對應的風險預測值為24%。因此，當風險預測值>24%，定義為SSC撕裂高風險組；當預測值≤24%時，定義為低風險組。
圖4
基于網絡的動態評分系統預測SSC撕裂的截圖展示
黑色橫線和藍色橫線分別示典型病例1和2的95%CI
Figure4. Screenshot display of the network-based dynamic nomogram model for predicting SSC tendon tearingThe black and blue horizontal lines showed the 95%CI of typical cases 1 and 2, respectively
以下兩例典型病例解釋了該列線圖模型的實際應用情況。例1，男，63歲，于MRI上可以觀察到積液征（Y-平面）、喙突下積液征（軸位）、二頭肌長頭腱半脫位、岡上和岡下肌腱撕裂、斜矢狀位CHD為7 cm，MRI診斷考慮SSC撕裂，該動態評分系統預測SSC撕裂的風險是97.3% ［95%CI（0.919，0.992）］，屬于SSC撕裂高風險組。例2，女，55歲，于MRI上測量斜矢狀位CHD為9 cm，同時并未觀察到積液征（Y-平面）和喙突下積液征（軸位），其二頭肌長頭腱位置正常，僅觀察到岡上肌腱部分撕裂，MRI診斷不考慮SSC撕裂，該動態評分系統預測SSC撕裂的風險是5.5% ［95%CI（0.032，0.092）］，屬于SSC撕裂低風險組。見圖4。
3 討論
目前，MRI診斷SSC撕裂的敏感度不如診斷岡上、岡下肌腱撕裂高，對于累及Facet 1區的部分撕裂，有時其影像學直接征象（肌腱形態及信號改變）并不能在MRI上得到很好的直觀顯示，聯合可靠的間接觀察指標將有助于全面評價這類損傷并提高其診斷敏感度和診斷表現。本研究的貢獻主要包括：① 首次確定并篩選出在SSC撕裂中有重要預測價值的評價指標，構建的動態評分系統可以作為輔助臨床診斷的重要工具；② 構建的預測模型能夠提供個體化的風險概率值，根據高/低風險組的定義標準能夠幫助臨床醫生識別可能發生SSC撕裂的高危人群，從而給出合理的臨床建議，避免遺漏；③ 傳統MRI對于Facet 1區撕裂診斷敏感度并不高，該預測模型在該類患者中也同時具備良好的診斷表現。
既往研究發現，喙突的解剖形態及其與周圍結構的關系會參與SSC損傷的病理進程[18，20，24]。為了篩選出更敏感的喙突形態參數指標，我們分別測量軸位CHD、斜矢狀位CHD、軸位CHI和CO這4個指標。研究發現，斜矢狀位CHD減小與SSC撕裂高度相關，與其他3個指標相比，該指標具有更大的預測價值和診斷敏感度。斜矢狀位CHD越小，發生SSC撕裂的風險越高。Kim等[25]指出二頭肌長頭腱位置異常與SSC撕裂高度相關，本研究進一步表明二頭肌長頭腱移位（半脫位/脫位）確實是預測SSC撕裂的可靠間接觀察指標。Mehta等[22]發現SSC撕裂患者中有較高比例的人群會同時合并后上方肩袖全層撕裂。本研究結果提示，相比于后上方肩袖撕裂的厚度和短縮程度這兩個因素，后上方肩袖撕裂累及的肌腱數量與SSC撕裂的關系更為密切。部分學者認為當MRI上發現肩胛下肌周圍積液以及小結節區囊腫時，可能會提示發生SSC撕裂[21，26-27]。本研究結果指出，積液征（Y-平面）以及喙突下積液征（軸位）與SSC撕裂關系更為密切，但并未發現小結節區域囊腫與SSC撕裂間存在相關性。
最終，本研究篩選出6個影像學間接評價指標［斜矢狀位CHD、積液征（Y-平面）、喙突下積液征（軸位）、二頭肌長頭腱移位（脫位/半脫位）、根后上方肩袖撕裂數量以及基于直接征象的MRI診斷］ 作為預測SSC撕裂的可靠指標，相比于傳統僅依靠肌腱撕裂的直接影像學表現進行診斷，聯合上述間接指標可以在MRI上更全面地評價SSC損傷情況并獲得較理想的診斷表現和敏感度。我們首次提出了一個基于網絡的動態預測評分系統，通過該方法，臨床醫生可以根據每個患者的得分情況得到個體化的風險預測概率。而高風險/低風險組的定義標準有助于臨床醫生識別可能發生SSC撕裂的高危人群，提醒醫生重視對SSC損傷的評估，從而給出合理建議。
當然本研究也存在一些局限性。首先，患者一般資料來源于單一臨床機構，我們認為，使用多中心的患者隊列對該模型進行驗證是有必要的，有助于模型的外部推廣。在進一步研究中，我們會采用多中心隊列來評價該模型的表現。另外，近年一項系統評價和Meta分析發現，即使是評價SSC撕裂最敏感的體格檢查方法（bear-hug法），其診斷敏感度也僅為50%左右，依靠單一體格檢查方法評價SSC撕裂并不可靠[28-29]。在我們收集的臨床資料中，體格檢查資料不完整，同時考慮到診斷價值較低的查體方法在變量篩選過程中會被剔除，無疑會降低體格檢查在診斷SSC撕裂中的價值和作用，因此我們未將專科查體方法納入分析。作為診斷流程中重要的一部分，我們建議醫生在獲得風險預測概率和影像學診斷后，結合不少于兩種體格檢查方法進行綜合診斷評估。
利益沖突 在課題研究和文章撰寫過程中不存在利益沖突
倫理聲明 研究方案經北京醫院醫學倫理委員會批準（2021BJYYEC-225-01）
作者貢獻聲明 徐文南：撰寫文章、研究設計及實施、統計分析；張耀南、石磊、王飛：數據收集整理；薛慶云：對文章的知識性內容作批評性審閱
