引用本文： 徐文南, 张耀南, 石磊, 王飞, 薛庆云. 基于528例肩关节镜患者资料建立肩胛下肌腱撕裂风险分层预测模型. 中国修复重建外科杂志, 2022, 36(6): 729-738. doi: 10.7507/1002-1892.202203091 复制
作为肩袖肌群中最强大的肌腱，肩胛下肌腱（subscapularis，SSC）在肩关节生物力学中发挥着重要作用，是参与盂肱关节稳定和肩关节内旋运动的重要肌腱[1]。在所有接受肩关节镜检查的患者中，有12%～50%患者会同时合并SSC撕裂[2]，这是导致肩关节长期疼痛和渐进性功能丧失的重要原因之一。肩关节镜下修补撕裂的SSC可以获得良好术后恢复，准确及时的术前诊断是获得良好手术效果的前提[3-4]。漏诊SSC撕裂容易导致肩关节长期疼痛和功能逐渐丧失，以及肌肉萎缩、脂肪浸润和肌腱撕裂范围进展[5]。
作为诊断肩袖损伤主要的无创性检查手段，尽管肩关节MRI对后上方肩袖（冈上、冈下肌腱）撕裂的诊断敏感度可以超过90%，但将其作为SSC撕裂的有效诊断工具一直是一个挑战[6-7]。Furukawa等[8]发现，在3.0-T MRI的横断位和斜矢状位平面中，诊断SSC撕裂的敏感度分别为57.9%和60.5%。近年一项系统评价和Meta分析指出[7]，MRI诊断SSC撕裂的总体敏感度约为68%，但该评价纳入样本中有超过一半的研究使用了磁共振关节造影检查，这无疑会提高其诊断敏感度和准确性。肌腱撕裂的范围及厚度会显著影响MRI的诊断准确性，对于累及SSC止点上1/3区域的撕裂（Facet 1区），MRI的诊断敏感度会显著降低[9-11]。Yoo等[12]通过大量标本研究和肩关节镜观察发现，Facet 1区撕裂可以占整个SSC撕裂的80%，其损伤的主要类型为磨损和部分撕裂（Yoo分型Ⅰ、Ⅱa、Ⅱb型），这种以小型部分撕裂为主的损伤类型会降低MRI诊断SSC撕裂的总体敏感度和准确性。
作为一种侵入性诊断工具，磁共振关节造影可以将部分撕裂和累及上1/3 足印区的SSC撕裂诊断敏感度提高至72%[13-14]。但同时，其有创性操作带来的相关风险以及造影剂的潜在不良反应，也一直是临床医师担心的问题。肩关节超声因其简便、安全、经济的特点也获得了一部分临床医师青睐，在患有幽闭恐惧症的人群中尤其适用[15]。Farooqi等[16]发现，对于经验丰富的超声科医师来说，超声在诊断冈上肌腱撕裂时可以获得较满意的敏感度和特异度，但在SSC撕裂患者中其诊断敏感度仅为30%。Narasimhan等[15]和Toprak等[17]指出，超声诊断小型SSC撕裂并不可靠，在部分撕裂和累及上1/3足印区的SSC撕裂患者中，其诊断敏感度约为40%。
基于上述原因，一个有效的非侵入性预测评价工具将有助于临床医师准确且安全地识别SSC撕裂。我们希望筛选出能准确预测SSC撕裂的评价指标，并开发一个可以评估撕裂发生风险的临床预测模型，将基于经验的推测性诊断转化为科学的风险预测值，来帮助临床医师早期识别和干预这类损伤。在目前所有可获得的模型中，列线图预测模型可以提供基于证据的、个体化的以及高精度的风险评估。本研究拟探讨这种新型风险预测模型在预测SSC撕裂方面能否提供卓越的诊断表现。
1 临床资料
1.1 患者选择标准
纳入标准：① 接受初次肩关节镜手术，手术方式包括关节镜探查清理、肩峰下减压、肩关节粘连松解、肩袖损伤修补术、盂唇损伤固定术、二头肌长头腱切断或固定术、钙化性肌腱炎清理。所有手术均由2名经验丰富的高年资肩关节专业领域医师完成，术中常规镜下探查所有肩袖肌腱并记录。② 术前肩关节MRI在我院完成，可获得完整影像学资料。
排除标准：① 合并有风湿及免疫系统疾病、感染、肿瘤、骨折并累及肩关节；② 肩关节翻修手术；③ 临床资料不完整。
2016年7月—2021年12月共528例连续性病例符合选择标准纳入研究。将2016年7月—2019年7月接受肩关节镜手术的362例患者纳入训练集队列，2019年8月—2021年12月接受肩关节镜手术的166例患者纳入验证集队列。
Yoo等[12]在进行大量解剖研究后将SSC足印区划分为4个区域（Facet 1～4区），并基于此将SSC损伤分为5个类型（Ⅰ～Ⅴ型）。MRI 对于上1/3 SSC撕裂（Yoo分型Ⅰ～Ⅲ型）的诊断敏感度较差；而当撕裂范围超过肌腱上1/3部分时，MRI对于SSC撕裂的诊断敏感度可以超过80%[11]。由于我们拟开发一个在SSC撕裂不同分型中均能获得良好表现的预测模型，所以在训练集队列中并未将Yoo分型Ⅰ～Ⅲ型撕裂设为独立的研究组进行分析。获得模型后，为了评价该模型在上1/3 SSC撕裂患者中的预测表现，在验证集队列中只纳入发生Yoo分型Ⅰ～Ⅲ型撕裂的患者进行外部验证。
1.2 一般资料
训练集队列男119例、女243例；年龄26～91岁，平均60.6岁。验证集队列男57例、女109例；年龄38～83岁，平均60.9岁。
将在肩关节镜下诊断为SSC撕裂的患者纳入撕裂组，而SSC完整的患者纳入未撕裂组。最终，训练集队列中撕裂组患者86例（Yoo分型Ⅰ～Ⅴ型），未撕裂组276例；验证集队列中撕裂组患者53例（Yoo分型Ⅰ～Ⅲ型），未撕裂组113例。收集包括性别、年龄、优势手（是/否）、损伤原因（退行性/创伤性）、合并基础疾病、吸烟史和饮酒史在内的临床资料。
1.3 影像学资料
所有患者均按统一的肩关节MRI检查方案完善术前MRI检查（场强：3.0 T，T1加权、T2加权及质子密度加权图像），且均未接受肩关节磁共振关节造影检查。根据既往研究报道[18-22]，从临床重要性、临床经验和临床实用性3个方面进行评价，初步筛选出17个影像学评价指标来探索它们与SSC撕裂之间的关系和诊断价值。由2名骨科医师对这些间接观察指标进行评价，对于连续变量，将2次重复测量结果取均值；对于分类变量，当产生意见分歧时，加入另外1名高年资肩关节外科医师进行讨论，并得出一致结论。
影像学评价指标包括：① 喙突肱骨距离（coracohumeral distance，CHD）：为肱骨头皮质骨到喙突皮质骨间的最短距离；喙突过度覆盖（coracoid overlap，CO）：从关节盂表面到喙突尖端的垂直距离[18]；在MRI的轴位和斜矢状位平面分别进行测量。② 喙突肱骨指数（coracohumeral index，CHI）：MRI轴位平面上喙突长度与肱骨头直径的比值[20]。③ 从MRI斜矢状位图像中的2个特殊观察平面（en-平面和Y-平面）[21]评价肩胛下肌肉萎缩程度和积液征象，包括积液征（en-平面）、积液比（en-平面）、积液征（Y-平面）、积液征（冠状位）、肌肉萎缩（en-平面）、肌肉萎缩（Y-平面）、喙突下积液征（轴位）、小结节区囊肿、小结节区囊肿最大直径≥5 mm、二头肌长头腱移位（半脱位/脱位，轴位）。④ 从Patte分级[23] 、后上方肩袖撕裂厚度（全层/非全层撕裂）和撕裂数量（≤1、≥2根）3个方面评价后上方肩袖撕裂严重程度。见图1。
图1
MRI间接观察指标
a. 轴位CHD（红色实线A）；b. 斜矢状位CHD（红色实线B）；c. CO（红色实线C）、CHI（红色实线C/D比值）；d. 轴位平面评价二头肌长头腱移位情况（白箭头）和喙突下积液征（红箭头）；e. Y-平面根据线条A、B、C评价肩胛下肌肉萎缩情况，箭头示积液征；f. en-平面根据线条D评价肩胛下肌肉萎缩情况，箭头示积液征；g. 冠状位积液征（箭头）
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)
患者的一般资料和MRI间接观察指标由骨科医师评价，基于肌腱形态和信号改变等直接征象作出的MRI诊断由肌骨影像方向的放射科医师完成。我们将放射科医师得出的影像学诊断定义为MRI诊断，分为MRI考虑撕裂和未撕裂两种类型，所有在影像学报告中出现的怀疑性诊断，在该变量中均视为MRI考虑撕裂。
1.4 统计学方法
对一般资料和影像学资料各指标采用SPSS25.0统计软件进行单因素分析，计量资料经正态性分析均符合正态分布，数据以均数±标准差表示，组间比较采用独立样本t检验；分类变量组间比较采用χ2检验或Fisher确切概率法；检验水准α=0.05。
将单因素分析中有统计学意义的变量代入LASSO回归和10倍交叉验证法进行高维数据筛选，并将筛选后的变量纳入logistic回归中（最大偏似然估计的似然比检验），检验水准α=0.05。使用R语言（4.0版本）中的“glmnet”包进行LASSO回归和10倍交叉验证。
根据LASSO回归和10倍交叉验证的结果，使用R语言4.0版本（http://www.r-project.org/）中“rms”、“DynNom”和“shiny”3个包构建基于网络的动态列线图。使用一致性指数（C-index）和经1 000次Bootstrap法（自抽样法）获得的校正曲线评价模型表现。绘制受试者工作曲线（receiver operating curve，ROC），分别评价该预测模型和MRI的诊断表现（敏感度、特异度、预测值、似然比）。采用决策曲线分析（decision-curve analysis，DCA）评价预测模型和MRI的临床效用。
2 结果
2.1 单因素分析结果
一般资料分析显示，训练集队列和验证集队列中，撕裂组与未撕裂组患者年龄、合并糖尿病和冠心病情况比较差异有统计学意义（P<0.05）；其余指标两组比较差异均无统计学意义（P>0.05）。见表1。
表1
训练集队列和验证集队列一般资料
Table1.
Clinical data of training and validation cohorts
影像学资料分析显示，训练集队列和验证集队列中，撕裂组和未撕裂组轴位CHD、斜矢状位CHD、积液征（en-平面）、积液比（en-平面）、积液征（Y-平面）、积液征（冠状位）、肌肉萎缩（en-平面）、喙突下积液征（轴位）、二头肌长头腱移位、Patte分级、后上方肩袖撕裂厚度、后上方肩袖撕裂数量比较差异有统计学意义（P<0.05），训练集队列两组肌肉萎缩（Y-平面）比较差异有统计学意义（P<0.05），其余指标两组比较差异均无统计学意义（P>0.05）。见表2。
表2
训练集队列和验证集队列的影像学资料
Table2.
Imaging data of training and validaiton cohorts
2.2 预测指标的评价及筛选
将单因素分析中有统计学意义的16个变量代入LASSO回归和10倍交叉验证法中，评价其预测价值，筛选出与SSC撕裂最相关的敏感预测指标。结果示斜矢状位CHD减小、积液征（Y-平面）、喙突下积液征（轴位）、二头肌长头腱移位（脱位/半脱位）、≥2根后上方肩袖撕裂（冈上/冈下肌腱）以及MRI怀疑SSC撕裂（直接征象）这6个因素与SSC撕裂高度相关。将这6个变量全部代入logistic回归后获得最终模型（图2）。
图2
列线图模型和对应的校正曲线
a. 该模型对应的列线图；b. 训练集队列的校正曲线；c. 验证集队列的校正曲线
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 模型的开发、评价及验证
图2显示了包含这6个敏感预测指标在内的SSC撕裂风险评估列线图模型，开发的预测模型使用Bootstrap法（自抽样次数B=1 000）进行内部验证。在训练集队列中，该预测模型的C-index是0.878，95%CI（0.839，0.918），在验证集队列中其C-index为0.890，95%CI（0.840，0.940）。无论是在训练集队列还是验证集队列中，该模型对于预测SSC撕裂，特别是位于Facet 1区的撕裂均展现了良好的预测能力和区分度。两组队列的校正曲线均提示，该模型预测SSC撕裂的结果和实际结果非常接近，预测曲线与理想曲线吻合良好。
为了比较该预测模型和MRI直接征象的诊断表现，本研究分别绘制了两种方法的ROC曲线，并计算了敏感度、特异度、似然比和预测值。与MRI直接征象相比，该模型在训练集队列和验证集队列中的ROC曲线下面积、敏感度、阳性预测值、阴性预测值、阳性似然比和阴性似然比表现均更优异。见表3。使用DCA评价两种方法的临床效用后发现，当风险阈值概率在3%～93%之间时，该预测模型能产生更大的临床获益（图3）。
表3
列线图模型和MRI（基于直接征象）的诊断表现
Table3.
Diagnostic performance of nomogram model and MRI (based on direct signs)
图3
预测模型和MRI的ROC曲线及DCA曲线
a. 训练集队列中二者的ROC曲线；b. DCA曲线；c. 验证集队列中二者的ROC曲线
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
为了增强其临床实用性，在此模型基础上，本研究同时开发了一个基于网络的动态评分系统（https://cmuxwn.shinyapps.io/DynNomapp/）来预测SSC撕裂的发生风险（图4）。在该动态评分系统中选择各预测指标对应的数值后，就可以直接获得个体化预测概率，其中“0”代表事件未发生，“1”代表事件发生。根据该预测模型的ROC曲线下面积，当列线图总得分为85分时可以获得最佳的诊断敏感度（80.2%）和特异度（78.6%），对应的风险预测值为24%。因此，当风险预测值>24%，定义为SSC撕裂高风险组；当预测值≤24%时，定义为低风险组。
图4
基于网络的动态评分系统预测SSC撕裂的截图展示
黑色横线和蓝色横线分别示典型病例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
以下两例典型病例解释了该列线图模型的实际应用情况。例1，男，63岁，于MRI上可以观察到积液征（Y-平面）、喙突下积液征（轴位）、二头肌长头腱半脱位、冈上和冈下肌腱撕裂、斜矢状位CHD为7 cm，MRI诊断考虑SSC撕裂，该动态评分系统预测SSC撕裂的风险是97.3% ［95%CI（0.919，0.992）］，属于SSC撕裂高风险组。例2，女，55岁，于MRI上测量斜矢状位CHD为9 cm，同时并未观察到积液征（Y-平面）和喙突下积液征（轴位），其二头肌长头腱位置正常，仅观察到冈上肌腱部分撕裂，MRI诊断不考虑SSC撕裂，该动态评分系统预测SSC撕裂的风险是5.5% ［95%CI（0.032，0.092）］，属于SSC撕裂低风险组。见图4。
3 讨论
目前，MRI诊断SSC撕裂的敏感度不如诊断冈上、冈下肌腱撕裂高，对于累及Facet 1区的部分撕裂，有时其影像学直接征象（肌腱形态及信号改变）并不能在MRI上得到很好的直观显示，联合可靠的间接观察指标将有助于全面评价这类损伤并提高其诊断敏感度和诊断表现。本研究的贡献主要包括：① 首次确定并筛选出在SSC撕裂中有重要预测价值的评价指标，构建的动态评分系统可以作为辅助临床诊断的重要工具；② 构建的预测模型能够提供个体化的风险概率值，根据高/低风险组的定义标准能够帮助临床医生识别可能发生SSC撕裂的高危人群，从而给出合理的临床建议，避免遗漏；③ 传统MRI对于Facet 1区撕裂诊断敏感度并不高，该预测模型在该类患者中也同时具备良好的诊断表现。
既往研究发现，喙突的解剖形态及其与周围结构的关系会参与SSC损伤的病理进程[18，20，24]。为了筛选出更敏感的喙突形态参数指标，我们分别测量轴位CHD、斜矢状位CHD、轴位CHI和CO这4个指标。研究发现，斜矢状位CHD减小与SSC撕裂高度相关，与其他3个指标相比，该指标具有更大的预测价值和诊断敏感度。斜矢状位CHD越小，发生SSC撕裂的风险越高。Kim等[25]指出二头肌长头腱位置异常与SSC撕裂高度相关，本研究进一步表明二头肌长头腱移位（半脱位/脱位）确实是预测SSC撕裂的可靠间接观察指标。Mehta等[22]发现SSC撕裂患者中有较高比例的人群会同时合并后上方肩袖全层撕裂。本研究结果提示，相比于后上方肩袖撕裂的厚度和短缩程度这两个因素，后上方肩袖撕裂累及的肌腱数量与SSC撕裂的关系更为密切。部分学者认为当MRI上发现肩胛下肌周围积液以及小结节区囊肿时，可能会提示发生SSC撕裂[21，26-27]。本研究结果指出，积液征（Y-平面）以及喙突下积液征（轴位）与SSC撕裂关系更为密切，但并未发现小结节区域囊肿与SSC撕裂间存在相关性。
最终，本研究筛选出6个影像学间接评价指标［斜矢状位CHD、积液征（Y-平面）、喙突下积液征（轴位）、二头肌长头腱移位（脱位/半脱位）、根后上方肩袖撕裂数量以及基于直接征象的MRI诊断］ 作为预测SSC撕裂的可靠指标，相比于传统仅依靠肌腱撕裂的直接影像学表现进行诊断，联合上述间接指标可以在MRI上更全面地评价SSC损伤情况并获得较理想的诊断表现和敏感度。我们首次提出了一个基于网络的动态预测评分系统，通过该方法，临床医生可以根据每个患者的得分情况得到个体化的风险预测概率。而高风险/低风险组的定义标准有助于临床医生识别可能发生SSC撕裂的高危人群，提醒医生重视对SSC损伤的评估，从而给出合理建议。
当然本研究也存在一些局限性。首先，患者一般资料来源于单一临床机构，我们认为，使用多中心的患者队列对该模型进行验证是有必要的，有助于模型的外部推广。在进一步研究中，我们会采用多中心队列来评价该模型的表现。另外，近年一项系统评价和Meta分析发现，即使是评价SSC撕裂最敏感的体格检查方法（bear-hug法），其诊断敏感度也仅为50%左右，依靠单一体格检查方法评价SSC撕裂并不可靠[28-29]。在我们收集的临床资料中，体格检查资料不完整，同时考虑到诊断价值较低的查体方法在变量筛选过程中会被剔除，无疑会降低体格检查在诊断SSC撕裂中的价值和作用，因此我们未将专科查体方法纳入分析。作为诊断流程中重要的一部分，我们建议医生在获得风险预测概率和影像学诊断后，结合不少于两种体格检查方法进行综合诊断评估。
利益冲突 在课题研究和文章撰写过程中不存在利益冲突
伦理声明 研究方案经北京医院医学伦理委员会批准（2021BJYYEC-225-01）
作者贡献声明 徐文南：撰写文章、研究设计及实施、统计分析；张耀南、石磊、王飞：数据收集整理；薛庆云：对文章的知识性内容作批评性审阅
作为肩袖肌群中最强大的肌腱，肩胛下肌腱（subscapularis，SSC）在肩关节生物力学中发挥着重要作用，是参与盂肱关节稳定和肩关节内旋运动的重要肌腱[1]。在所有接受肩关节镜检查的患者中，有12%～50%患者会同时合并SSC撕裂[2]，这是导致肩关节长期疼痛和渐进性功能丧失的重要原因之一。肩关节镜下修补撕裂的SSC可以获得良好术后恢复，准确及时的术前诊断是获得良好手术效果的前提[3-4]。漏诊SSC撕裂容易导致肩关节长期疼痛和功能逐渐丧失，以及肌肉萎缩、脂肪浸润和肌腱撕裂范围进展[5]。
作为诊断肩袖损伤主要的无创性检查手段，尽管肩关节MRI对后上方肩袖（冈上、冈下肌腱）撕裂的诊断敏感度可以超过90%，但将其作为SSC撕裂的有效诊断工具一直是一个挑战[6-7]。Furukawa等[8]发现，在3.0-T MRI的横断位和斜矢状位平面中，诊断SSC撕裂的敏感度分别为57.9%和60.5%。近年一项系统评价和Meta分析指出[7]，MRI诊断SSC撕裂的总体敏感度约为68%，但该评价纳入样本中有超过一半的研究使用了磁共振关节造影检查，这无疑会提高其诊断敏感度和准确性。肌腱撕裂的范围及厚度会显著影响MRI的诊断准确性，对于累及SSC止点上1/3区域的撕裂（Facet 1区），MRI的诊断敏感度会显著降低[9-11]。Yoo等[12]通过大量标本研究和肩关节镜观察发现，Facet 1区撕裂可以占整个SSC撕裂的80%，其损伤的主要类型为磨损和部分撕裂（Yoo分型Ⅰ、Ⅱa、Ⅱb型），这种以小型部分撕裂为主的损伤类型会降低MRI诊断SSC撕裂的总体敏感度和准确性。
作为一种侵入性诊断工具，磁共振关节造影可以将部分撕裂和累及上1/3 足印区的SSC撕裂诊断敏感度提高至72%[13-14]。但同时，其有创性操作带来的相关风险以及造影剂的潜在不良反应，也一直是临床医师担心的问题。肩关节超声因其简便、安全、经济的特点也获得了一部分临床医师青睐，在患有幽闭恐惧症的人群中尤其适用[15]。Farooqi等[16]发现，对于经验丰富的超声科医师来说，超声在诊断冈上肌腱撕裂时可以获得较满意的敏感度和特异度，但在SSC撕裂患者中其诊断敏感度仅为30%。Narasimhan等[15]和Toprak等[17]指出，超声诊断小型SSC撕裂并不可靠，在部分撕裂和累及上1/3足印区的SSC撕裂患者中，其诊断敏感度约为40%。
基于上述原因，一个有效的非侵入性预测评价工具将有助于临床医师准确且安全地识别SSC撕裂。我们希望筛选出能准确预测SSC撕裂的评价指标，并开发一个可以评估撕裂发生风险的临床预测模型，将基于经验的推测性诊断转化为科学的风险预测值，来帮助临床医师早期识别和干预这类损伤。在目前所有可获得的模型中，列线图预测模型可以提供基于证据的、个体化的以及高精度的风险评估。本研究拟探讨这种新型风险预测模型在预测SSC撕裂方面能否提供卓越的诊断表现。
1 临床资料
1.1 患者选择标准
纳入标准：① 接受初次肩关节镜手术，手术方式包括关节镜探查清理、肩峰下减压、肩关节粘连松解、肩袖损伤修补术、盂唇损伤固定术、二头肌长头腱切断或固定术、钙化性肌腱炎清理。所有手术均由2名经验丰富的高年资肩关节专业领域医师完成，术中常规镜下探查所有肩袖肌腱并记录。② 术前肩关节MRI在我院完成，可获得完整影像学资料。
排除标准：① 合并有风湿及免疫系统疾病、感染、肿瘤、骨折并累及肩关节；② 肩关节翻修手术；③ 临床资料不完整。
2016年7月—2021年12月共528例连续性病例符合选择标准纳入研究。将2016年7月—2019年7月接受肩关节镜手术的362例患者纳入训练集队列，2019年8月—2021年12月接受肩关节镜手术的166例患者纳入验证集队列。
Yoo等[12]在进行大量解剖研究后将SSC足印区划分为4个区域（Facet 1～4区），并基于此将SSC损伤分为5个类型（Ⅰ～Ⅴ型）。MRI 对于上1/3 SSC撕裂（Yoo分型Ⅰ～Ⅲ型）的诊断敏感度较差；而当撕裂范围超过肌腱上1/3部分时，MRI对于SSC撕裂的诊断敏感度可以超过80%[11]。由于我们拟开发一个在SSC撕裂不同分型中均能获得良好表现的预测模型，所以在训练集队列中并未将Yoo分型Ⅰ～Ⅲ型撕裂设为独立的研究组进行分析。获得模型后，为了评价该模型在上1/3 SSC撕裂患者中的预测表现，在验证集队列中只纳入发生Yoo分型Ⅰ～Ⅲ型撕裂的患者进行外部验证。
1.2 一般资料
训练集队列男119例、女243例；年龄26～91岁，平均60.6岁。验证集队列男57例、女109例；年龄38～83岁，平均60.9岁。
将在肩关节镜下诊断为SSC撕裂的患者纳入撕裂组，而SSC完整的患者纳入未撕裂组。最终，训练集队列中撕裂组患者86例（Yoo分型Ⅰ～Ⅴ型），未撕裂组276例；验证集队列中撕裂组患者53例（Yoo分型Ⅰ～Ⅲ型），未撕裂组113例。收集包括性别、年龄、优势手（是/否）、损伤原因（退行性/创伤性）、合并基础疾病、吸烟史和饮酒史在内的临床资料。
1.3 影像学资料
所有患者均按统一的肩关节MRI检查方案完善术前MRI检查（场强：3.0 T，T1加权、T2加权及质子密度加权图像），且均未接受肩关节磁共振关节造影检查。根据既往研究报道[18-22]，从临床重要性、临床经验和临床实用性3个方面进行评价，初步筛选出17个影像学评价指标来探索它们与SSC撕裂之间的关系和诊断价值。由2名骨科医师对这些间接观察指标进行评价，对于连续变量，将2次重复测量结果取均值；对于分类变量，当产生意见分歧时，加入另外1名高年资肩关节外科医师进行讨论，并得出一致结论。
影像学评价指标包括：① 喙突肱骨距离（coracohumeral distance，CHD）：为肱骨头皮质骨到喙突皮质骨间的最短距离；喙突过度覆盖（coracoid overlap，CO）：从关节盂表面到喙突尖端的垂直距离[18]；在MRI的轴位和斜矢状位平面分别进行测量。② 喙突肱骨指数（coracohumeral index，CHI）：MRI轴位平面上喙突长度与肱骨头直径的比值[20]。③ 从MRI斜矢状位图像中的2个特殊观察平面（en-平面和Y-平面）[21]评价肩胛下肌肉萎缩程度和积液征象，包括积液征（en-平面）、积液比（en-平面）、积液征（Y-平面）、积液征（冠状位）、肌肉萎缩（en-平面）、肌肉萎缩（Y-平面）、喙突下积液征（轴位）、小结节区囊肿、小结节区囊肿最大直径≥5 mm、二头肌长头腱移位（半脱位/脱位，轴位）。④ 从Patte分级[23] 、后上方肩袖撕裂厚度（全层/非全层撕裂）和撕裂数量（≤1、≥2根）3个方面评价后上方肩袖撕裂严重程度。见图1。
图1
MRI间接观察指标
a. 轴位CHD（红色实线A）；b. 斜矢状位CHD（红色实线B）；c. CO（红色实线C）、CHI（红色实线C/D比值）；d. 轴位平面评价二头肌长头腱移位情况（白箭头）和喙突下积液征（红箭头）；e. Y-平面根据线条A、B、C评价肩胛下肌肉萎缩情况，箭头示积液征；f. en-平面根据线条D评价肩胛下肌肉萎缩情况，箭头示积液征；g. 冠状位积液征（箭头）
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)
患者的一般资料和MRI间接观察指标由骨科医师评价，基于肌腱形态和信号改变等直接征象作出的MRI诊断由肌骨影像方向的放射科医师完成。我们将放射科医师得出的影像学诊断定义为MRI诊断，分为MRI考虑撕裂和未撕裂两种类型，所有在影像学报告中出现的怀疑性诊断，在该变量中均视为MRI考虑撕裂。
1.4 统计学方法
对一般资料和影像学资料各指标采用SPSS25.0统计软件进行单因素分析，计量资料经正态性分析均符合正态分布，数据以均数±标准差表示，组间比较采用独立样本t检验；分类变量组间比较采用χ2检验或Fisher确切概率法；检验水准α=0.05。
将单因素分析中有统计学意义的变量代入LASSO回归和10倍交叉验证法进行高维数据筛选，并将筛选后的变量纳入logistic回归中（最大偏似然估计的似然比检验），检验水准α=0.05。使用R语言（4.0版本）中的“glmnet”包进行LASSO回归和10倍交叉验证。
根据LASSO回归和10倍交叉验证的结果，使用R语言4.0版本（http://www.r-project.org/）中“rms”、“DynNom”和“shiny”3个包构建基于网络的动态列线图。使用一致性指数（C-index）和经1 000次Bootstrap法（自抽样法）获得的校正曲线评价模型表现。绘制受试者工作曲线（receiver operating curve，ROC），分别评价该预测模型和MRI的诊断表现（敏感度、特异度、预测值、似然比）。采用决策曲线分析（decision-curve analysis，DCA）评价预测模型和MRI的临床效用。
2 结果
2.1 单因素分析结果
一般资料分析显示，训练集队列和验证集队列中，撕裂组与未撕裂组患者年龄、合并糖尿病和冠心病情况比较差异有统计学意义（P<0.05）；其余指标两组比较差异均无统计学意义（P>0.05）。见表1。
表1
训练集队列和验证集队列一般资料
Table1.
Clinical data of training and validation cohorts
影像学资料分析显示，训练集队列和验证集队列中，撕裂组和未撕裂组轴位CHD、斜矢状位CHD、积液征（en-平面）、积液比（en-平面）、积液征（Y-平面）、积液征（冠状位）、肌肉萎缩（en-平面）、喙突下积液征（轴位）、二头肌长头腱移位、Patte分级、后上方肩袖撕裂厚度、后上方肩袖撕裂数量比较差异有统计学意义（P<0.05），训练集队列两组肌肉萎缩（Y-平面）比较差异有统计学意义（P<0.05），其余指标两组比较差异均无统计学意义（P>0.05）。见表2。
表2
训练集队列和验证集队列的影像学资料
Table2.
Imaging data of training and validaiton cohorts
2.2 预测指标的评价及筛选
将单因素分析中有统计学意义的16个变量代入LASSO回归和10倍交叉验证法中，评价其预测价值，筛选出与SSC撕裂最相关的敏感预测指标。结果示斜矢状位CHD减小、积液征（Y-平面）、喙突下积液征（轴位）、二头肌长头腱移位（脱位/半脱位）、≥2根后上方肩袖撕裂（冈上/冈下肌腱）以及MRI怀疑SSC撕裂（直接征象）这6个因素与SSC撕裂高度相关。将这6个变量全部代入logistic回归后获得最终模型（图2）。
图2
列线图模型和对应的校正曲线
a. 该模型对应的列线图；b. 训练集队列的校正曲线；c. 验证集队列的校正曲线
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 模型的开发、评价及验证
图2显示了包含这6个敏感预测指标在内的SSC撕裂风险评估列线图模型，开发的预测模型使用Bootstrap法（自抽样次数B=1 000）进行内部验证。在训练集队列中，该预测模型的C-index是0.878，95%CI（0.839，0.918），在验证集队列中其C-index为0.890，95%CI（0.840，0.940）。无论是在训练集队列还是验证集队列中，该模型对于预测SSC撕裂，特别是位于Facet 1区的撕裂均展现了良好的预测能力和区分度。两组队列的校正曲线均提示，该模型预测SSC撕裂的结果和实际结果非常接近，预测曲线与理想曲线吻合良好。
为了比较该预测模型和MRI直接征象的诊断表现，本研究分别绘制了两种方法的ROC曲线，并计算了敏感度、特异度、似然比和预测值。与MRI直接征象相比，该模型在训练集队列和验证集队列中的ROC曲线下面积、敏感度、阳性预测值、阴性预测值、阳性似然比和阴性似然比表现均更优异。见表3。使用DCA评价两种方法的临床效用后发现，当风险阈值概率在3%～93%之间时，该预测模型能产生更大的临床获益（图3）。
表3
列线图模型和MRI（基于直接征象）的诊断表现
Table3.
Diagnostic performance of nomogram model and MRI (based on direct signs)
图3
预测模型和MRI的ROC曲线及DCA曲线
a. 训练集队列中二者的ROC曲线；b. DCA曲线；c. 验证集队列中二者的ROC曲线
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
为了增强其临床实用性，在此模型基础上，本研究同时开发了一个基于网络的动态评分系统（https://cmuxwn.shinyapps.io/DynNomapp/）来预测SSC撕裂的发生风险（图4）。在该动态评分系统中选择各预测指标对应的数值后，就可以直接获得个体化预测概率，其中“0”代表事件未发生，“1”代表事件发生。根据该预测模型的ROC曲线下面积，当列线图总得分为85分时可以获得最佳的诊断敏感度（80.2%）和特异度（78.6%），对应的风险预测值为24%。因此，当风险预测值>24%，定义为SSC撕裂高风险组；当预测值≤24%时，定义为低风险组。
图4
基于网络的动态评分系统预测SSC撕裂的截图展示
黑色横线和蓝色横线分别示典型病例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
以下两例典型病例解释了该列线图模型的实际应用情况。例1，男，63岁，于MRI上可以观察到积液征（Y-平面）、喙突下积液征（轴位）、二头肌长头腱半脱位、冈上和冈下肌腱撕裂、斜矢状位CHD为7 cm，MRI诊断考虑SSC撕裂，该动态评分系统预测SSC撕裂的风险是97.3% ［95%CI（0.919，0.992）］，属于SSC撕裂高风险组。例2，女，55岁，于MRI上测量斜矢状位CHD为9 cm，同时并未观察到积液征（Y-平面）和喙突下积液征（轴位），其二头肌长头腱位置正常，仅观察到冈上肌腱部分撕裂，MRI诊断不考虑SSC撕裂，该动态评分系统预测SSC撕裂的风险是5.5% ［95%CI（0.032，0.092）］，属于SSC撕裂低风险组。见图4。
3 讨论
目前，MRI诊断SSC撕裂的敏感度不如诊断冈上、冈下肌腱撕裂高，对于累及Facet 1区的部分撕裂，有时其影像学直接征象（肌腱形态及信号改变）并不能在MRI上得到很好的直观显示，联合可靠的间接观察指标将有助于全面评价这类损伤并提高其诊断敏感度和诊断表现。本研究的贡献主要包括：① 首次确定并筛选出在SSC撕裂中有重要预测价值的评价指标，构建的动态评分系统可以作为辅助临床诊断的重要工具；② 构建的预测模型能够提供个体化的风险概率值，根据高/低风险组的定义标准能够帮助临床医生识别可能发生SSC撕裂的高危人群，从而给出合理的临床建议，避免遗漏；③ 传统MRI对于Facet 1区撕裂诊断敏感度并不高，该预测模型在该类患者中也同时具备良好的诊断表现。
既往研究发现，喙突的解剖形态及其与周围结构的关系会参与SSC损伤的病理进程[18，20，24]。为了筛选出更敏感的喙突形态参数指标，我们分别测量轴位CHD、斜矢状位CHD、轴位CHI和CO这4个指标。研究发现，斜矢状位CHD减小与SSC撕裂高度相关，与其他3个指标相比，该指标具有更大的预测价值和诊断敏感度。斜矢状位CHD越小，发生SSC撕裂的风险越高。Kim等[25]指出二头肌长头腱位置异常与SSC撕裂高度相关，本研究进一步表明二头肌长头腱移位（半脱位/脱位）确实是预测SSC撕裂的可靠间接观察指标。Mehta等[22]发现SSC撕裂患者中有较高比例的人群会同时合并后上方肩袖全层撕裂。本研究结果提示，相比于后上方肩袖撕裂的厚度和短缩程度这两个因素，后上方肩袖撕裂累及的肌腱数量与SSC撕裂的关系更为密切。部分学者认为当MRI上发现肩胛下肌周围积液以及小结节区囊肿时，可能会提示发生SSC撕裂[21，26-27]。本研究结果指出，积液征（Y-平面）以及喙突下积液征（轴位）与SSC撕裂关系更为密切，但并未发现小结节区域囊肿与SSC撕裂间存在相关性。
最终，本研究筛选出6个影像学间接评价指标［斜矢状位CHD、积液征（Y-平面）、喙突下积液征（轴位）、二头肌长头腱移位（脱位/半脱位）、根后上方肩袖撕裂数量以及基于直接征象的MRI诊断］ 作为预测SSC撕裂的可靠指标，相比于传统仅依靠肌腱撕裂的直接影像学表现进行诊断，联合上述间接指标可以在MRI上更全面地评价SSC损伤情况并获得较理想的诊断表现和敏感度。我们首次提出了一个基于网络的动态预测评分系统，通过该方法，临床医生可以根据每个患者的得分情况得到个体化的风险预测概率。而高风险/低风险组的定义标准有助于临床医生识别可能发生SSC撕裂的高危人群，提醒医生重视对SSC损伤的评估，从而给出合理建议。
当然本研究也存在一些局限性。首先，患者一般资料来源于单一临床机构，我们认为，使用多中心的患者队列对该模型进行验证是有必要的，有助于模型的外部推广。在进一步研究中，我们会采用多中心队列来评价该模型的表现。另外，近年一项系统评价和Meta分析发现，即使是评价SSC撕裂最敏感的体格检查方法（bear-hug法），其诊断敏感度也仅为50%左右，依靠单一体格检查方法评价SSC撕裂并不可靠[28-29]。在我们收集的临床资料中，体格检查资料不完整，同时考虑到诊断价值较低的查体方法在变量筛选过程中会被剔除，无疑会降低体格检查在诊断SSC撕裂中的价值和作用，因此我们未将专科查体方法纳入分析。作为诊断流程中重要的一部分，我们建议医生在获得风险预测概率和影像学诊断后，结合不少于两种体格检查方法进行综合诊断评估。
利益冲突 在课题研究和文章撰写过程中不存在利益冲突
伦理声明 研究方案经北京医院医学伦理委员会批准（2021BJYYEC-225-01）
作者贡献声明 徐文南：撰写文章、研究设计及实施、统计分析；张耀南、石磊、王飞：数据收集整理；薛庆云：对文章的知识性内容作批评性审阅
