二十一世纪以来，微创脊柱外科在蓬勃发展，各种脊柱微创技术的应用也越来越多，不断有新技术的出现与改良，也有应用范围的拓展。我们希望通过对2024年发表的脊柱微创相关文献进行分析，回顾本领域的最新研究热点，盘点脊柱微创新技术及其应用边界，以更好地了解脊柱微创技术在2024年的发展。本文文献主要引用自Pubmed，且由于文献数量众多，查阅及引用过程中难免存在缺漏，如遗漏重要研究或观点存在争议，敬请谅解。

文献计量学分析

近20年发表的脊柱微创论文数量在不断增长(图1)。中国学者在该领域虽然起步较晚，但是发表的论文数量在近年来不断攀升，甚至已经超越了美国成为发文量最大的国家，体现了中国学者对微创脊柱领域做出的巨大贡献。

图1.近20年脊柱微创相关论文发表数量及国家分布趋势图

在2024年，中国学者共发表微创脊柱相关论文422篇，远高于其他国家，但仅有7篇存在跨国合作;美国发文量次之，共发表122篇，但有22篇为跨国合作数量最多(图2)。

图2.2024年发表的脊柱微创论文数量国家分布及跨过合作数量

论文关键词的频数图显示了各关键词出现频率由高到低排列(图3)。关键词云图对热点看得更为清晰，研究最热门的疾病为骨质疏松椎体骨折，其次为腰椎间盘突出症，腰椎管狭窄症及腰椎滑脱症，研究还是以退行性疾病为主，肿瘤、感染、创伤等疾病在微创领域研究较少。重点研究部位为腰椎。研究的热门手术方式也是与前述病种相对应的，最为常见为骨水泥强化手术包括PVP与PKP，其次为内镜下椎间盘摘除和UBE椎管减压手术，然后是侧方融合及MIS-TLIF等微创融合手术，导航及机器人辅助手术也占有一席之地(图4)。

图3.关键词频数图

图4.关键词云图

通过对关键词聚类(图5)，可以看到，腰椎间盘突出症和腰椎管狭窄症的研究集中在脊柱内镜上，包括内镜下椎间盘摘除以及UBE椎管减压手术，关注点多在学习曲线和隐性失血。滑脱和成人脊柱畸形等退行性疾病主要涉及微创椎间融合手术，包括LLIF、OLIF和MIS-TLIF，研究还涉及导航、机器人与经皮钉的精准性研究。而骨质疏松的研究集中在椎体压缩性骨折，手术治疗为PVP与PKP，方向主要在椎体再骨折及骨水泥渗漏方面。

图5.关键词聚类图

根据上述文献计量学分析结果，本文将进一步从脊柱微创手术技术改良、脊柱微创手术拓展应用以及人工智能与脊柱微创手术这三部分，对2024年发表的脊柱微创新技术及其应用边界进行盘点。各部分盘点的内容集中在骨水泥强化手术、脊柱内镜手术、微创融合手术以及导航/机器人辅助手术这四种热门脊柱微创技术。

脊柱微创手术技术改良

椎体成型手术

椎体后壁骨折、缺损往往有更高的骨水泥渗漏至椎管导致神经压迫的风险，因此在很长时间内被认为是PVP的相对禁忌证。Gao Guoyong等人^[1]回顾性分析PVP联合骨填充网状容器在溶骨性椎体转移瘤伴椎体后壁缺损患者中的应用，所有患者疼痛均明显改善;18/44(40.9%)个手术椎体出现无症状性骨水泥渗漏，但无椎管内渗漏、术后脊髓神经压迫、肺栓塞等严重并发症发生(图6)。

图6：a.骨填充网状容器压缩模式、撑开模式以及骨水泥填充模式;b.与上述a部分相对应的术中透视影像;c.注射骨水泥后最终影像。

对于合并脊柱畸形的骨质疏松椎体压缩骨折(Osteoporotic Vertebral Compression Fracture, OVCF)患者，获得清晰的术中正侧位透视影像并据此行骨水泥强化术是具有一定挑战的。Ji Zhongwei等人^[2]使用O臂导航辅助PKP，与常规透视组相比较，可缩短手术时间与减少穿刺调整次数，降低骨水泥渗漏发生率，且获得更好的术后即刻疼痛改善，对多节段手术患者尤其具有优势(图7)。然而，O臂导航手术往往需在全麻下进行，且费用显著增高，这些缺点也需要充分衡量。

图7：a.典型病例，术前MRI发现T8，T11，L2 OVCF;b.术中采用导航系统辅助椎弓根穿刺;c.术后复查提示骨水泥填充满意。

胸腰段OVCF患者PVP术后相同椎体再塌陷骨折并不少见。Cheng Xiaofei等人^[3]对术前影像学参数进行了回顾性分析以探索相同椎体再骨折的危险因素。他们创新性的发现较小的骨盆入射角(PI)、椎体裂隙以及低骨密度是椎体再骨折的危险因素。他们建议对于具有以上危险因素的患者需要内固定或者支具等额外干预。

脊柱内镜手术

椎间孔镜下椎间盘摘除手术已经相对成熟，但椎间孔外型突出的手术处理仍然具有一定的难度，容易损伤出口神经根。Kapetanakis等人^[4]提出了一种改良的手术方式，该技术强调穿刺时穿刺针在冠状位透视下尽可能平行下位椎体的上终板，可以降低出口根损伤的风险(图8)。此外，该技术采用的是“outside-in”技术，只适量摘除孔外突出的髓核组织，既不进入椎管也不过多处理椎间隙，减少了神经根损伤和术后节段不稳的可能性。

图8：a.L3/4极外侧突出病例;b.术中大体照，白箭头：棘突中线，黑箭头：垂直中线，红箭头：平行于下位椎体上终板的侧位透视线;c.正位透视照，穿刺针尽可能平行下位椎体上终板。

UBE减压或融合手术近几年应用非常广泛。传统的UBE减压手术需要切除部分的椎板、关节突以及棘突以获得操作空间及视野，同时实现骨性减压;但是过多的骨性结构去除可能导致术中骨面渗血影响手术视野，术后也可能出现医源性不稳。Lee等人^[5]提出了一种崭新的不切除椎板的双侧减压方式(Nonlaminotomy Bilateral Decompression, NLBD)，通过椎板间隙切除黄韧带实现双侧减压，而无需处理后方骨性结构(图9)。NLBD的优势在于可实现满意的减压效果，且减少了后方结构的剥离与切除，因而可降低患者术后疼痛及加快康复。其缺点在于学习曲线陡峭，且不适合于椎板间隙狭小(<3mm)的严重骨性椎管狭窄患者。

图9：a.NLBD减压的9个检查点;b. NLBD过程9步示意图和相关内镜图像;c.典型病例术前术后影像对比。

以往可能没有人关注UBE手术术中灌注液体温度对手术的影响，而Park等人^[6]比较了使用室温(18-20℃)冷盐水与温盐水(约30℃)的差异。使用温盐水灌注，可降低术中低体温发生率，降低术后炎症指标，还能降低患者术后腰痛VAS评分。因此，使用温盐水灌注系统的UBE手术，可有效降低术后疼痛及并发症发生率，有利于患者快速康复。

硬膜撕裂、脑脊液漏是微创腰椎间盘摘除术常见的并发症之一，以往的观点认为延长术后卧床时间有利于硬膜愈合，但因此增加了住院时间。Liu等人^[7]的研究发现即便是术后早期下床活动以及当天出入院也不增加该类患者的并发症发生率及再次入院率，意味着即便是对于微创腰椎间盘摘除术后发生脑脊液漏的患者而言，当天出入院也是安全且可行的，无需额外增加卧床时间与住院时间。

微创融合手术

椎间盘真空征是椎间盘退变的表现，往往合并脊柱不稳以及腰痛。然而单纯椎间盘真空征是否是进行融合手术的指征目前仍无定论。Lee等人^[8]对110例诊断腰椎管狭窄并接受内镜减压手术或OLIF手术的患者进行了研究，发现对于有椎间盘真空征的患者，OLIF术后1年及2年的腿痛VAS评分要优于接受内镜减压手术的患者。因此，作者认为椎间盘真空征是进行微创融合手术的一个指征。

LLIF手术存在着一定的腰丛神经损伤及血管损伤的风险，为规避上述风险， Amaral1等人^[9]提出了一种基于影像学的简易分型来指导L4/5节段LLIF手术决策。他们根据MR轴位影像上腰大肌、腰丛神经以及血管分布的位置进行分型，结合X片侧位髂嵴高度来指导手术决策，他们发现I型患者最多，也最适合行LLIF手术;分型为3型的患者最少，且不建议行LLIF(图10)。

图10：a.基于影像学的L4/5解剖分类系统;b.三种类型的L4/5解剖分类所占比例;c.作者对不同类型的手术决策建议。

Zeng Jiancheng等人^[10]及Jin Cong等人^[11]分别发表文献探索OLIF+前外侧固定+终板骨水泥强化在骨质疏松患者中的疗效与安全性。两篇文章的结果都发现，OLIF+前外侧固定+终板骨水泥强化的融合器沉降率明显低于单纯OLIF+前外侧固定，且二者融合率相当(图11)。此外，和传统的OLIF+后方内固定比较，二者的融合器下沉率与融合率相当，其优势在于缩短手术时间，减少术中出血量，促进术后恢复。

图11：a.典型术后影像学图像;b.骨水泥强化组与非强化组的融合器沉降率和融合率比较c.骨水泥强化组、单纯前路固定组和前后路固定组的融合器沉降率和融合率比较。

Pevenage等人^[12]和Ehresman等人^[13]均报道了应用单一体位俯卧位进行LLIF手术的研究。两篇文献分别报道了120例及106例病例，平均随访时间均在1年以上，研究结果认为俯卧位下LLIF是安全且有效的，可缩短传统LLIF手术因术中更换体位行后路固定导致的手术时间延长，更可有效利用俯卧位改善患者腰椎前凸(图12)。

图12.术中体位大体照和术中通道透视照

Alan等人^[14]认为，对于合适的单节段LLIF患者可尝试作为日间手术开展。日间手术组与住院手术组比较，男性患者更多，具有更低的LACE再入院评分以及更多的采用stand-alone技术。他们认为具备上述要素的合适患者可选择开展LLIF日间手术而无需住院。

导航/机器人辅助手术

机器人辅助内固定手术往往依赖于术前CT检查以制定手术规划及术中引导置钉。Altorfer等人^[15]则首次在尸体上探索基于术前类CT 3D-MRI作为机器人配准数据源的腰椎置钉手术的可行性(图13)。研究发现99%的椎弓根钉位置满意，轴位及矢状位的平均偏差仅为0.2mm。基于类CT 3D-MRI图像注册的机器人辅助手术是技术可行的，意味着无需术前CT检查，其有可能成为腰椎内固定手术术前规划和导航的一种无辐射替代方法。

图13：a.典型的类CT 3D-MR术前影像，显示骨和软组织结构;b.术前导航规划与术后螺钉位置比较。

Zhao Gang等人^[16]开展了一项前瞻性随机对照实验，比较超声导航、O臂导航与透视下MIS-TLIF中螺钉置入的准确性与安全性(图14)。研究结果发现超声导航螺钉置入与O臂导航相比具有相当的效率和准确性，同时与O臂导航和透视相比显著减少了辐射暴露。然而，超声导航可能受到肥胖等因素的影响，限制了其应用。

图14：a.术中超声导航螺钉置入过程;b.术中O臂导航螺钉置入过程。

脊柱微创手术拓展应用

椎体成型手术

颈椎尤其是上颈椎的PVP手术难度往往极高而较少开展，被多数人定义为手术“禁区”。Guinebert等人[17]报道了16例C1,2溶骨性病变在局麻与CT辅助下行PVP手术的可行性及安全性研究。患者在术前行增强CT扫描并规划手术路线，术中根据CT扫描辅助穿刺路径，最终所有患者均成功实行手术，获得满意的术后疼痛缓解，且没有严重并发症发生(图15)。

图15.典型病例2个

由于骨水泥渗漏及脊髓压迫风险，PVP往往被认为是骨质疏松爆裂性骨折的相对禁忌证。然而，即便是经皮椎弓根钉固定手术依然存在着较多的并发症可能，对于老年人群可能也并不合适。韩国学者Lin等人^[18]对接受PVP手术的骨质疏松压缩骨折与爆裂骨折患者进行了前瞻性研究，结果发现两组患者均可获得满意的长期临床疗效，也无严重并发症发生。他们认为即便是合并椎管内占位但无神经症状的骨质疏松爆裂骨折患者，PVP是安全且有效的治疗手段。

脊柱内镜手术

Chen Bin等人^[19]使用椎间孔镜技术治疗L5/S1峡部裂性滑脱所致的椎间孔狭窄，95%的患者在1年的随访时间里获得满意的治疗效果(图16)。他们认为成人峡部裂性滑脱往往是自发稳定而很少进展，对于稳定的峡部裂性滑脱所致的神经压迫，椎间孔镜技术是一种简单有效、性价比高及创伤更小的手术，且不会影响脊柱稳定性。但仍然需要有更长期的随访结果来验证其远期疗效以及是否对脊柱稳定性产生影响。

图16：a.术中工作通道透视位置;b.典型病例术前术后影像学对比。

UBE减压手术在颈椎多数应用集中在神经根型颈椎病，脊髓型颈椎病的治疗也有一些报道。Chien等人^[20]首次报道在混合型颈椎病(脊髓及双侧神经根同时受压)中应用UBE实现单侧入路双侧神经根管及中央管减压，获得满意的临床效果。作者认为对于双侧神经根管狭窄合并中央管狭窄的患者是其良好的适应证。而颈椎不稳、颈椎后凸畸形、后纵韧带骨化、肿瘤、感染等则为相对禁忌(图17)。

图17：a.术中透视影像，显示在对侧椎板减压和神经根管减压时镜下器械所能到达的位置;b.典型病例术前术后影像对比。

微创融合手术

Kim等人^[21]报道了使用UBE经椎间孔入路实行胸椎椎间融合手术的技术要点与注意事项(图18)。他们认为在胸腰交界区域(T10/11~T12/L1)进行该手术是安全有效的，但是要进行广泛的关节突切除以获得充足的融合器置入空间，避免脊髓损伤。因此对于严重椎间隙高度下降预计融合器置入困难的病例不建议进行该术式。然而，值得反思的是，对于胸椎管狭窄的患者是否需要在单纯减压的前提下进行额外的内固定及椎间融合手术，该操作也许会延长手术时间且提高并发症发生风险，却并未额外增加多少获益。

图18：a.CT显示皮肤切口位置、术中关节突减压范围与椎间盘的关系;b.术中镜下典型操作步骤与融合器放置透视图;c.术后复查影像。

导航/机器人辅助手术

目前机器人辅助手术的应用主要集中于椎弓根钉置入，很少有涉及神经减压方面的应用。然而，神经减压才是脊柱微创手术的主要目的，而脊柱机器人手术想要获得更好的应用，其下一步发展方向应该是协助开展减压手术。Kitahama等人^[22]对机器人辅助骨性减压手术进行了探索，发现机器人实行内镜下椎间孔减压的误差大概在10%，未来有望通过软件及硬件的改进进一步降低误差，具有很大的发展潜能(图19)。

图19：a.模拟内镜手术的概述：测量参数和概念框架;b. 测量结果的数据和摄影记录。

此外，Li Weishi等人^[23]介绍了一种新的基于人工智能(AI)的脊柱后路减压自主规划机器人系统，并通过尸体模型验证了可行性(图20)。机器人行单侧纵行椎板切除术的平均时间为16.38分钟，横行切除的平均时间为4.44分钟。在精度评估方面，切割精度偏差少于1mm的比例达到84%，在安全性评价方面，80%的例数定义为安全，证实了自主椎板切除机器人系统的初步安全性和准确性。

图20：a.机器人椎板切除术术中大体;b.椎板切除后的脊柱;c.切除下来的椎板。

人工智能与脊柱微创手术

在2024年Farooq和Zahra共同发表了一篇文献计量学研究，分析了2002-2022年这20年间机器人与人工智能在脊柱微创手术领域的发展趋势。机器人在脊柱微创领域的文献发表呈上升趋势，尤其近6年更是飞速发展。早期研究的关键词主要集中于“机器人”“手术”和“准确性”，近些年的常见关键词则演变为“机器人辅助手术”、“脊柱融合”以及“椎弓根钉”。人工智能在脊柱微创领域的起步较晚，2018年以后才有相关文献发表，且总体文章数量不多。其研究关键词主要为“人工智能”、“人类”、“机器学习”、“脊柱手术”、“神经网络”以及“脊柱融合”(图21)。

图21：a.机器人在脊柱微创领域每年的论文数量;b.人工智能在脊柱微创领域每年的论文数量;c. 机器人在脊柱微创领域文章的关键词;d.人工智能在脊柱微创领域文章的关键词。

Liawrungrueang等人^[24]系统性的回顾了人工智能(Artificial Intelligence, AI)在脊柱外科领域的发展趋势。展示了AI、机器学习(Machine learning, ML)和深度学习(Deep learning, DL)的基本差异、关系和例子。AI在脊柱外科的应用包括基础研究、术前规划、决策、术后效果预测、术中导航辅助手术等(图22)。

图22：a.人工智能、机器学习与深度学习的基本概念及其在脊柱领域的应用;b.机器学习在脊柱外科手术的应用。

术前：辅助诊断与手术决策

Adida等人^[25]发表了一篇关于机器学习(ML)在脊柱手术中应用的综述。他们认为测量误差、判断差异和潜在偏倚是脊柱X线片、CT和MR研究的固有问题，ML可以通过对大量图像进行训练来辅助诊断和临床决策。此外，由于大部分无症状患者表现出脊柱的良性异常，ML可能会减少错误的影像学检查结果。如下图所总结的，ML可以在X线片、CT和MR等图像上实施参数测量、病变部位识别、辅助诊断与鉴别诊断等术前应用(图23)。

图23.机器学习在脊柱手术术前应用的文献回顾

椎间孔镜手术在L5/S1节段的应用存在着一定的技术难点。Zhu Zhaoyin^[26]等人开发并验证了一种基于人工智能的MR图像分割方法，可有效分割腰骶部结构，如L5椎体、S1椎体、椎间盘、腰骶神经、髂骨和皮肤，用于构建腰骶部结构的3D模型，以便于在L5/S1节段选择合适的脊柱内镜手术路径(图24)。

图24：a.基于MRI分割的腰骶部3D重建;b.3D模型中手术轨迹的设定

术中：组织与器械识别

硬膜撕裂和神经损伤是UBE手术的常见并发症。Lee等人^[27]开发了一种神经组织分割的深度学习模型，以提高脊柱内镜手术的安全性和有效性。该U-Net模型可每秒处理23.3帧图像，平均准确率达到了89%，能有效的识别镜下神经组织。这表明它有潜力支持脊柱外科医生，特别是那些经验不足的初学者，有助于提高脊柱内镜手术的安全性。Hu Zhouyang等人^[28]使用了三种模型应用于内镜下手术器械的分割，其识别准确度高，具有潜在的应用前景(图25)。但由于手术器械的复杂多样，以及不可预测的术中情况，如组织遮挡、血液干扰和伪影等，自动神经及器械分割在内镜手术中仍然具有一定的挑战性。

图25：a.三倍交叉验证和随机变换的数据增强过程;b.镜下神经切割识别成功案例;c.镜下手术器械切割识别成功案例。

术后：疗效、并发症等预测

Wu Xiaotao等人发表了2篇文献^{[29, 30]}，使用6种ML方法建立PELD(Percutaneous Endoscopic Lumbar Discectomy)术后复发以及接受再手术患者的个体化预测模型，从中选择最优模型。其中XGBoost模型的预测效能最高，对术后复发预测的受试者工作特征曲线下面积(AUC)为0.915，再手术预测的AUC为0.907。BMI、小关节朝向、椎间盘突出类型、Modic改变、节段活动度和肌肉脂肪化是接受PELD手术患者术后复发以及再次手术的独立危险因素(图26)。

图26：a.6种ML模型的受试者工作曲线;b.PELD术后再次手术的危险因素之间的相关性矩阵和热图。

Saravi等人^[31]使用AI分析206例接受内镜手术及显微手术治疗腰椎管狭窄症的患者数据，发现在学习曲线早期大约72例内镜手术可达到与经验丰富者相似的临床疗效。此外，患者的个人特征对住院时间、手术时间以及术后并发症的影响要大于手术方式(内镜或显微手术)以及术者的学习曲线。

Wang Kaifeng等人^[32]尝试将基于术前双平面MRI与临床特征相结合的DL模型应用于预测接受管状通道下显微椎间盘切除术患者的1年临床疗效。其内部验证集的AUC为0.889，外部验证集的AUC为0.857，因此该模型是稳健且有效的(图27)。

图27：a.基于双平面MRI的深度学习模型开发过程;b.比较临床模型、双平面深度学习模型和混合模型的ROC曲线。

Wang Xiaokun等人^[33]建立了一个基于影像组学的模型来预测OVCF术后再骨折的发生，并制定合适的治疗策略。XGBoost模型显示出最佳预测表现，使用CT影像学参数、骨密度值以及骨水泥量可以很好的预测，在训练集其AUC值为0.986，预测集的AUC值为0.884。Wu Hao等人^[34]验证了，与统计模型相比，ML具有更好的预测性能，其中SVM模型的预测精度最高，达到了91.5%。不同的预测模型会采用不同的特征子集，其中选用最多的为骨折椎体数量、椎体裂隙、骨水泥量以及椎旁肌退变程度，以上为多数预测模型选择的OVCF术后残留腰痛的危险因素(图28)。

图28：a.基于影像组学预测OVCF术后再骨折发生的模型流程;b.不同机器学习模型和统计模型选择的最优特征子集。

人工智能在微创脊柱外科的前景展望

目前已有的文章表明，AI在很大程度上只能接近，而尚未超过经验丰富的脊柱外科医生的临床技能，还没能在影像学诊断分析或临床决策上达到让人信服的表现。总体而言，AI目前仅仅能在大数据的快速处理上使临床获益，在诊断、决策及预后预测等方面仍有很大的改进空间。但是，我们相信在不远的将来，AI有潜力成为微创脊柱外科围手术期几乎所有流程的常规辅助工具。

在疾病诊断方面，AI有望用于处理复杂脊柱影像，用于疾病的精准诊断与分型，预测疾病的发展与转归，预测治疗效果、并发症发生、再次入院或再次手术等疾病预后。在治疗策略方面，AI有望推动并实现患者更精准、更个体化的治疗方案，根据患者的个人因素、环境、职业、身体状况、疾病特点等，制定更为个体化的微创手术策略以及个体化的康复计划。在术后随访方面，AI有望通过穿戴式的远程监测设备实时获得患者的健康状态与恢复情况，并通过AI算法动态推算其恢复轨迹、并发症发生的可能性等^{[24, 35]}。

AI的另一个重要发展方向，是与虚拟现实(virtual reality, VR)、增强现实(augmented reality, AR)以及混合现实(mixed reality, MR)融合，应用在术前规划与模拟以及术中辅助等方面可提高手术精确性与安全性。脊柱微创手术的一个难点就在于术者无法直接且全面地观察患者体内的解剖结构，AR和MR技术的应用可以解决这一问题。这种技术可通过AI整合，将以往在二维显示器上进行的脊柱微创手术转向采用AR在术区直接投影显示患者的三维解剖结构，无需将术者的视线从手术部位转移。这种方法目前已经逐步应用于椎弓根螺钉置入、骨性结构减压、骨活检和经皮穿刺等技术。AR和MR的进一步发展将有助于辅助微创手术入路、减少术者注意力转移、降低手术时间、减少辐射暴露和提高手术的准确性与安全性^[25]。

AI是微创脊柱外科未来发展的一个希望所在。随着这些技术的不断发展，它们有望实现脊柱疾病的精准诊断、个体化微创手术治疗和围术期全流程管理，最终导致患者获得更好的治疗结局。

参考文献

[1]. Zhan K, Chen K, Gao G, et al. A retrospective cohort study on the efficacy and safety of percutaneous vertebroplasty combined with bone-filling mesh container in vertebral metastases with posterior wall defect [J]. Front Oncol, 2024, 13: 1312491.

[2]. Ji ZW, Shen MJ, Sun JJ, et al. Enhanced Safety and Efficacy of O-Arm Navigation Over C-Arm Guidance in Percutaneous Kyphoplasty for Patients With Osteoporotic Vertebral Compression Fractures and Spinal Deformity: A Comparative Study [J]. Orthop Surg, 2024.

[3]. Cheng X, Sun X, Zhang K, et al. Low pelvic incidence as a risk factor for vertebral recollapse after percutaneous vertebroplasty in the thoracolumbar region [J]. Spine J, 2024.

[4]. Kapetanakis S, Gkantsinikoudis N. Modified transforaminal lumbar endoscopic discectomy for surgical management of extraforaminal lumbar disc herniation: case series and technical note [J]. J Neurosurg Spine, 2024: 1-7.

[5]. Lee DY, Kim HS, Park SY, et al. Nonlaminotomy bilateral decompression: a novel approach in biportal endoscopic spine surgery for spinal stenosis [J]. Asian Spine J, 2024.

[6]. Park SR, Yoon YH, Kim NH, et al. Effect of saline irrigation temperature difference on postoperative acute pain and hypothermia during biportal endoscopic spine surgery [J]. Eur Spine J, 2024, 33(11): 4378-4384.

[7]. Liu E, Saeed S, Coote NR, et al. Incidental durotomy during tubular microdiscectomy does not preclude same-day discharge [J]. Eur Spine J, 2024, 33(11): 4392-4396.

[8]. Lee HR, Lee KJ, Lee SY, et al. Impact of the Disc Vacuum Phenomenon on Surgical Outcomes in Lumbar Spinal Stenosis: A Comparative Study between Endoscopic Decompression and Minimally Invasive Oblique Lateral Interbody Fusion [J]. J Clin Med, 2024, 13(19).

[9]. Amaral R, Pokorny G, Alvernia JE, et al. L4-L5 anatomy classification system for lateral lumbar interbody fusion [J]. Neurosurg Rev, 2024, 47(1): 529.

[10]. Peng X, Wang X, Li Z, et al. Oblique lumbar interbody fusion combined with anterolateral screw fixation and stress endplate augmentation for treating degenerative lumbar spondylolisthesis with osteoporosis [J]. Eur Spine J, 2024, 33(9): 3467-3475.

[11]. Han W, He L, Wang F, et al. Oblique Lumbar Interbody Fusion Combined With Anterolateral Fixation and Cement Augmentation for the Treatment of Degenerative Lumbar Diseases in the Elderly Population: A Retrospective Study [J]. Orthop Surg, 2024.

[12]. Van Pevenage PM, Tohmeh AG, Howell KM. Clinical and radiographic outcomes following 120 consecutive patients undergoing prone transpsoas lateral lumbar interbody fusion [J]. Eur Spine J, 2024, 33(9): 3492-3502.

[13]. Ehresman J, Farber SH, Battista M, et al. Clinical Outcomes and Radiographic Results of Prone Transpsoas Lateral Lumbar Interbody Fusion: A Single-Institution Case Series [J]. Neurosurgery, 2024.

[14]. Alan N, Lee KE, Leal Isaza JP, et al. Outpatient lateral lumbar interbody fusion: single-institution consecutive case series [J]. J Neurosurg Spine, 2024: 1-7.

[15]. Altorfer FCS, Kelly MJ, Avrumova F, et al. Robotic pedicle screw placement with 3D MRI registration: moving towards radiation free robotic spine surgery [J]. Spine J, 2024.

[16]. Lin X, Chang Q, Shang L, et al. A comparison of ultrasound volume navigation, O-arm navigation, and X-ray guidance for screw placement in minimally invasive transforaminal lumbar interbody fusion: a randomized controlled trial [J]. Eur Spine J, 2024, 33(9): 3457-3466.

[17]. Guinebert S, Hayek G, Cornelis FH, et al. Feasibility and Safety of Lateral and Posterolateral Percutaneous Vertebroplasty of Osteolytic C1-C2 Lesions under Computed Tomography Guidance and Local Anesthesia [J]. J Vasc Interv Radiol, 2024, 35(12): 1778-1784.

[18]. Lin HH, Hung PI, Chen KJ, et al. Is it safe to treat osteoporotic burst thoracolumbar fracture using percutaneous vertebroplasty? A minimum of 5-year follow-up study [J]. Spine J, 2024.

[19]. Yu R, Li H, Dou H, et al. Transforaminal Endoscopic Lumbar Foraminotomy for the Treatment of L5-S1 Isthmic Lumbar Spondylolisthesis with Foraminal Stenosis: A 1-Year Follow-Up [J]. World Neurosurg, 2024, 188: e497-e505.

[20]. Chien KT, Chen YC, Chang TK, et al. Novel Cervical Endoscopic Unilateral Laminoforaminotomy for Bilateral Decompression in Cervical Spondylosis Myeloradiculopathy: A Technical Note and Clinical Results [J]. J Clin Med, 2024, 13(7).

[21]. Kim JY, Choi SY, Kim KM. Biportal endoscopic transforaminal thoracic interbody fusion for the treatment of thoracic myelopathy [J]. Acta Neurochir (Wien), 2024, 166(1): 134.

[22]. Kitahama Y, Shizuka H, Nakano Y, et al. Advancements and Challenges in Robot-Assisted Bone Processing in Neurosurgical Procedures [J]. Neurospine, 2024, 21(1): 97-103.

[23]. Wang C, Jiang S, Li Z, et al. Accuracy and safety evaluation of a novel artificial intelligence-based robotic system for autonomous spinal posterior decompression [J]. Neurosurg Focus, 2024, 57(6): E16.

[24]. Liawrungrueang W, Cho ST, Sarasombath P, et al. Current Trends in Artificial Intelligence-Assisted Spine Surgery: A Systematic Review [J]. Asian Spine J, 2024, 18(1): 146-157.

[25]. Adida S, Legarreta AD, Hudson JS, et al. Machine Learning in Spine Surgery: A Narrative Review [J]. Neurosurgery, 2024, 94(1): 53-64.

[26]. Zhu Z, Liu E, Su Z, et al. Three-Dimensional Lumbosacral Reconstruction by An Artificial Intelligence-Based Automated MR Image Segmentation for Selecting the Approach of Percutaneous Endoscopic Lumbar Discectomy [J]. Pain Physician, 2024, 27(2): E245-E254.

[27]. Lee HR, Rhee W, Chang SY, et al. Deep Learning in Spinal Endoscopy: U-Net Models for Neural Tissue Detection [J]. Bioengineering (Basel), 2024, 11(11).

[28]. Hu Z, Fan G, Yue G, et al. Automatic segmentation of surgical instruments in endoscopic spine surgery: A deep learning-based analysis [J]. Asian J Surg, 2024.

[29]. Shan ZM, Ren XS, Shi H, et al. Machine Learning Prediction Model and Risk Factor Analysis of Reoperation in Recurrent Lumbar Disc Herniation Patients After Percutaneous Endoscopic Lumbar Discectomy [J]. Global Spine J, 2024, 14(8): 2240-2251.

[30]. Ren G, Liu L, Zhang P, et al. Machine Learning Predicts Recurrent Lumbar Disc Herniation Following Percutaneous Endoscopic Lumbar Discectomy [J]. Global Spine J, 2024, 14(1): 146-152.

[31]. Saravi B, Zink A, Ulkumen S, et al. Artificial intelligence-based analysis of associations between learning curve and clinical outcomes in endoscopic and microsurgical lumbar decompression surgery [J]. Eur Spine J, 2024, 33(11): 4171-4181.

[32]. Wang K, Lin F, Liao Z, et al. Development of a Dual-Plane MRI-Based Deep Learning Model to Assess the 1-Year Postoperative Outcomes in Lumbar Disc Herniation After Tubular Microdiscectomy [J]. J Magn Reson Imaging, 2024.

[33]. Wang X, Ye W, Gu Y, et al. Predicting Secondary Vertebral Compression Fracture After Vertebral Augmentation via CT-Based Machine Learning Radiomics-Clinical Model [J]. Acad Radiol, 2024.

[34]. Wu H, Li C, Song J, et al. Developing predictive models for residual back pain after percutaneous vertebral augmentation treatment for osteoporotic thoracolumbar compression fractures based on machine learning technique [J]. J Orthop Surg Res, 2024, 19(1): 803.

[35]. Yagi M, Yamanouchi K, Fujita N, et al. Revolutionizing Spinal Care: Current Applications and Future Directions of Artificial Intelligence and Machine Learning [J]. J Clin Med, 2023, 12(13).

作者简介

戎利民

教授、主任医师、博士生导师

中山大学附属第三医院院长、骨科学科带头人

国家重点研发计划项目首席科学家

中国骨科住院医师规范化培训示范基地主任

全国住院医师规范化培训骨科专业骨干师资培训基地主任

广东省医学领军人才

国家药监局细胞类产品研究与质量评价重点实验室主任

广东省微创脊柱外科工程技术研究中心主任

广东省微创脊柱外科质量控制中心主任

广州市脑神经重大疾病研究与创新技术转化重点实验室主任

国际脊柱内镜外科学会(ISESS)执行委员

中华医学会骨科学分会委员

中国医师协会骨科医师分会脊柱微创学组组长

中国康复医学会脊柱脊髓专业委员会副主任委员

中国医疗保健国际交流促进会骨科学分会副主任委员

广东省医学会骨科学分会主任委员

广东省医师协会副会长兼骨科医师分会主任委员