在独立外部队列中验证机器学习模型：集合模型以0.77一致性指数预测脊柱裂患者新发肾积水，并以71%准确率分类膀胱功能障碍
核心概要
本研究将此前开发的三种机器学习模型（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影像模型，以及平均两者风险数据的集合模型）适配到单一机构2016至2025年间脊柱裂患者的独立外部队列，用于预测新发肾积水和分类膀胱功能障碍严重程度；在70例肾积水队列中13例（18%）发生新发肾积水，集合模型一致性指数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），在95次VUDS检查的膀胱功能障碍分类中集合模型准确率71%（压力-容积60%、影像66%），与专家儿科泌尿科医师评审无实质性分歧，结论是这些模型可适配外部独立数据集并达到与
深度剖析
集合模型在预测新发肾积水方面优于单一模态，一致性指数为0.77，高于仅用压力-容积数据的0.70和仅用影像数据的0.72，总体AUROC为0.75。 此前模型是在原始开发队列中建立，本研究首次在独立外部队列中评估适配版本的性能，提供了外部验证证据。 基于70例患者的肾积水队列，其中13例（18%）发生新发肾积水，以一致性指数和AUROC作为区分度指标，并与专家儿科泌尿科医师评审比较。
在95次VUDS检查的膀胱功能障碍严重程度分类中，集合模型达到71%准确率，高于仅用压力-容积数据的60%和仅用影像数据的66%，且与专家评审无实质性分歧。 将分类任务从开发队列扩展到独立外部数据集，并显示多模态融合在分类准确率上优于单模态。 基于95次VUDS检查，以专家儿科泌尿科医师评审为参照，报告准确率和分歧程度。
此前开发的机器学习框架可适配到独立数据集，并达到与既往报道相似的区分度和准确率。 为VUDS解读中存在的评分者间变异问题提供了一种可外部迁移的辅助分析路径。 研究在单一机构2016至2025年间的脊柱裂患者中实施，使用三种模型（压力-容积卷积神经网络、透视影像深度学习模型、集合模型），并声明数据可应合理请求获取。
启示与展望
本研究旨在评估此前开发的机器学习模型在独立外部队列中的适配性能，适用于接受VUDS评估的脊柱裂患者，用于预测新发肾积水和分类膀胱功能障碍严重程度。结果为临床医生和研究者提供外部验证证据，说明集合模型在压力-容积与透视影像数据融合后可达到与既往报道相似的区分度和准确率。该结果支持在更多机构中进一步评估这类模型作为VUDS解读辅助工具的潜力，但当前研究基于单一机构2016至2025年间的数据，数据可应合理请求获取。
当前加载文本为不完整的摘要及声明部分，缺少完整论文的图表、模型适配细节、统计分析和亚组结果，因此无法评估模型在不同患者特征或不同机构间的表现差异。此外，肾积水队列70例中仅13例发生事件，事件数较少可能影响区分度估计的稳定性；膀胱功能障碍分类基于95次VUDS检查，与专家评审无实质性分歧的具体定义和一致性度量未在摘要中展开。这些是读者在解读外部验证结论时可继续关注的问题。