研究背景：压疮，又称为压力性损伤，是由于压力或剪切力导致局部皮肤或深层软组织损伤。脊髓损伤患者长期使用轮椅导致坐骨结节下软组织持续受压，而脊髓损伤引起的组织耐受性发生病理改变，疼痛敏感性和日常活动能力降低增加了压疮的风险。临床中的生物医学工程技术主观性强、无法实时准确监测深层软组织的损伤，且压疮的发生和发展受多种因素影响，因此本研究综合考虑多种因素对压疮的联合作用，结合机器学习算法和有限元分析技术，使用生物力学指标个性化分析脊髓损伤患者的压疮风险。

研究概述：本研究提出了一种混合模型，采用机器学习算法结合个体特征参数预测坐姿下臀部软组织的应力和应变，从而快速、准确的分析压疮风险，为临床早期发现和预防压疮提供新方法。

考虑到构建压疮模型对人体造成不可逆和严重的损伤，本研究基于臀部参数化有限元模型，改变BMI指数（脂肪层）、肌肉厚度和坐骨结节曲率半径以表征不同脊髓损伤个体的特征，模拟计算并提取不同外部力学载荷下内部软组织的生物力学响应，经过预处理后形成1440组样本数据库。经过训练和测试的机器学习算法中，反向传播神经网络（Back Propagation Neural Network, BPNN）和XGBoost在预测内部软组织的最大von Mises应力和最大剪切应变时表现出较低的误差和更高的准确性。

不同载荷下内部软组织的生物力学分析：当个体保持坐姿时，上半身的重量通过坐骨结节垂直向下压迫脂肪和肌肉，随着臀部表面的压力和剪切力增加，内部软组织产生更大的应力和应变。当内部软组织的剪切应变超过75%被认为是判断压疮的标准，当峰值压应力超过35 kPa或峰值剪切应力超过5 kPa时，软组织内部的剪切应变超过损伤阈值。此外，其他因素的综合影响降低了组织耐受性，即使在低应力水平下也会导致损伤。在脊髓损伤康复的后期，患者常出现体重增加会增大臀部损伤的风险，同时需要注意在选择轮椅坐垫时考虑其材质和柔软性。

混合预测模型的性能表现：经过对多种算法的比较，XGBoost在预测剪切应变时具有最高的准确性，BPNN在预测最大von Mises应力方面的误差最小，因此，我们选择了不同的模型来预测期望值，其中BPNN用于预测最大von Mises应力，XGBoost用于预测最大剪切应变。在数据库的测试集中，混合模型的预测值与实际值具有较好一致性，准确性可达98%并有较低的误差值。

SHAP可解释性分析：考虑到机器学习算法的“黑盒子”问题，本研究加入了SHAP可解释模块增强混合模型的预测结果可靠性并分析发现臀部表面的峰值压应力与人体的BMI指数有较强的正相关性，而峰值切应力与肌肉厚度之间存在交互作用。

研究意义：本研究基于有限元模型数据训练的可解释性混合模型在预测脊髓损伤患者坐姿压疮风险时表现出良好的性能。该算法可进一步与传感器、健康监测设备联合使用，监测患者在运动康复和日常活动中的健康状况和压疮风险。

Ke Zhang, Yufang Chen, Chenglong Feng, Xinhao Xiang, Xiaoqing Zhang, Ying Dai, Wenxin Niu. Machine learning based finite element analysis for personalized prediction of pressure injury risk in patients with spinal cord injury. Computer Methods and Programs in Biomedicine, 2025. https://doi.org/10.1016/j.cmpb.2025.108648