目的綜述機器學習在創傷骨科領域的應用進展并展望其在臨床中的應用前景。方法廣泛查閱國內外相關文獻，闡述機器學習算法研究現狀，總結其在創傷骨科領域的研究進展。結果隨著計算機數據處理能力的飛速發展、醫工交叉的逐步深入，人工智能在醫學領域應用漸廣。目前，機器學習在創傷骨科領域得到了廣泛應用，在骨折影像識別與診斷分層、創傷骨科臨床決策及評估、圍術期與預后風險預測等方面，有著較強的性能和準確性。然而，機器學習的發展及臨床應用仍存在著數據庫樣本不足、模型解釋性差以及普適性和個體化差異的問題。結論 隨著臨床樣本量的增加以及算法性能的提升，機器學習在創傷骨科輔助診斷、指導決策、制定個性化醫療方案以及合理配置臨床資源方面具有廣闊應用前景。
目的 探討老年男性股骨轉子間骨折患者圍術期血清IL-6水平變化，為此類患者的炎癥控制提供依據。 方法 回顧分析2021年1月—2022年12月收治且符合選擇標準的40例年齡≥60歲男性股骨轉子間骨折患者臨床資料，其中25例為非骨質疏松癥患者（T值>?2.5，A組），15例為骨質疏松癥患者（T值≤?2.5，B組）；另外根據年齡配比規則納入40例年齡≥60歲健康男性作為對照（C組）。3組受試者年齡、吸煙史、飲酒史、身體質量指數、合并癥（高血壓病和糖尿病）、丙氨酸氨基轉移酶、天門冬氨酸氨基轉移酶、血尿素氮、肌酐和總蛋白等基線資料比較，差異均無統計學意義（P>0.05）。 取C組受試者血清樣本，A、B組患者術前及術后1、3、5、7 d的血清樣本， ELISA法檢測血清IL-6水平；采用Pearson相關分析A、B組所有患者圍術期各時間點IL-6水平與T值的相關性。記錄A、B組患者術后住院期間并發癥發生情況和1年死亡率。 結果A、B組術前IL-6水平顯著高于C組，B組顯著高于A組，差異均有統計學意義（P<0.05）。A、B組患者術后1 d IL-6水平較術前顯著升高，然后呈逐漸下降趨勢，至術后7 d時降至接近術前水平；術后各時間點B組IL-6水平均顯著高于A組，差異有統計學意義（P<0.05）。相關性分析示，A、B組所有患者圍術期各時間點IL-6水平與T值均成負相關（P<0.05）。術后住院期間A組4例患者（16.0%）發生并發癥，包括肺部感染2例、尿路感染1例、心力衰竭1例；B組3例患者（20.0%）發生并發癥，包括肺部感染2例、消化道出血1例；兩組并發癥發生率比較差異無統計學意義（χ2=0.104，P=0.747）。A、B組分別有2例（8.0%）和4例（26.7%）于術后1年內死亡，兩組死亡率比較差異無統計學意義（χ2=2.562，P=0.109）。 結論 老年男性股骨轉子間骨折患者術后早期血清IL-6水平顯著增高，尤其在骨質疏松癥患者中更為明顯。圍術期監測炎癥狀態并及時控制炎癥反應，可降低并發癥，改善術后生存狀況。