Bu içeriği görüntülemek için JoVE aboneliği gereklidir. Oturum açın veya ücretsiz deneme sürümünü başlatın.
Method Article
Bu çalışma, revizyon kalça artroplastisinde uzman cerrahi vaka veri tabanı erişimine dayalı yeni bir yapay zeka preoperatif planlama yaklaşımı önermektedir. Ek olarak, teknik başlangıçta beş hastada uygulandı ve ameliyat süresinde ve intraoperatif kanamada bir azalma gösterdi.
Revizyon kalça artroplastisinde ameliyat öncesi planlamanın doğru yapılması başarılı sonuçlar elde etmek için çok önemlidir. Asetabular kemik defekti şiddetinin sezgisel değerlendirmesini geliştirmek ve revizyon kalça artroplastisinde önceki başarılı deneyimlerden yararlanmak için bu çalışma, uzman cerrahi vaka veri tabanı alımına dayalı yeni bir yaklaşım önermektedir ve ilk olarak klinik uygulamada uygulanmaktadır. Bu çalışmada, revizyon kalça artroplastisi gereken beş hasta, uzman vaka veri tabanı cerrahi planlama sistemini kullanmak üzere preoperatif olarak planlandı. Hastanın görüntüleme verileri sisteme girildi ve uzman vaka veri tabanındaki vakalarla eşleştirildi. Uzmanın cerrahi deneyimine dayanarak, bir revizyon ameliyat planı önerildi. Uygun vaka bulunamazsa, hastaya özgü rekonstrüksiyon sonuçlarına göre protezin modeli ve pozisyonu planlandı. Bu çalışmaya, yaş ortalaması 50.6 olan dört erkek ve bir kadın olmak üzere toplam beş hasta dahil edildi. Kalça artroplastisi sonrası tanı aseptik protez gevşemesi idi. Ortalama ameliyat süresi 123.2 dk ve ortalama intraoperatif kanama 672 mL idi. Vasküler veya sinir yaralanması gibi intraoperatif komplikasyon gözlenmedi. Örneğin, Vaka 2'de, bu yenilikçi planlama şemasının uygulanması, cerrahın bu hasta için ameliyat öncesi dönemde revizyon cerrahi planını tanımlamasını sağladı ve böylece ameliyat süresini ve intraoperatif kanamayı azalttı. Ayrıca, hastalar benzer vakaların sonuçları hakkında önceden bilgilendirilebilir. Kapsamlı vaka veri tabanımız aracılığıyla büyük veri analizi yaklaşımından yararlanmak, tüm süreç boyunca eşleşen uzman tedavi planlarının otomatik olarak tanımlanmasını sağlar. Bu, özellikle deneyimsiz ortopedi cerrahlarına, uygun protez boyutlarını ve montaj pozisyonlarını seçmelerine yardımcı olmak için cerrahi stratejiler konusunda doğru rehberlik sağlayarak fayda sağlar. Ek olarak, eşleşen sonuçlar, hastalara tahmini ameliyat sonrası sonuçları gösteren görselleştirmeler sunabilir.
Primer total kalça artroplastisinin (TKA) artan prevalansı, aseptik gevşeme, enfeksiyon, tekrarlayan çıkık ve periprostetik kırık gibi bir dizi faktöre bağlı olarak revizyon artroplastisi gerekliliğinde buna bağlı bir artışa yol açmıştır1. Primer kalça artroplastisi ile karşılaştırıldığında, revizyon kalça cerrahisi teknik olarak daha karmaşık ve klinik olarak zorlu bir prosedürdür, daha yüksek mortalite oranları2, daha yüksek sağlık hizmetleri maliyetleri3 ve daha fazla komplikasyon riski4 vardır.
Revizyon kalça artroplastisinde asetabular kemik kaybının rekonstrüksiyonu ve protez seçimi ameliyatın başarısını belirlemede çok önemlidir. Ortopedi cerrahının, yeni implante edilen asetabular kabın1 yeterli başlangıç stabilitesini hedefleyerek artık kemik stokunu ve değişen anatomiyi değerlendirmesi gerekir. Sonuç olarak, mevcut tedavi seçeneklerini yönlendirmek için hassas bir ameliyat öncesi planlama çok önemlidir.
Şu anda, ortopedi cerrahları, preoperatif görüntüleme bulgularına ve kendi cerrahi deneyimlerine dayanarak revizyon artroplastisinin kapsamlı bir değerlendirmesini ve planlamasını yapmaktan sorumludur. Bununla birlikte, bu deneyimsiz cerrah için önemli bir zorluk teşkil edecektir.
Yapay zeka (AI) teknolojisinin gelişmesiyle birlikte, ortopedik cerrahide, öncelikle görüntü segmentasyonu, patolojilerin ve implantların teşhisi ve sınıflandırılması için giderek daha fazla kullanılmaktadır5. Bu arada, AI, birincil THA6'ya yardımcı olmada ilk başarıyı elde etmeye başlıyor. Bununla birlikte, revizyon kalça artroplastisi için akıllı preoperatif planlama boş bir sayfa olarak kalmaktadır. AI, kalça revizyon cerrahisinde, özellikle kemik kusurlarının değerlendirilmesinde umut verici bir geleceğe sahiptir. Bu kusurlar her hasta için benzersizdir ve belirli kalıplar sergilerken, geleneksel Paprosky sınıflandırma yöntemi bunları tam olarak karakterize etmek için gereken hassasiyetten yoksundur. Bununla birlikte, AI, görüntü verilerinden daha ayrıntılı bilgi çıkarma yeteneğine sahiptir ve kemik kusuru değerlendirmesinin doğruluğunu ve hassasiyetini artırmak için umut verici bir yol sunar. Ortopedi cerrahlarının revizyon artroplastisi hakkındaki kararlarına rehberlik etmek için uzman cerrahi vaka veri tabanı alımına dayalı yeni bir yapay zeka destekli ameliyat öncesi planlama sistemi geliştirdik.
İlk olarak asetabular kemik defekti rekonstrüksiyonu, asetabular kemik defektlerinin nicelleştirilmesi ve tiplendirilmesi için yeni bir yöntem oluşturduk. Daha sonra, üst düzey bir ulusal uzmandan 200 kalça revizyonu cerrahi vakasına ilişkin klinik ve görüntüleme verilerini toplayarak bir kalça revizyonu vaka veri tabanı oluşturduk. Veri tabanı ameliyat öncesi bilgisayarlı tomografi (BT), ameliyat öncesi röntgen, ameliyat sonrası röntgen ve hasta demografik özelliklerinden oluşmaktadır. Ameliyat için planlanan hastaların mevcut kemik defekti özelliklerine dayalı olarak veri tabanındaki vakaları eşleştirebilir ve cerraha ameliyat öncesi referans sağlamak için en benzer vaka senaryolarını bulabiliriz. Bu yaklaşım, cerrahın asetabular revizyon protokolü hakkında ameliyat öncesi bir fikre sahip olmasını sağlayarak intraoperatif deneme yanılma süresini azaltır.
Çalışma, Henan Eyaleti Luoyang Ortopedik-Travmatoloji Hastanesi Etik Komitesi'nden izin aldı. Ek olarak, bu çalışma görüntüleme verilerine dayanıyordu ve gönüllülere zarar vermeyecek veya bilgilerini ifşa etmeyecekti. Bu nedenle, ulusal mevzuat ve kurumsal gereklilikler gereği, katılımcıların veya yasal vasilerinin/yakın akrabalarının bilgilendirilmiş bir onam formu imzalamasına gerek yoktu.
1. Görüntü içe aktarma
2. Etkilenen taraftaki asetabular kemik defektinin iyileşmesi
3. Görüntü segmentasyonu ve yeniden yapılandırma
4. Asetabular kemik defekti bölme ve defekt miktarı hesaplaması
5. Uzman kalça revizyonu veritabanı araması - asetabular defekt planlaması
Şu anda revizyon kalça artroplastisi yapılan dört erkek ve bir kadın olmak üzere beş hastada bu yöntemi uygulamaktayız. Yaşları 42 ile 67 arasında değişiyordu. Kalça artroplastisi sonrası aseptik protez gevşemesi tanısı konuldu ve Paprosky sınıflamasına göre sınıflandırıldı8. Beş hasta için ortalama ameliyat süresi 123.2 dakika ve ortalama intraoperatif kan kaybı 672 mL idi. Ameliyat süresi, femur sap protez revizyonu da dahil olma...
Önemli anatomik hasar, kalça artroplastisi sonrası karmaşık yumuşak doku durumu ve genellikle metal implantlarla ilişkili ciddi metal artefaktların varlığı nedeniyle, deneyimli tıp uzmanlarının, hastalarda belirli kemik kusurlarını değerlendirmek ve ardından uygun asetabular protezleri planlamak için görüntüleme sonuçlarını ve klinik belirtileri kapsamlı bir şekilde analiz etmek için 3D rekonstrüksiyonu kullanmaları sıklıkla gereklidir9
Yazar Xiaolu Xi, Ke Yuan ve Qiang Xie, Wuhan United Imaging Surgical Co., Ltd. tarafından istihdam edilmektedir. Kalan yazarlar rekabet eden çıkarları olmadığını beyan ederler.
Bu çalışmadaki AI ameliyat öncesi planlama sistemi, Wuhan United Imaging Surgical Co., Ltd. tarafından desteklenmiştir.
Name | Company | Catalog Number | Comments |
PyCharm | JetBrains | 243.21565.199 | The Python IDE for data science and web development |
Bu JoVE makalesinin metnini veya resimlerini yeniden kullanma izni talebi
Izin talebiThis article has been published
Video Coming Soon
JoVE Hakkında
Telif Hakkı © 2020 MyJove Corporation. Tüm hakları saklıdır