Algoritmy strojového učení TPF

Celkovým cílem je osvojit si techniku ​​strojového učení, aby bylo možné rozhodnout, zda operativní nebo neoperativní léčba povede k nejlepšímu výsledku pro pacienta.

Primárními cíli je identifikovat nejvhodnější algoritmus strojového učení k předpovědi nejlepší léčby pro budoucí pacienty. O tom, zda konzervativní nebo operační léčba povede k nejlepšímu výsledku pacienta, se rozhodne na základě předpokládaného skóre KOOS. Jako tréninková data pro algoritmus bude použito několik vstupních faktorů, jako je léčba (konzervativní nebo operační), počet fragmentů zlomeniny, umístění zlomeniny, postižení měkkých tkání,…pro každého pacienta. Některá z těchto vstupních dat budou odvozena z CT skenů. Proto budou CT snímky segmentovány v Mimics, pro které UZ Leuven nedávno zakoupila licence. Výstupní proměnnou tréninkových dat bude skóre KOOS každého pacienta. Na základě vstupní a výstupní proměnné algoritmus určí vztah mezi nimi. U budoucích pacientů, u kterých je známa vstupní proměnná, bude predikována výstupní proměnná (=KOOS skóre) jak v případě operační, tak konzervativní léčby. Předpokládáme, že se předpověď časem zlepší přidáním dalších vstupních dat.

Sekundárním cílem je identifikovat klinické a radiologické faktory, které pomáhají předpovídat nejlepší léčbu pro budoucí pacienty.

Technika strojového učení by mohla být v budoucnu implementována v klinické praxi a využita jako specifický plánovací nástroj pro pacienta pro léčbu zlomenin tibiálního plató tím, že chirurgovi pomůže vybrat nejlepší léčbu pro daný případ. Shromážděná data v tomto registru budou použita k ověření modelu strojového učení. Pacienti zatím nebudou léčeni na základě výsledků vyvinutého modelu, traumatolog je odpovědný za rozhodnutí, která možnost léčby je pro pacienta nejlepší.