Multivariabel forudsigelsesmodel for totalt resultat af knæudskiftning

Total knæarthroplastik (TKA) er en kirurgisk procedure, der anvendes som en almindelig løsning til at overvinde begrænsninger forårsaget af fremskredne stadier af svær gonarthrose. Proceduren har høj udbredelse, høje associerede omkostninger og anses for at være omkostningseffektiv. Rehabilitering er afgørende for at optimere resultaterne. Men i klinisk praksis kan længden af ​​genoptræning for hver patient være meget varierende, og de programmerede tider kan mangle den nødvendige objektivitet. Nuværende begrænsning af ressourcer og stigende udbredelse gør det væsentligt at generere strategier til optimering af operationsresultater, således at ressourceanvendelsen i sundhedssystemet er effektiv uden skade for patientens gavn. Til dette formål skal objektiv og pragmatisk information være tilgængelig og bør være baseret på videnskabelig dokumentation for at hjælpe med at træffe kliniske beslutninger. Faktisk er en række demografiske, biomedicinske og psykosociale faktorer blevet identificeret som prædiktorer for TKA-resultater (dvs. vægt, alder, forventninger...). Nogle af dem har været forbundet med behovet for hospitalsressourcer efter operationen. Men de fleste undersøgelser baserer deres forudsigelser i retrospektive undersøgelser, som er begrænsede i den type variabler, der kan bruges (klinikhistorie), kvaliteten af ​​registre og begrænsninger af retrospektive designs. På den anden side baserer de fleste potentielle undersøgelser deres forudsigelser i et begrænset antal udfald. For at overvinde disse begrænsninger er dette projekt designet som et prospektivt observationsstudie med to observationer af hver patient.

• Det primære mål er at implementere en multivariabel forudsigelsesmodel af TKA-udfald, således at proceduren bliver optimal i to aspekter: patientrestitution (social og økonomisk fordel) og brug af sundhedssystemets ressourcer (økonomisk fordel). Implementeringen kræver en bearbejdning af informationen, der er samplet gennem forskellige algoritmer og innovativ databehandling på dette område, baseret på data mining og maskinlæringsteknikker. Dette vil blive brugt i jagten på modellen med den største forudsigelseskapacitet.
• Som et sekundært mål vil information udvundet fra patienter både i de sidste stadier af tilstanden og på mellemlang sigt efter interventionen gøre det muligt at studere den funktionelle og psykosociale virkelighed hos personer med knæartrose.