TPF Machine Learning Algoritmer

Det overordnede mål er at anvende en maskinlæringsteknik for at afgøre, om operativ eller ikke-operativ behandling vil resultere i det bedste patientresultat.

De primære mål er at identificere den bedst egnede maskinlæringsalgoritme til at forudsige den bedste behandling for fremtidige patienter. Hvorvidt konservativ eller operativ behandling vil føre til det bedste patientresultat, afgøres ud fra den forudsagte KOOS-score. Adskillige inputfaktorer, såsom behandling (konservativ eller operativ), antal frakturfragmenter, placering af frakturen, involvering af blødt væv,...for hver patient vil blive brugt som træningsdata for algoritmen. Nogle af disse inputdata vil blive afledt fra CT-scanninger. Derfor vil CT-scanningerne blive segmenteret i Mimics, som UZ Leuven for nylig har købt licenser til. Udgangsvariablen for træningsdataene vil være KOOS-score for hver patient. Baseret på input- og outputvariablen vil algoritmen bestemme en relation mellem disse. For fremtidige patienter, hvor inputvariablen er kendt, vil outputvariablen (=KOOS-score) blive forudsagt både i tilfælde af operativ og konservativ behandling. Vi antager, at forudsigelsen vil blive forbedret ved at tilføje flere inputdata over tid.

Det sekundære mål er at identificere kliniske og radiologiske faktorer, der hjælper med at forudsige den bedste behandling for fremtidige patienter.

Som en udsigt kan maskinlæringsteknikken implementeres i fremtiden i klinisk praksis og bruges som et patientspecifikt planlægningsværktøj til behandling af tibial plateaufraktur ved at hjælpe kirurgen med at vælge den bedste behandling til et givet tilfælde. De indsamlede data i dette register vil blive brugt til at validere maskinlæringsmodellen. Patienterne vil endnu ikke blive behandlet baseret på resultaterne af den udviklede model, traumekirurgen er ansvarlig for at beslutte, hvilken behandlingsmulighed der er bedst for patienten.