Udvikling og intern validering af forudsigelse af modeller for idiopatisk skoliose Naturhistorie og behandlingsresultater gennem brug af kunstig intelligens i en stor klinisk database (PREPARE)

Skoliose er en tredimensionel deformitet af rygsøjlen. I sin mest almindelige form (ca. 70% af tilfældene) er årsagerne ukendte, derfor kaldes det idiopatisk skoliose. I de fleste tilfælde opdages det efter 10 års alderen, og defineres diagnostisk som en kurve på mindst 10°, målt på et stående røntgenbillede ved hjælp af Cobb-metoden.

Hvis skoliose overskrider den kritiske tærskel på 30° Cobb i slutningen af ​​væksten, er der en gradvis større risiko for sundhedsmæssige og sociale problemer i voksenlivet. Af denne grund er hovedformålet med behandlingen at afslutte vækstperioden med en kurve mindre end 30° og god sagittal balance, eller i det mindste et godt stykke under 50°, som repræsenterer den kirurgiske tærskel.

Vækst er en faktor, der fremmer udviklingen af ​​deformiteter, derfor følges patienterne indtil slutningen af ​​væksten. Dette er grunden til, at terapien kan vare mange år, fra opdagelsen af ​​tilstedeværelsen af ​​en deformitet, indtil knoglemodningen er opnået.

Den tidlige identifikation af parametre, der forudsiger resultatet af terapien for at rette mindst mulig aggressivitet mod det resultat, der er nødvendigt for patientens fremtid, integreret med evalueringen af ​​dets effektivitet (monitorering), er et af de vigtigste mål på dette område for at minimere behandlingsbyrden i en bestemt vækstfase, såsom teenagers udvikling, samt at identificere de personer, der har størst risiko for at forværres i voksenalderen.

Den systematiske indsamling af kliniske data under den terapeutiske proces giver mulighed for gennem avancerede analysemodeller, anvendt retrospektivt, at identificere prædisponerende faktorer og beskyttende faktorer. Når de tilgængelige data er tilstrækkeligt store, er det muligt at opnå prædiktive ligninger, der hjælper klinikere med terapeutiske valg og hjælper patienter med at forstå risici og fordele ved tilgængelige terapier. Nye teknologier såsom kunstig intelligens-teknikker tilbyder nye og interessante måder at estimere risici og beregne fordelene og sikkerheden ved nogle terapeutiske valg sammenlignet med andre.

Denne undersøgelse har til formål at udvikle og internt validere datadrevne stratificerings- og forudsigelsesmodeller til at forudsige flere end-of-care resultatmål, der inkluderer kurvestørrelse, målt i Cobb-grader, mål, der bestemmer den sagittale balance, og mål for målt livskvalitet og funktion. gennem selvudfyldende spørgeskemaer.