Knee4Life-projekt: Styrker knæ-genopretning efter total knæudskiftning gennem digital sundhed (K4L)

1. Baggrund

   Total knæudskiftning (TKR) er en almindelig procedure, hvor der udføres mere end 100.000 om året i England og Wales. Selvom de fleste patienter har et vellykket resultat efter deres TKR, er cirka 10-20% af patienterne utilfredse, primært på grund af smerter og stivhed i knæet. En metode til at opdage tidlige problemer med smerte og stivhed kunne lette tidligere henvisning til ikke-kirurgiske behandlinger, som er effektive til at forhindre behovet for manipulation under bedøvelse [MUA]. I øjeblikket er MUA-raterne 2,5% (~2.500 patienter om året i England og Wales), hvilket koster ~14k £ pr. procedure. Vores nuværende forståelse af, hvornår stivhed udvikler sig, og timingen og bedste behandling(er) for stivhed er begrænset. Et nyligt James Lind Alliance Priority Setting Partnership identificerede stivhed efter TKR som en top-10 forskningsprioritet for bedre at forstå og teste interventioner. Nuværende foranstaltninger er ikke nøjagtige eller egnede til brug i hjemmet. Efterforskerne har brug for værktøjer til nøjagtigt at måle tidlige indikatorer for stivhed.

2. Begrundelse

Efterforskerne har i øjeblikket intet værktøj til at fjern- og præcist opdage udvikling af tidlig post-kirurgisk knæ stivhed. Denne undersøgelse har til formål at udvikle et omkostningseffektivt værktøj til at måle og kvantificere knæ-stivhed før og efter total knæudskiftningsoperation (TKR) til brug på tværs af NHS. Forskningen søger at forstå, hvordan knæets bevægelsesområde (ROM) genopretter sig efter TKR og opdager tidlige tegn på stivhed. Det har også til formål at forudsige, hvem der kan udvikle stivhed efter TKR og udforske forholdet mellem smerte og stivhed.

Nuværende metoder til måling af knæets bevægelsesområde (ROM), såsom håndholdte værktøjer til måling af vinkler, har begrænsninger med hensyn til nøjagtighed og kræver uddannet sundhedspersonale til at bruge dem. Det ideelle værktøj ville være billigt, nemt at bruge og give hurtig feedback til patienter og kliniske teams. Undersøgelsen vil involvere udvikling og validering af en computersynsbaseret tilgang (ved hjælp af kameraer til at vurdere bevægelser) til at overvåge knæfleksion og ekstension, og en gangmønstervurdering. Videobaseret teknologi eller computersyn (CV) er for nylig blevet banebrydende i Exeter til at måle rygsøjlens bevægelse hos patienter med ankyloserende spondylitis. Computer vision er en ny teknologi, der har et stort potentiale til at overvåge knæbøjning hos mennesker med stivhed i knæet. Denne tilgang involverer brugen af ​​kameraer og maskinlæringsalgoritmer til automatisk at detektere og analysere knæledsvinkler under bevægelse. Ved at give objektive og nøjagtige målinger af knæfleksion har computersyn potentialet til at forbedre vurderingen af ​​knæets stivhed og lette målrettede behandlingsinterventioner. Men som med enhver ny teknologi er der behov for at validere metoden i sammenhæng med patienter med knæ-stivhed for at sikre dens nøjagtighed og pålidelighed. Undersøgelser har fremhævet vigtigheden af ​​at udvikle maskinlæringsalgoritmer specifikt til denne patientpopulation for at tage højde for individuelle forskelle i bevægelsesmønstre og begrænsninger på grund af stivhed. Yderligere forskning er nødvendig for at vurdere validiteten og gennemførligheden af ​​computersynsbaserede tilgange til overvågning af knæfleksion hos mennesker med knæ-stivhed, hvilket i sidste ende kan forbedre diagnosen, overvågningen og håndteringen af ​​denne tilstand.

Validering af den computersynsbaserede tilgang til overvågning af knæfleksion hos personer med knæ-stivhed er afgørende for at sikre dens pålidelighed og nøjagtighed. Dette kræver udvikling og raffinering af maskinlæringsalgoritmer, der nøjagtigt kan detektere og måle knæledsvinkler i denne patientpopulation. Denne undersøgelse vil evaluere nøjagtigheden og præcisionen af ​​algoritmen i forhold til guldstandard målemetoder, såsom motion capture eller goniometri. Desuden vil denne undersøgelse undersøge følsomheden af ​​tilgangen til ændringer i knæfleksion på grund af stivhed og smerte og vurdere dens gennemførlighed i en klinisk sammenhæng. Når den er valideret, har den computersynsbaserede tilgang potentiale til at give et ikke-invasivt og objektivt middel til at overvåge knæfleksion hos mennesker med knæ-stivhed, hvilket kan informere behandlingsbeslutninger og forbedre patientresultater.

Et andet værktøj, som efterforskerne vil bruge, er Gaitcapture-appen, som udnytter accelerometeret og gyroskopsensoren i en mobiltelefon og fungerer på samme måde som en inertimåleenhed (IMU) for at give os accelerations- og rotationsdata.

Valideringen af ​​den computersynsbaserede tilgang vil involvere at sammenligne den med standardmålemetoder (specialistfysioterapivurdering).

Ud over den computersynsbaserede tilgang vil undersøgelsen bruge kropsbårne sensorer og mobilapps til at overvåge deltagernes fysiske aktivitetsniveauer, gangmønstre og skridttællinger. Disse data vil give indsigt i mennesker med TKR's overordnede fysiske aktivitetsmønstre og hjælpe med at evaluere anvendeligheden, acceptablen, gennemførligheden og nøjagtigheden af ​​værktøjerne til diagnostik og overvågning.

Resultaterne af dette forskningsprojekt har potentiale til at forbedre diagnosticering, overvågning og håndtering af knæ-stivhed efter total knæudskiftning (TKR), med potentiale til at reducere behovet for MUA-kirurgi. Ved at give nøjagtige målinger og tidlig detektion kan værktøjerne udviklet i denne undersøgelse muliggøre tidligere henvisning til ikke-kirurgiske behandlinger og reducere behovet for dyre og risikable procedurer for at forbedre knæets bevægeudslag (ROM) efter total knæudskiftningsoperation (TKR). som en manipulation af knæet under anæstesi.

Her vil efterforskerne udføre en valideringsundersøgelse af en markørfri motion capture-algoritme for at bestemme dens nøjagtighed og vurdere dens gennemførlighed og anvendelighed til implementering i stor skala i hjemmet. efterforskerne vil også fastslå test-gentest-pålideligheden af ​​algoritmeoutput, såsom knæfleksion/ekstensionsvinkler.