Knee4Life-Projekt: Stärkung der Kniewiederherstellung nach einem vollständigen Knieersatz durch digitale Gesundheit (K4L)

1. Hintergrund

   Der vollständige Knieersatz (TKR) ist ein weit verbreiteter Eingriff, der in England und Wales jährlich über 100.000 Mal durchgeführt wird. Obwohl die meisten Patienten nach ihrer TKR ein erfolgreiches Ergebnis erzielen, sind etwa 10–20 % der Patienten unzufrieden, hauptsächlich aufgrund von Schmerzen und Kniesteifheit. Eine Methode zur frühzeitigen Erkennung von Schmerzen und Steifheitsproblemen könnte die frühere Überweisung zu nicht-chirurgischen Behandlungen erleichtern, die die Notwendigkeit einer Manipulation unter Narkose wirksam verhindern [MUA]. Derzeit beträgt die MUA-Rate 2,5 % (ca. 2.500 Patienten pro Jahr in England und Wales) und kostet ca. 14.000 £ pro Eingriff. Unser aktuelles Wissen darüber, wann sich Steifheit entwickelt, sowie der Zeitpunkt und die beste(n) Behandlung(en) für Steifheit sind begrenzt. Eine kürzlich durchgeführte Priority Setting Partnership der James Lind Alliance identifizierte die Steifheit nach TKR als eine der zehn wichtigsten Forschungsprioritäten, um Interventionen besser zu verstehen und zu testen. Aktuelle Messungen sind nicht genau oder für den Einsatz im Haushalt geeignet. Die Forscher benötigen Werkzeuge, um Frühindikatoren für Steifheit genau zu messen.

2. Begründung

Die Forscher verfügen derzeit über kein Instrument, um die Entwicklung einer frühen postoperativen Kniesteifheit aus der Ferne und genau zu erkennen. Diese Studie zielt darauf ab, ein kostengünstiges Instrument zur Messung und Quantifizierung der Kniesteifheit vor und nach einer Knieendoprothese (TKR) für den Einsatz im gesamten NHS zu entwickeln. Ziel der Forschung ist es zu verstehen, wie sich der Bewegungsumfang (ROM) des Knies nach einer TKR erholt, und frühe Anzeichen von Steifheit zu erkennen. Ziel ist es auch, vorherzusagen, wer nach einer TKR eine Steifheit entwickeln könnte, und den Zusammenhang zwischen Schmerz und Steifheit zu untersuchen.

Aktuelle Methoden zur Messung des Kniebewegungsbereichs (Rom Range of Motion, ROM), wie beispielsweise Handwerkzeuge zur Winkelmessung, weisen Einschränkungen hinsichtlich der Genauigkeit auf und erfordern für deren Verwendung geschultes medizinisches Personal. Das ideale Tool wäre kostengünstig, einfach zu bedienen und würde Patienten und klinischen Teams schnelles Feedback geben. Die Studie umfasst die Entwicklung und Validierung eines auf Computer Vision basierenden Ansatzes (unter Verwendung von Kameras zur Beurteilung von Bewegungen) zur Überwachung der Kniebeugung und -streckung sowie einer Gehmusterbewertung. Videobasierte Technologie oder Computer Vision (CV) wurde kürzlich in Exeter entwickelt, um die Bewegung der Wirbelsäule bei Patienten mit Morbus Bechterew zu messen. Computer Vision ist eine aufstrebende Technologie, die großes Potenzial für die Überwachung der Kniebeugung bei Menschen mit Kniesteifheit bietet. Bei diesem Ansatz werden Kameras und maschinelle Lernalgorithmen eingesetzt, um Kniegelenkwinkel während der Bewegung automatisch zu erkennen und zu analysieren. Durch die Bereitstellung objektiver und genauer Messungen der Kniebeugung hat Computer Vision das Potenzial, die Beurteilung der Kniesteifheit zu verbessern und gezielte Behandlungseingriffe zu erleichtern. Wie bei jeder neuen Technologie muss die Methode jedoch im Zusammenhang mit Patienten mit Kniesteifheit validiert werden, um ihre Genauigkeit und Zuverlässigkeit sicherzustellen. Studien haben gezeigt, wie wichtig es ist, Algorithmen für maschinelles Lernen speziell für diese Patientengruppe zu entwickeln, um individuelle Unterschiede in den Bewegungsmustern und Einschränkungen aufgrund von Steifheit zu berücksichtigen. Weitere Forschung ist erforderlich, um die Gültigkeit und Durchführbarkeit computergestützter Ansätze zur Überwachung der Kniebeugung bei Menschen mit Kniesteifheit zu bewerten, was letztendlich die Diagnose, Überwachung und Behandlung dieser Erkrankung verbessern könnte.

Die Validierung des auf Computer-Vision basierenden Ansatzes zur Überwachung der Kniebeugung bei Menschen mit Kniesteifheit ist unerlässlich, um seine Zuverlässigkeit und Genauigkeit sicherzustellen. Dies erfordert die Entwicklung und Verfeinerung von Algorithmen für maschinelles Lernen, die Kniegelenkwinkel bei dieser Patientengruppe genau erkennen und messen können. In dieser Studie werden die Genauigkeit und Präzision des Algorithmus im Vergleich zu Goldstandard-Messmethoden wie Bewegungserfassung oder Goniometrie bewertet. Darüber hinaus wird diese Studie die Empfindlichkeit des Ansatzes gegenüber Veränderungen der Kniebeugung aufgrund von Steifheit und Schmerzen untersuchen und seine Durchführbarkeit in einem klinischen Umfeld bewerten. Nach der Validierung hat der auf Computer Vision basierende Ansatz das Potenzial, eine nicht-invasive und objektive Möglichkeit zur Überwachung der Kniebeugung bei Menschen mit Kniesteifheit bereitzustellen, die Behandlungsentscheidungen beeinflussen und die Patientenergebnisse verbessern könnte.

Ein weiteres Tool, das die Ermittler verwenden werden, ist die Gaitcapture-App, die den Beschleunigungsmesser und den Gyroskopsensor in einem Mobiltelefon nutzt und ähnlich wie eine Trägheitsmesseinheit (IMU) funktioniert, um uns Beschleunigungs- und Rotationsdaten zu liefern.

Die Validierung des auf Computer Vision basierenden Ansatzes umfasst den Vergleich mit Goldstandard-Messmethoden (fachärztliche physiotherapeutische Beurteilung).

Zusätzlich zum auf Computer Vision basierenden Ansatz werden in der Studie am Körper getragene Sensoren und mobile Apps eingesetzt, um das körperliche Aktivitätsniveau, die Gehmuster und die Schrittzahl der Teilnehmer zu überwachen. Diese Daten liefern Einblicke in die allgemeinen körperlichen Aktivitätsmuster von Menschen mit TKR und helfen bei der Bewertung der Benutzerfreundlichkeit, Akzeptanz, Durchführbarkeit und Genauigkeit der Tools für Diagnose und Überwachung.

Die Ergebnisse dieses Forschungsprojekts haben das Potenzial, die Diagnose, Überwachung und Behandlung von Kniesteifheit nach Knie-Totalersatz (TKR) zu verbessern und die Notwendigkeit einer MUA-Operation zu reduzieren. Durch die Bereitstellung präziser Messungen und Früherkennung könnten die in dieser Studie entwickelten Tools eine frühere Überweisung zu nicht-chirurgischen Behandlungen ermöglichen und die Notwendigkeit kostspieliger und riskanter Verfahren zur Verbesserung des Bewegungsumfangs des Knies (ROM) nach einer Knieendoprothese (TKR) verringern. wie eine Manipulation des Knies unter Narkose.

Hier werden die Forscher eine Validierungsstudie eines markerlosen Bewegungserfassungsalgorithmus durchführen, um dessen Genauigkeit zu bestimmen und seine Machbarkeit und Verwendbarkeit für die Implementierung in großem Maßstab zu Hause zu bewerten. Die Forscher werden auch die Test-Retest-Zuverlässigkeit von Algorithmusausgaben wie Kniebeugungs-/-streckungswinkeln ermitteln.