Lonkkaproteesin infektioiden varhainen erottelu hermoverkkojen avulla (SEPTIC-ANNR) (SEPTIC-ANNR)

Periprosteettiset lonkkatulehdukset ovat kuuma aihe ortopedisessa kirurgiassa, jonka ilmaantuvuus on noin 1 %. Sairastuvuus, kuolleisuus ja pitkittyneeseen sairaalahoitoon ja jatkohoitoihin liittyvät lisäkustannukset ovat suurimpia huolenaiheita. Periprosteettiset infektiot diagnosoidaan yleensä CDC:n (Center for Disease Control and Prevention) kriteereillä (2014). Diagnoosi perustuu suuriin ja vähäisiin kriteereihin, mukaan lukien pre-operatiiviset ja intraoperatiiviset parametrit. Infektion luotettavan diagnoosin saavuttamiseksi, kun fisteliä ei ole, tarvitaan nivelnesteen aspiraatiota tai kudosnäytteitä. Nämä tekniikat ovat kuitenkin kalliita ja invasiivisia. Lisäksi herkkyys ei ole aina niin tarkkaa, kuten osoittavat eräät korjausleikkaussarjat, jotka suoritettiin oletetun aseptisen löystymisen vuoksi, joka osoittautui septiseksi viljelmien jälkeen. Siksi infektion diagnoosi tapahtuu usein myöhään ja pitkän, monimutkaisen, kalliin ja ei aina ratkaisevan diagnostisen työn jälkeen, mikä vaikuttaa hoidon ajoitukseen ja onnistumiseen.

Käytännöllinen, nopea, luotettava ja ei-invasiivinen (mahdollisesti avohoito) diagnostinen menetelmä periproteesin infektioille olisi toivottavaa. Se voi luottaa diagnostiseen kuvantamiseen ja rajoittaa nesteen tai kudosten keräämisen epäilyttäviin tapauksiin. Tällä hetkellä TT- ja isotooppilääketieteen kuvantamistekniikoita ei oteta rutiininomaisesti käyttöön infektioiden diagnosoinnissa vaatimattoman luotettavuuden, kustannusten ja säteilyaltistuksen vuoksi.

Äskettäin on otettu käyttöön neuroverkot: ne koostuvat monista yksinkertaisista rinnakkaisista prosessoreista, jotka ovat syvästi yhteydessä ja toteuttavat laskennallisen mallin. Neuroverkot jäljittelevät aivoja ja niiden kykyä oppia. Laskennalliset mallit tunnistavat visuaaliset signaalit, hallitsevat monimutkaisia ​​tilanteita reaaliajassa, luokittelevat ja hallitsevat kohinaa, käyttävät assosiatiivista muistia, jolla on reaaliaikainen pääsy suuriin tietomääriin, ja rekonstruoivat osittaista tai vioittunutta tietoa. Hermoverkkoja on jo käytetty ennustamaan infektioiden puhkeamista, etäpesäkkeitä ja hoidon epäonnistumisia yhdistämällä kliinisiä ja diagnostisia kuvantamistietoja. Tähän mennessä ei ole tehty tutkimuksia hermoverkoista periprosteettisessa infektiossa. Tämän tutkimuksen tarkoituksena on arvioida, ovatko perinteisissä röntgenkuvissa sovelletut hermoverkot (solujen hermoverkkojen geneettinen algoritmi) tarkkoja, herkkiä ja spesifisiä hyvin tunnistetuin menetelmin jo diagnosoidun periproteesisen lonkkatulehduksen varhaiseen erotteluun ( CDC 2014).

Erityisesti valitaan potilaiden populaatio, joilla on täydellinen röntgenkuvaus (preoperatiiviset röntgenkuvat ja sarja muita postoperatiivisia röntgensäteitä), joita hoidetaan septisen tai aseptisen löystymisen vuoksi.

Molemmat tapaukset ovat välttämättömiä neuroverkon "ohjaamiseksi". Ensimmäinen askel on tunnistaa peräkkäinen sarja potilaita, joilla on septinen tai aseptinen löystymisdiagnoosi, tutkimalla sairaalan tietokantaa. Siten potilaat jaetaan kategorisesti septiseen tai aseptiseen löystymiseen. Vuoden 2014 CDC-kriteereitä käytetään (kuten rutiininomaisesti suoritetaan kliinisissä ympäristöissä), lisäämällä toinen tärkeä ja välttämätön kriteeri: vähintään 3 positiivista intraoperatiivista kudosnäytettä (sama mikro-organismi). Aseptisen löysäyksen tapauksessa kotelo ei saa täyttää CDC 2014 -kriteerejä. Siten potilaista kerätään kuvantamis- ja kliinisiä tietoja. Diagnoosin varmistuttua röntgenmateriaali käsitellään (solun neuroverkko-geneettinen algoritmi). Ehdotettu menettely käsittelee röntgenkuvat käyttämällä seuraavaa putkistoa ja MatLab-ohjelmistoa (Mathworks, Natick, USA):

• perustaso: ensimmäistä implantaation jälkeistä kuvaa verrataan implanttia edeltävään röntgenkuvaan;
• edistyminen kirjataan säännöllisillä röntgenkuvilla käyttäen standardeja ja toistettavia projektioita (lantion röntgenkuvat);
• ominaisuudet poimitaan jokaisesta kuvasta manuaalisesti segmentoidulla alueella (kiinnostava alue - ROI). Tapahtuu kolme vaihetta: 1) kuvan esikäsittely yhtenäisten kehysten luomiseksi syöttötiedosta (harmaatason kuvat). Värin histogrammin tasoitus; 2) hermoverkoista poimittuja ominaisuuksia sovelletaan ROI:hin. Mallien kloonaus geneettisten algoritmien avulla. Ominaisuuksia käsittelee täysin yhdistetty kerros + SoftMax; 3) AutoEconderista poimitut ominaisuudet täysin yhdistetyllä kerroksella + SoftMax;
• erilaisten radiografisten piirteiden analyysi (solu- ja konvoluutiopuolen analyysi) ja vertailu perusviivaan. Jälkikäsittely seuraavalla tavalla: 1) täysin yhdistetty regressiokerros ja moniluokkaluokitus: tuottaa septisen etenemisriskin prosenttiosuuden; 2) täysin yhdistetty regressiokerros ja binäärinen luokitin: septisten / aseptisten klustereiden piirteet;
• lopullinen päätöspuu: edellä mainittujen tietojen fuusio, joka tarjoaa prosenttiosuuden septisen etenemisriskistä indeksoidussa kuvantamisessa. Tavoitteena on varmistaa, pystyvätkö radiografiseen kuvantamiseen käytetyt hermoverkot tunnistamaan tarkasti, herkästi ja spesifisesti validoitujen ja tiettyjen kriteerien mukaan diagnosoidun myöhäisen, kroonisen periprosteettisen lonkkatulehduksen.