Knee4Life-projekti: Polven palautumisen tehostaminen täydellisen polven vaihdon jälkeen digitaalisen terveyden avulla (K4L)

1. Tausta

   Polven kokonaisleikkaus (TKR) on yleinen toimenpide, ja Englannissa ja Walesissa tehdään yli 100 000 toimenpidettä vuodessa. Vaikka useimmat potilaat saavuttavat onnistuneen lopputuloksen TKR:n jälkeen, noin 10–20 % potilaista on tyytymättömiä, pääasiassa kivun ja polven jäykkyyden vuoksi. Menetelmä kivun ja jäykkyyden varhaisten ongelmien havaitsemiseksi voisi helpottaa aikaisempaa ohjaamista ei-kirurgisiin hoitoihin, jotka estävät tehokkaasti manipuloinnin tarpeen anestesiassa [MUA]. Tällä hetkellä MUA:n määrä on 2,5 % (~ 2 500 potilasta vuodessa Englannissa ja Walesissa), mikä maksaa ~ 14 000 puntaa toimenpidettä kohti. Nykyinen ymmärryksemme jäykkyyden kehittymisestä ja jäykkyyden ajoituksesta ja parhaista hoidoista ovat rajalliset. Äskettäin James Lind Alliance Priority Setting Partnership määritteli jäykkyyden TKR:n jälkeen 10 tärkeimmän tutkimuksen prioriteetiksi, jotta interventioita voidaan ymmärtää ja testata paremmin. Nykyiset mittaukset eivät ole tarkkoja tai sopivia kotikäyttöön. Tutkijat tarvitsevat työkaluja mittaamaan tarkasti varhaisia ​​jäykkyyden indikaattoreita.

2. Perustelut

Tutkijoilla ei tällä hetkellä ole työkalua havaita etäältä ja tarkasti varhaisen leikkauksen jälkeisen polven jäykkyyden kehittyminen. Tämän tutkimuksen tavoitteena on kehittää kustannustehokas työkalu polven jäykkyyden mittaamiseen ja kvantifiointiin ennen ja jälkeen koko polven tekonivelleikkauksen (TKR) käytettäväksi kaikkialla NHS:ssä. Tutkimuksella pyritään ymmärtämään, kuinka polven liikerata (ROM) palautuu TKR:n jälkeen, ja havaita varhaiset jäykkyyden merkit. Sen tavoitteena on myös ennustaa, kenelle saattaa kehittyä jäykkyyttä TKR:n jälkeen, ja tutkia kivun ja jäykkyyden välistä suhdetta.

Nykyisillä polven liikealueen (ROM) mittausmenetelmillä, kuten käsityökaluilla kulmien mittaamiseen, on rajoituksia tarkkuuden suhteen, ja niiden käyttämiseen tarvitaan koulutettua terveydenhuoltohenkilöstöä. Ihanteellinen työkalu olisi edullinen, helppokäyttöinen ja antaa nopeaa palautetta potilaille ja kliinisille ryhmille. Tutkimukseen kuuluu tietokonenäköön perustuvan lähestymistavan kehittäminen ja validointi (kameroiden avulla liikkeiden arviointiin) polven taivutuksen ja venytyksen seurantaan sekä kävelykuvion arviointi. Videopohjainen tekniikka tai tietokonenäkö (CV) on hiljattain otettu käyttöön Exeterissä selkärangan liikkeiden mittaamiseksi selkärankareumaa sairastavilla potilailla. Tietokonenäkö on nouseva teknologia, jolla on suuret mahdollisuudet seurata polven taipumista ihmisillä, joilla on polven jäykkyys. Tämä lähestymistapa sisältää kameroiden ja koneoppimisalgoritmien käytön polvinivelkulmien havaitsemiseksi ja analysoimiseksi automaattisesti liikkeen aikana. Tarjoamalla objektiivisia ja tarkkoja polven taivutuksen mittauksia tietokonenäön avulla voidaan parantaa polven jäykkyyden arviointia ja helpottaa kohdennettuja hoitotoimenpiteitä. Kuten minkä tahansa uuden tekniikan kohdalla, menetelmä on kuitenkin validoitava polvijäykkyydestä kärsivien potilaiden yhteydessä sen tarkkuuden ja luotettavuuden varmistamiseksi. Tutkimukset ovat korostaneet, että on tärkeää kehittää koneoppimisalgoritmeja erityisesti tälle potilasryhmälle, jotta voidaan ottaa huomioon yksilölliset erot liikemalleissa ja jäykkyydestä johtuvia rajoituksia. Lisätutkimusta tarvitaan, jotta voidaan arvioida tietokonenäköön perustuvien lähestymistapojen pätevyyttä ja toteutettavuutta polven taivutuksen seurantaan ihmisillä, joilla on polven jäykkyys, mikä voisi viime kädessä parantaa tämän tilan diagnosointia, seurantaa ja hallintaa.

Tietokonenäköön perustuvan lähestymistavan validointi polven taivutuksen seurantaan ihmisillä, joilla on polvijäykkyys, on välttämätöntä sen luotettavuuden ja tarkkuuden varmistamiseksi. Tämä edellyttää koneoppimisalgoritmien kehittämistä ja hiomista, jotka pystyvät havaitsemaan ja mittaamaan tarkasti polvinivelkulmat tässä potilaspopulaatiossa. Tässä tutkimuksessa arvioidaan algoritmin tarkkuutta ja tarkkuutta kultastandardin mittausmenetelmiin, kuten liikkeen sieppaukseen tai goniometriaan, verrattuna. Lisäksi tässä tutkimuksessa tarkastellaan lähestymistavan herkkyyttä jäykkyydestä ja kivusta johtuville polven taivutuksen muutoksille ja arvioidaan sen toteutettavuutta kliinisessä ympäristössä. Kun tietokonenäköön perustuva lähestymistapa on validoitu, se voi tarjota ei-invasiivisen ja objektiivisen tavan seurata polven taipumista ihmisillä, joilla on polven jäykkyys, mikä voisi antaa tietoa hoitopäätöksistä ja parantaa potilaiden tuloksia.

Toinen tutkijoiden käyttämä työkalu on Gaitcapture-sovellus, joka hyödyntää matkapuhelimen kiihtyvyysanturia ja gyroskooppianturia ja toimii samalla tavalla kuin inertiamittausyksikkö (IMU) ja toimittaa meille kiihtyvyys- ja pyörimistietoja.

Tietokonenäköpohjaisen lähestymistavan validoinnissa sitä verrataan kultastandardin mittausmenetelmiin (erikoisfysioterapian arviointi).

Tietokonenäköpohjaisen lähestymistavan lisäksi tutkimuksessa hyödynnetään vartalossa olevia antureita ja mobiilisovelluksia osallistujien fyysisen aktiivisuuden, kävelykuvioiden ja askelmäärän seuraamiseen. Nämä tiedot antavat tietoa ihmisistä, joilla on TKR:n yleiset fyysiset aktiivisuustottumukset, ja auttavat arvioimaan diagnostiikka- ja seurantatyökalujen käytettävyyttä, hyväksyttävyyttä, toteutettavuutta ja tarkkuutta.

Tämän tutkimusprojektin tuloksilla on potentiaalia parantaa polven jäykkyyden diagnosointia, seurantaa ja hallintaa täydellisen polviproteesin (TKR) jälkeen, mikä voi vähentää MUA-leikkauksen tarvetta. Tarkkojen mittausten ja varhaisen havaitsemisen ansiosta tässä tutkimuksessa kehitetyt työkalut voisivat mahdollistaa aikaisemman ohjauksen ei-kirurgisiin hoitoihin ja vähentää kalliiden ja riskialttiiden toimenpiteiden tarvetta polven liikeradan (ROM) parantamiseksi kokonaispolven tekonivelleikkauksen (TKR) jälkeen. kuin polven manipulointi nukutuksessa.

Täällä tutkijat suorittavat validointitutkimuksen merkkittömästä liikkeensieppausalgoritmista määrittääkseen sen tarkkuuden ja arvioidakseen sen toteutettavuutta ja käytettävyyttä suuressa mittakaavassa kotona tapahtuvaan käyttöönotossa. tutkijat varmistavat myös algoritmin tulosteiden, kuten polven taivutus-/venytyskulmien, testi-uudelleentestauksen luotettavuuden.