Knee4Life Project: Knieherstel mogelijk maken na totale knievervanging door middel van digitale gezondheid (K4L)

1. Achtergrond

   Totale knievervanging (TKR) is een veel voorkomende procedure, waarvan er jaarlijks meer dan 100.000 worden uitgevoerd in Engeland en Wales. Hoewel de meeste patiënten een succesvol resultaat hebben na hun TKR, is ongeveer 10-20% van de patiënten ontevreden, voornamelijk vanwege pijn en kniestijfheid. Een methode om problemen met pijn en stijfheid vroegtijdig op te sporen zou een eerdere verwijzing naar niet-chirurgische behandelingen kunnen vergemakkelijken, die effectief zijn in het voorkomen van de noodzaak van manipulatie onder verdoving [MUA]. Momenteel bedragen de MUA-percentages 2,5% (~2.500 patiënten per jaar in Engeland en Wales), wat ongeveer £14.000 per procedure kost. Ons huidige inzicht in wanneer stijfheid ontstaat en de timing en beste behandeling(en) voor stijfheid zijn beperkt. Een recent James Lind Alliance Priority Setting Partnership identificeerde stijfheid na TKR als een top-10 onderzoeksprioriteit om interventies beter te begrijpen en te testen. De huidige maatregelen zijn niet nauwkeurig of geschikt voor gebruik in huis. De onderzoekers hebben hulpmiddelen nodig om vroege indicatoren voor stijfheid nauwkeurig te meten.

2. Reden

De onderzoekers beschikken momenteel niet over een instrument om de ontwikkeling van vroege postoperatieve kniestijfheid op afstand en nauwkeurig te detecteren. Deze studie heeft tot doel een kosteneffectief instrument te ontwikkelen voor het meten en kwantificeren van kniestijfheid voor en na een totale knievervangingsoperatie (TKR), voor gebruik in de hele NHS. Het onderzoek probeert te begrijpen hoe het bewegingsbereik van de knie herstelt na TKR en vroege tekenen van stijfheid te detecteren. Het is ook bedoeld om te voorspellen wie stijfheid kan ontwikkelen na TKR en om de relatie tussen pijn en stijfheid te onderzoeken.

De huidige methoden voor het meten van het bewegingsbereik van de knie, zoals handgereedschap voor het meten van hoeken, hebben beperkingen op het gebied van nauwkeurigheid en hebben opgeleid medisch personeel nodig om ze te gebruiken. Het ideale hulpmiddel zou goedkoop zijn, gemakkelijk te gebruiken en snelle feedback geven aan patiënten en klinische teams. Het onderzoek omvat de ontwikkeling en validatie van een op computervisie gebaseerde aanpak (waarbij camera's worden gebruikt om bewegingen te beoordelen) om de flexie en extensie van de knie te monitoren, en een beoordeling van het looppatroon. Op video gebaseerde technologie of computer vision (CV) is onlangs in Exeter ontwikkeld om de beweging van de wervelkolom te meten bij patiënten met spondylitis ankylopoetica. Computervisie is een opkomende technologie die een groot potentieel heeft voor het monitoren van de knieflexie bij mensen met kniestijfheid. Deze aanpak omvat het gebruik van camera's en machine learning-algoritmen om de hoeken van het kniegewricht tijdens beweging automatisch te detecteren en analyseren. Door objectieve en nauwkeurige metingen van de knieflexie te bieden, heeft computer vision het potentieel om de beoordeling van kniestijfheid te verbeteren en gerichte behandelingsinterventies mogelijk te maken. Zoals bij elke nieuwe technologie is het echter nodig om de methode te valideren in de context van patiënten met kniestijfheid om de nauwkeurigheid en betrouwbaarheid ervan te garanderen. Studies hebben het belang benadrukt van het ontwikkelen van machine learning-algoritmen specifiek voor deze patiëntenpopulatie om rekening te houden met individuele verschillen in bewegingspatronen en beperkingen als gevolg van stijfheid. Verder onderzoek is nodig om de validiteit en haalbaarheid van op computer vision gebaseerde benaderingen voor het monitoren van knieflexie bij mensen met kniestijfheid te beoordelen, wat uiteindelijk de diagnose, monitoring en behandeling van deze aandoening zou kunnen verbeteren.

Validatie van de op computervisie gebaseerde aanpak voor het monitoren van knieflexie bij mensen met kniestijfheid is essentieel om de betrouwbaarheid en nauwkeurigheid ervan te garanderen. Dit vereist de ontwikkeling en verfijning van machine learning-algoritmen die de hoeken van het kniegewricht bij deze patiëntenpopulatie nauwkeurig kunnen detecteren en meten. Deze studie zal de nauwkeurigheid en precisie van het algoritme evalueren aan de hand van gouden standaard meetmethoden, zoals motion capture of goniometrie. Bovendien zal deze studie de gevoeligheid van de aanpak voor veranderingen in knieflexie als gevolg van stijfheid en pijn onderzoeken en de haalbaarheid ervan in een klinische setting beoordelen. Eenmaal gevalideerd heeft de op computervisie gebaseerde aanpak het potentieel om een ​​niet-invasieve en objectieve manier te bieden voor het monitoren van de knieflexie bij mensen met kniestijfheid, wat behandelbeslissingen zou kunnen informeren en de uitkomsten voor de patiënt zou kunnen verbeteren.

Een ander hulpmiddel dat de onderzoekers zullen gebruiken is de Gaitcapture-app, die gebruik maakt van de versnellingsmeter en gyroscoopsensor in een mobiele telefoon en op dezelfde manier werkt als een inertiële meeteenheid (IMU) om ons versnellings- en rotatiegegevens te verstrekken.

De validatie van de op computervisie gebaseerde aanpak zal inhouden dat deze wordt vergeleken met de gouden standaard meetmethoden (specialistische fysiotherapiebeoordeling).

Naast de op computervisie gebaseerde aanpak zal het onderzoek gebruik maken van op het lichaam gedragen sensoren en mobiele apps om de fysieke activiteitsniveaus, looppatronen en stappentellingen van deelnemers te monitoren. Deze gegevens zullen inzicht verschaffen in de algemene fysieke activiteitspatronen van mensen met TKR en helpen bij het evalueren van de bruikbaarheid, aanvaardbaarheid, haalbaarheid en nauwkeurigheid van de hulpmiddelen voor diagnostiek en monitoring.

De bevindingen van dit onderzoeksproject hebben het potentieel om de diagnose, monitoring en behandeling van kniestijfheid na totale knievervanging (TKR) te verbeteren, met het potentieel om de noodzaak voor MUA-chirurgie te verminderen. Door nauwkeurige metingen en vroege detectie te bieden, kunnen de in dit onderzoek ontwikkelde hulpmiddelen een eerdere verwijzing naar niet-chirurgische behandelingen mogelijk maken en de behoefte aan dure en risicovolle procedures verminderen om het bewegingsbereik van de knie te verbeteren na een totale knievervangingsoperatie (TKR). zoals een manipulatie van de knie onder narcose.

Hier zullen de onderzoekers een validatiestudie uitvoeren van een algoritme zonder markers voor bewegingsregistratie om de nauwkeurigheid ervan te bepalen en de haalbaarheid en bruikbaarheid ervan voor implementatie op grote schaal in huis te beoordelen. de onderzoekers zullen ook de test-hertestbetrouwbaarheid van algoritme-uitvoer, zoals knieflexie-/extensiehoeken, vaststellen.