Multivariabel prediksjonsmodell for totalt utfall av kneerstatning

Total kneartroplastikk (TKA) er en kirurgisk prosedyre brukt som en vanlig løsning for å overvinne begrensninger forårsaket av avanserte stadier av alvorlig gonartrose. Prosedyren har høy prevalens, høye tilknyttede kostnader, og anses å være kostnadseffektiv. Rehabilitering er avgjørende for å optimalisere resultatene. Men i klinisk praksis kan lengden på rehabiliteringen for hver pasient være svært varierende, og de programmerte tidene kan mangle nødvendig objektivitet. Nåværende ressursbegrensning og økende prevalens gjør det avgjørende å generere strategier for å optimalisere kirurgiske resultater, slik at ressursbruken i helsesystemet blir effektiv uten at det går ut over pasientens beste. For dette formålet må objektiv og pragmatisk informasjon være tilgjengelig, og bør være basert på vitenskapelig bevis for å hjelpe til med å ta kliniske beslutninger. Faktisk har en rekke demografiske, biomedisinske og psykososiale faktorer blitt identifisert som prediktorer for TKA-resultater (dvs. vekt, alder, forventninger...). Noen av dem har vært knyttet til behovet for sykehusressurser etter operasjonen. Imidlertid baserer de fleste undersøkelser sine spådommer i retrospektive studier, som er begrenset i typen variabler som kan brukes (klinikkhistorie), kvaliteten på registrene og begrensninger for retrospektive design. På den annen side baserer de fleste prospektive undersøkelser sine spådommer i et begrenset antall utfall. For å overvinne disse begrensningene er dette prosjektet designet som en prospektiv observasjonsstudie med to observasjoner av hver pasient.

• Det primære målet er å implementere en multivariabel prediksjonsmodell av TKA-utfall, slik at prosedyren blir optimal i to aspekter: pasientgjenoppretting (sosial og økonomisk fordel) og bruk av helsevesenets ressurser (økonomisk nytte). Implementeringen krever en behandling av informasjonen samplet gjennom ulike algoritmer og innovativ databehandling på dette feltet, basert på data mining og maskinlæringsteknikker. Dette vil bli brukt i jakten på modellen med størst prediksjonskapasitet.
• Som et sekundært mål vil informasjon hentet fra pasienter både i sluttfasen av tilstanden og på mellomlang sikt etter intervensjonen tillate å studere den funksjonelle og psykososiale virkeligheten til pasientene med kneartrose.