TPF Machine Learning Algoritmer

Det overordnede målet er å ta i bruk en maskinlæringsteknikk for å avgjøre om operativ eller ikke-operativ behandling vil gi det beste pasientresultatet.

Hovedmålene er å identifisere den mest passende maskinlæringsalgoritmen for å forutsi den beste behandlingen for fremtidige pasienter. Hvorvidt konservativ eller operativ behandling vil føre til det beste pasientresultatet, vil avgjøres ut fra den predikerte KOOS-skåren. Flere inputfaktorer, som behandling (konservativ eller operativ), antall frakturfragmenter, plassering av bruddet, bløtvevsinvolvering,...for hver pasient vil bli brukt som treningsdata for algoritmen. Noen av disse inndataene vil bli utledet fra CT-skanninger. Derfor vil CT-skanningene segmenteres i Mimics, som UZ Leuven nylig kjøpte lisenser for. Utgangsvariabelen for treningsdataene vil være KOOS-skåren til hver pasient. Basert på inngangs- og utgangsvariabelen vil algoritmen bestemme en relasjon mellom disse. For fremtidige pasienter hvor inngangsvariabelen er kjent, vil utgangsvariabelen (=KOOS-skår) bli predikert både ved operativ og konservativ behandling. Vi antar at prediksjonen vil bli forbedret ved å legge til flere inputdata over tid.

Et sekundært mål er å identifisere kliniske og radiologiske faktorer som hjelper til med å forutsi den beste behandlingen for fremtidige pasienter.

Som et perspektiv kan maskinlæringsteknikken implementeres i fremtiden i klinisk praksis og brukes som et pasientspesifikt planleggingsverktøy for behandling av tibialplatåbrudd ved å hjelpe kirurgen med å velge den beste behandlingen for et gitt tilfelle. De innsamlede dataene i dette registeret vil bli brukt til å validere maskinlæringsmodellen. Pasienter vil foreløpig ikke bli behandlet basert på resultatene av den utviklede modellen, traumekirurgen er ansvarlig for å bestemme hvilket behandlingsalternativ som er best for pasienten.