Utvikling og intern validering av prediksjonsmodeller for idiopatisk skoliose Naturhistorie og behandlingsresultater gjennom bruk av kunstig intelligens i en stor klinisk database (PREPARE)

Skoliose er en tredimensjonal deformitet av ryggraden. I sin vanligste form (omtrent 70% av tilfellene) er årsakene ukjente, derfor kalles det idiopatisk skoliose. I de fleste tilfeller oppdages den etter 10 års alder, og defineres diagnostisk som en kurve på minst 10°, målt på stående røntgen ved bruk av Cobb-metoden.

Hvis skoliose overskrider den kritiske terskelen på 30° Cobb ved slutten av veksten, er det en gradvis større risiko for helsemessige og sosiale problemer i voksenlivet. Av denne grunn er hovedmålet med behandlingen å fullføre vekstperioden med en kurve mindre enn 30° og god sagittal balanse, eller i det minste godt under 50°, som representerer den kirurgiske terskelen.

Vekst er en faktor som favoriserer utviklingen av deformiteter, derfor følges pasientene til slutten av veksten. Dette er grunnen til at terapi kan vare i mange år, fra oppdagelsen av tilstedeværelsen av en deformitet til benmodning er oppnådd.

Tidlig identifisering av parametere som predikerer resultatet av behandlingen for å rette minst mulig aggressivitet mot resultatet som er nødvendig for pasientens fremtid, integrert med evalueringen av effektiviteten (overvåking), er en av de viktigste målene på dette feltet for å minimere behandlingsbyrden i en bestemt fase av vekst som ungdomsutvikling, samt å identifisere de personene som har størst risiko for å forverres i voksen alder.

Den systematiske innsamlingen av kliniske data under den terapeutiske prosessen gir mulighet, gjennom avanserte analysemodeller, brukt retrospektivt, for å identifisere predisponerende faktorer og beskyttende faktorer. Når tilgjengelige data er tilstrekkelig store, er det mulig å få prediktive ligninger som hjelper klinikere i terapeutiske valg og hjelper pasienter å forstå risikoene og fordelene med tilgjengelige terapier. Nye teknologier som kunstig intelligens-teknikker tilbyr nye og interessante måter å estimere risiko og beregne fordelene og sikkerheten ved noen terapeutiske valg sammenlignet med andre.

Denne studien tar sikte på å utvikle og internt validere datadrevne stratifiserings- og prediksjonsmodeller for å forutsi flere utfallsmål ved behandlingsslutt som inkluderer kurvestørrelse, målt i Cobb-grader, mål som bestemmer den sagittale balansen og mål på livskvalitet og funksjon målt. gjennom selvutfyllende spørreskjemaer.