Knee4Life-prosjektet: styrker knegjenoppretting etter total kneerstatning gjennom digital helse (K4L)

1. Bakgrunn

   Total kneprotese (TKR) er en vanlig prosedyre, med mer enn 100 000 per år utført i England og Wales. Selv om de fleste pasienter har et vellykket resultat etter TKR, er omtrent 10-20 % av pasientene misfornøyde, hovedsakelig på grunn av smerter og stivhet i kne. En metode for å oppdage tidlige problemer med smerte og stivhet kan lette tidligere henvisning til ikke-kirurgiske behandlinger, som er effektive for å forhindre behovet for manipulasjon under narkose [MUA]. Foreløpig er MUA-raten 2,5 % (~2500 pasienter per år i England og Wales), og koster ~14k £ per prosedyre. Vår nåværende forståelse av når stivhet utvikler seg og tidspunktet og beste behandling(er) for stivhet er begrenset. Et nylig James Lind Alliance Priority Setting Partnership identifiserte stivhet etter TKR som en topp-10 forskningsprioritet for å bedre forstå og teste intervensjoner. Gjeldende tiltak er ikke nøyaktige eller egnet for bruk i hjemmet. Etterforskerne trenger verktøy for nøyaktig å måle tidlige indikatorer for stivhet.

2. Begrunnelse

Etterforskerne har foreløpig ikke noe verktøy for å eksternt og nøyaktig oppdage utvikling av tidlig post-kirurgisk knestivhet. Denne studien har som mål å utvikle et kostnadseffektivt verktøy for å måle og kvantifisere knestivhet før og etter total kneproteseoperasjon (TKR) for bruk på tvers av NHS. Forskningen søker å forstå hvordan kneets bevegelsesutslag (ROM) gjenoppretter seg etter TKR og oppdage tidlige tegn på stivhet. Den har også som mål å forutsi hvem som kan utvikle stivhet etter TKR og utforske forholdet mellom smerte og stivhet.

Nåværende metoder for å måle kneets bevegelsesutslag (ROM), som håndholdte verktøy for å måle vinkler, har begrensninger når det gjelder nøyaktighet og trenger opplært helsepersonell for å bruke dem. Det ideelle verktøyet vil være rimelig, enkelt å bruke og gi rask tilbakemelding til pasienter og kliniske team. Studien vil involvere utvikling og validering av en datasynsbasert tilnærming (bruk av kameraer for å vurdere bevegelser) for å overvåke knefleksjon og ekstensjon, og en gangmønstervurdering. Videobasert teknologi eller datasyn (CV) har nylig blitt banebrytende i Exeter for å måle ryggradsbevegelser hos pasienter med ankyloserende spondylitt. Datasyn er en ny teknologi som har stort potensial for å overvåke knefleksjon hos personer med stivhet i kne. Denne tilnærmingen innebærer bruk av kameraer og maskinlæringsalgoritmer for å oppdage og analysere kneleddsvinkler under bevegelse automatisk. Ved å gi objektive og nøyaktige målinger av knefleksjon, har datasyn potensial til å forbedre vurderingen av knestivhet og lette målrettede behandlingsintervensjoner. Som med all ny teknologi er det imidlertid behov for å validere metoden i sammenheng med pasienter med stivhet i kneet for å sikre nøyaktigheten og påliteligheten. Studier har fremhevet viktigheten av å utvikle maskinlæringsalgoritmer spesielt for denne pasientpopulasjonen for å ta hensyn til individuelle forskjeller i bevegelsesmønstre og begrensninger på grunn av stivhet. Ytterligere forskning er nødvendig for å vurdere gyldigheten og gjennomførbarheten av datasynsbaserte tilnærminger for å overvåke knefleksjon hos personer med knestivhet, noe som til slutt kan forbedre diagnosen, overvåkingen og behandlingen av denne tilstanden.

Validering av den datasynsbaserte tilnærmingen for å overvåke knefleksjon hos personer med knestivhet er avgjørende for å sikre påliteligheten og nøyaktigheten. Dette krever utvikling og raffinering av maskinlæringsalgoritmer som nøyaktig kan oppdage og måle kneleddsvinkler i denne pasientpopulasjonen. Denne studien vil evaluere nøyaktigheten og presisjonen til algoritmen opp mot gullstandard målemetoder, som motion capture eller goniometri. Videre vil denne studien undersøke sensitiviteten til tilnærmingen til endringer i knefleksjon på grunn av stivhet og smerte og vurdere dens gjennomførbarhet i en klinisk setting. Når den er validert, har den datasynsbaserte tilnærmingen potensial til å gi et ikke-invasivt og objektivt middel for å overvåke knefleksjon hos personer med stivhet i kneet, noe som kan informere behandlingsbeslutninger og forbedre pasientresultatene.

Et annet verktøy som etterforskerne vil bruke er Gaitcapture-appen som utnytter akselerometeret og gyroskopsensoren i en mobiltelefon og fungerer på samme måte som en treghetsmålingsenhet (IMU) for å gi oss akselerasjons- og rotasjonsdata.

Valideringen av den datasynsbaserte tilnærmingen vil innebære å sammenligne den med gullstandard målemetoder (spesialistfysioterapivurdering).

I tillegg til den datasynsbaserte tilnærmingen, vil studien bruke kroppsbårne sensorer og mobilapper for å overvåke deltakernes fysiske aktivitetsnivå, gangmønster og skritttellinger. Disse dataene vil gi innsikt i personer med TKRs generelle fysiske aktivitetsmønstre og bidra til å evaluere brukervennligheten, akseptabiliteten, gjennomførbarheten og nøyaktigheten til verktøyene for diagnostikk og overvåking.

Funnene i dette forskningsprosjektet har potensial til å forbedre diagnostisering, overvåking og håndtering av knestivhet etter total kneprotese (TKR), med potensial til å redusere behovet for MUA-kirurgi. Ved å gi nøyaktige målinger og tidlig deteksjon, kan verktøyene utviklet i denne studien muliggjøre tidligere henvisning til ikke-kirurgiske behandlinger og redusere behovet for kostbare og risikable prosedyrer for å forbedre kneets bevegelsesutslag (ROM) etter total kneproteseoperasjon (TKR). som en manipulasjon av kneet under narkose.

Her vil etterforskerne gjennomføre en valideringsstudie av en markørfri bevegelsesfangstalgoritme for å bestemme nøyaktigheten og vurdere dens gjennomførbarhet og brukbarhet for implementering i stor skala i hjemmet. etterforskerne vil også fastslå test-retest-påliteligheten til algoritmeutganger som knefleksjon/ekstensjonsvinkler.