Opracowanie i wewnętrzna walidacja modeli przewidywania skoliozy idiopatycznej Historia naturalna i wyniki leczenia poprzez wykorzystanie sztucznej inteligencji w dużej bazie danych klinicznych (PREPARE)

Skolioza to trójwymiarowa deformacja kręgosłupa. W najczęstszej postaci (około 70% przypadków) przyczyny nie są znane, dlatego nazywa się ją skoliozą idiopatyczną. W większości przypadków wykrywa się ją po 10. roku życia i diagnostycznie definiuje się ją jako skrzywienie o wartości co najmniej 10°, mierzone na zdjęciu rentgenowskim na stojąco metodą Cobba.

Jeśli pod koniec wzrostu skolioza przekroczy krytyczny próg 30° Cobba, ryzyko wystąpienia problemów zdrowotnych i społecznych w dorosłym życiu wzrasta stopniowo. Z tego powodu głównym celem leczenia jest zakończenie okresu wzrostu przy krzywiźnie mniejszej niż 30° i dobrej równowadze strzałkowej lub przynajmniej znacznie poniżej 50°, co stanowi próg chirurgiczny.

Wzrost jest czynnikiem sprzyjającym powstawaniu deformacji, dlatego pacjentów monitorujemy aż do zakończenia wzrostu. Dlatego terapia może trwać wiele lat, od wykrycia obecności deformacji do osiągnięcia dojrzałości kości.

Wczesna identyfikacja parametrów prognostycznych wyniku terapii, tak aby jak najmniejszą agresywność skierować na niezbędny dla przyszłości pacjenta wynik, połączona z oceną jej skuteczności (monitoringiem), jest jednym z najważniejszych celów w tym zakresie, mającym na celu minimalizację ciężar leczenia w określonej fazie wzrostu, np. w okresie dojrzewania, a także w celu zidentyfikowania pacjentów najbardziej narażonych na ryzyko pogorszenia się stanu zdrowia w wieku dorosłym.

Systematyczne gromadzenie danych klinicznych w trakcie procesu terapeutycznego daje możliwość, poprzez zaawansowane modele analityczne, stosowane retrospektywnie, identyfikacji czynników predysponujących i ochronnych. Gdy dostępne dane są wystarczająco duże, możliwe jest uzyskanie równań predykcyjnych, które pomagają klinicystom w dokonywaniu wyborów terapeutycznych i pomagają pacjentom zrozumieć ryzyko i korzyści wynikające z dostępnych terapii. Nowe technologie, takie jak techniki sztucznej inteligencji, oferują nowe i interesujące sposoby szacowania ryzyka oraz obliczania korzyści i bezpieczeństwa niektórych wyborów terapeutycznych w porównaniu z innymi.

Celem tego badania jest opracowanie i wewnętrzna walidacja modeli stratyfikacji i przewidywania opartych na danych w celu przewidywania wielu miar wyników leczenia na koniec opieki, które obejmują wielkość krzywej mierzoną w stopniach Cobba, miary określające równowagę strzałkową oraz miary jakości życia i funkcjonowania mierzone poprzez samodzielne wypełnianie ankiet.