Алгоритмы машинного обучения TPF

Общая цель состоит в том, чтобы внедрить метод машинного обучения, чтобы решить, приведет ли оперативное или неоперативное лечение к наилучшему результату для пациента.

Основная цель состоит в том, чтобы определить наиболее подходящий алгоритм машинного обучения для прогнозирования наилучшего лечения будущих пациентов. Приведет ли консервативное или оперативное лечение к наилучшему исходу для пациента, будет решаться прогнозируемая оценка KOOS. В качестве обучающих данных для алгоритма будут использоваться несколько входных факторов, таких как лечение (консервативное или оперативное), количество фрагментов перелома, расположение перелома, вовлечение мягких тканей... для каждого пациента. Некоторые из этих входных данных будут получены из компьютерной томографии. Таким образом, КТ-сканы будут сегментированы в Mimics, для которых UZ Leuven недавно приобрела лицензии. Выходной переменной обучающих данных будет оценка KOOS каждого пациента. На основе входной и выходной переменных алгоритм определит отношение между ними. Для будущих пациентов, входная переменная которых известна, будет прогнозироваться выходная переменная (=показатель KOOS) как при оперативном, так и при консервативном лечении. Мы предполагаем, что прогноз будет улучшен за счет добавления дополнительных входных данных с течением времени.

Второстепенной целью является выявление клинических и радиологических факторов, которые помогают прогнозировать наилучшее лечение будущих пациентов.

В перспективе техника машинного обучения может быть реализована в будущем в клинической практике и использоваться в качестве индивидуального инструмента планирования для лечения переломов большеберцовой кости, помогая хирургу выбрать наилучшее лечение для данного случая. Собранные в этом реестре данные будут использоваться для проверки модели машинного обучения. Пациенты пока не будут лечиться по результатам разработанной модели, хирург-травматолог должен решить, какой вариант лечения лучше всего подходит для пациента.