Knee4Life Project: Empowering knäåterhämtning efter total knäbyte genom digital hälsa (K4L)

1. Bakgrund

   Total knäprotes (TKR) är en vanlig procedur, med mer än 100 000 per år i England och Wales. Även om de flesta patienter har ett framgångsrikt resultat efter sin TKR, är cirka 10-20 % av patienterna missnöjda, främst på grund av smärta och stelhet i knäna. En metod för att tidigt upptäcka problem med smärta och stelhet skulle kunna underlätta tidigare remiss till icke-kirurgiska behandlingar, som är effektiva för att förhindra behovet av manipulation under narkos [MUA]. För närvarande är andelen MUA 2,5 % (~2 500 patienter per år i England och Wales), vilket kostar ~14 000 £ per procedur. Vår nuvarande förståelse för när stelhet utvecklas och tidpunkten och bästa behandling(er) för stelhet är begränsad. En nyligen genomförd James Lind Alliance Priority Setting Partnership identifierade stelhet efter TKR som en topp-10 forskningsprioritet för att bättre förstå och testa interventioner. Aktuella åtgärder är inte korrekta eller lämpliga för användning i hemmet. Utredarna behöver verktyg för att noggrant mäta tidiga indikatorer för stelhet.

2. Logisk grund

Utredarna har för närvarande inget verktyg för att på distans och noggrant upptäcka utveckling av tidig post-kirurgisk knästelhet. Denna studie syftar till att utveckla ett kostnadseffektivt verktyg för att mäta och kvantifiera knästelhet före och efter total knäprotesoperation (TKR) för användning inom NHS. Forskningen försöker förstå hur knäets rörelseomfång (ROM) återhämtar sig efter TKR och upptäcka tidiga tecken på stelhet. Det syftar också till att förutsäga vem som kan utveckla stelhet efter TKR och utforska sambandet mellan smärta och stelhet.

Nuvarande metoder för att mäta knäets rörelseomfång (ROM), såsom handhållna verktyg för att mäta vinklar, har begränsningar vad gäller noggrannhet och behöver utbildad vårdpersonal för att använda dem. Det idealiska verktyget skulle vara låg kostnad, lätt att använda och ge snabb feedback till patienter och kliniska team. Studien kommer att involvera utveckling och validering av ett datorseende-baserat tillvägagångssätt (med hjälp av kameror för att bedöma rörelser) för att övervaka knäböjning och -extension, och en gångmönsterbedömning. Videobaserad teknik eller datorseende (CV) har nyligen varit banbrytande i Exeter för att mäta ryggradsrörelser hos patienter med ankyloserande spondylit. Datorseende är en framväxande teknologi som har stor potential för att övervaka knäböjning hos personer med stelhet i knä. Detta tillvägagångssätt innebär användning av kameror och maskininlärningsalgoritmer för att automatiskt upptäcka och analysera knäledens vinklar under rörelse. Genom att tillhandahålla objektiva och korrekta mätningar av knäböjning har datorseende potential att förbättra bedömningen av knästelhet och underlätta riktade behandlingsinsatser. Men som med all ny teknik, finns det ett behov av att validera metoden i samband med patienter med stelhet i knäet för att säkerställa dess noggrannhet och tillförlitlighet. Studier har visat vikten av att utveckla maskininlärningsalgoritmer specifikt för denna patientpopulation för att ta hänsyn till individuella skillnader i rörelsemönster och begränsningar på grund av stelhet. Ytterligare forskning behövs för att bedöma giltigheten och genomförbarheten av datorseendebaserade metoder för att övervaka knäböjning hos personer med stelhet i knä, vilket i slutändan kan förbättra diagnosen, övervakningen och hanteringen av detta tillstånd.

Validering av det datorseendet baserade tillvägagångssättet för att övervaka knäböjning hos personer med knästelhet är avgörande för att säkerställa dess tillförlitlighet och noggrannhet. Detta kräver att man utvecklar och förfinar maskininlärningsalgoritmer som exakt kan detektera och mäta knäledsvinklar i denna patientpopulation. Denna studie kommer att utvärdera algoritmens noggrannhet och precision mot mätmetoder av guldstandard, såsom motion capture eller goniometri. Vidare kommer denna studie att undersöka känsligheten hos tillvägagångssättet för förändringar i knäböjning på grund av stelhet och smärta och bedöma dess genomförbarhet i en klinisk miljö. När den väl har validerats har det datorseendebaserade tillvägagångssättet potential att tillhandahålla ett icke-invasivt och objektivt sätt att övervaka knäböjning hos personer med stelhet i knä, vilket kan informera behandlingsbeslut och förbättra patientresultaten.

Ett annat verktyg som utredarna kommer att använda är Gaitcapture-appen som drar fördel av accelerometern och gyroskopsensorn i en mobiltelefon och fungerar på samma sätt som en tröghetsmätenhet (IMU) för att förse oss med accelerations- och rotationsdata.

Valideringen av det datorseendebaserade tillvägagångssättet kommer att innebära att det jämförs med mätmetoder med guldstandard (specialistfysioterapibedömning).

Utöver det datorseendebaserade tillvägagångssättet kommer studien att använda kroppsburna sensorer och mobilappar för att övervaka deltagarnas fysiska aktivitetsnivåer, gångmönster och stegräkningar. Dessa data kommer att ge insikter om personer med TKR:s övergripande fysiska aktivitetsmönster och hjälpa till att utvärdera användbarheten, acceptansen, genomförbarheten och noggrannheten hos verktygen för diagnostik och övervakning.

Resultaten av detta forskningsprojekt har potential att förbättra diagnosen, övervakningen och hanteringen av knästelhet efter total knäprotes (TKR), med potential att minska behovet av MUA-kirurgi. Genom att tillhandahålla noggranna mätningar och tidig upptäckt kan verktygen som utvecklats i denna studie möjliggöra tidigare remiss till icke-kirurgiska behandlingar och minska behovet av kostsamma och riskfyllda procedurer för att förbättra knäets rörelseomfång (ROM) efter total knäprotesoperation (TKR), som en manipulation av knät under narkos.

Här kommer utredarna att genomföra en valideringsstudie av en markörfri motion capture-algoritm för att bestämma dess noggrannhet och bedöma dess genomförbarhet och användbarhet för implementering i stor skala i hemmet. utredarna kommer också att fastställa tillförlitligheten hos test-omtestning av algoritmutgångar, såsom knäböjnings-/förlängningsvinklar.