Artificiell intelligens för att upptäcka tidig total knäprotesimplantatfel

Målet med denna studie är att undersöka om Machine Learning (ML) kan användas för att upptäcka små grader av lossning, lucenta zoner eller andra förändringar på röntgenbilder som kan förutsäga tidig misslyckande efter NexGen total knäbyte.

Forskare kommer att identifiera vanliga AP och laterala vanliga filmröntgenbilder från två grupper av patienter. De som har NexGen totala knäproteser (TKR) som har misslyckats, och de som har välpresterande TKR. Röntgenbilder från dessa två grupper kommer att märkas som "misslyckande" och "bra presterande" och kommer att bearbetas genom en maskininlärningsalgoritm.

Algoritmen kommer att lyckas om den kan upptäcka en NexGen TKR som fortsatte att misslyckas eller fortsatte att prestera bra. Detta kommer att bestämmas med hjälp av ett testset.

Befolkningen kommer att vara vuxna som hade återkallat en NexGen Total Knee Replacement med en standard tibial bricka. Det kommer endast att omfatta vuxna, som har TKR vid University Hospitals Southampton mellan 2003 och 2022.

Fel kommer att definieras som revidering av tibiala eller femorala komponenter, vilket sannolikt beror på aspektisk lossning. Det kommer att utesluta tvättningar, utbyte av poly, periprotesfrakturer, mikrobiologiskt bekräftad infektion.

Väl presterande TKR kommer att definieras som patienter som har haft sin TKR in situ i 10 år och som inte har rapporterat några signifikanta symtom.