Knee4Life 项目：通过数字健康促进全膝关节置换术后的膝关节恢复 (K4L)

1. 背景

   全膝关节置换术 (TKR) 是一种常见手术，英格兰和威尔士每年进行的手术超过 100,000 例。 尽管大多数患者在 TKR 后取得了成功的结果，但大约 10-20% 的患者不满意，主要是因为疼痛和膝盖僵硬。 一种检测早期疼痛和僵硬问题的方法可以促进早期转诊至非手术治疗，这可以有效防止需要在麻醉下进行操作[MUA]。 目前，MUA 的发生率为 2.5%（英格兰和威尔士每年约 2,500 名患者），每次手术费用约 1.4 万英镑。 我们目前对僵硬何时发生以及僵硬的时机和最佳治疗方法的理解是有限的。 最近，詹姆斯·林德联盟优先设定伙伴关系将 TKR 后的僵硬确定为十大研究优先事项，以更好地理解和测试干预措施。 目前的措施不准确或不适合在家中使用。 研究人员需要工具来准确测量早期的硬度指标。

2. 基本原理

研究人员目前没有工具可以远程准确地检测术后早期膝关节僵硬的发展情况。 本研究旨在开发一种经济有效的工具来测量和量化全膝关节置换 (TKR) 手术前后的膝关节硬度，供 NHS 使用。 该研究旨在了解全膝关节置换术后膝关节活动范围 (ROM) 如何恢复并检测早期僵硬迹象。 它还旨在预测谁可能在 TKR 后出现僵硬，并探索疼痛和僵硬之间的关系。

目前测量膝关节活动范围 (ROM) 的方法（例如用于测量角度的手持式工具）在准确性方面存在局限性，并且需要经过培训的医疗保健人员才能使用它们。 理想的工具应该是低成本、易于使用，并为患者和临床团队提供快速反馈。 该研究将涉及开发和验证基于计算机视觉的方法（使用摄像头评估运动）来监测膝盖弯曲和伸展，以及步行模式评估。 埃克塞特最近率先采用基于视频的技术或计算机视觉（CV）来测量强直性脊柱炎患者的脊柱运动。 计算机视觉是一项新兴技术，在监测膝关节僵硬患者的膝关节弯曲方面具有巨大潜力。 这种方法涉及使用摄像头和机器学习算法来自动检测和分析运动过程中的膝关节角度。 通过提供客观、准确的膝关节弯曲测量，计算机视觉有可能改善膝关节硬度的评估并促进有针对性的治疗干预。 然而，与任何新技术一样，需要在膝关节僵硬患者的背景下验证该方法，以确保其准确性和可靠性。 研究强调了专门针对该患者群体开发机器学习算法的重要性，以解决运动模式的个体差异和由于僵硬而造成的限制。 需要进一步的研究来评估基于计算机视觉的方法来监测膝关节僵硬患者的膝关节弯曲度的有效性和可行性，这最终可以改善这种情况的诊断、监测和管理。

对基于计算机视觉的膝关节僵硬患者膝关节屈曲监测方法进行验证对于确保其可靠性和准确性至关重要。 这需要开发和完善机器学习算法，以准确检测和测量该患者群体的膝关节角度。 这项研究将根据运动捕捉或测角学等黄金标准测量方法来评估该算法的准确性和精确度。 此外，这项研究将检查该方法对由于僵硬和疼痛引起的膝关节屈曲变化的敏感性，并评估其在临床环境中的可行性。 一旦经过验证，基于计算机视觉的方法有可能提供一种非侵入性、客观的方法来监测膝关节僵硬患者的膝关节弯曲度，从而为治疗决策提供信息并改善患者的治疗结果。

研究人员将使用的另一个工具是 Gaitcapture 应用程序，它利用手机中的加速度计和陀螺仪传感器，其作用类似于惯性测量单元 (IMU)，为我们提供加速度和旋转数据。

基于计算机视觉的方法的验证将涉及将其与金标准测量方法（专业物理治疗评估）进行比较。

除了基于计算机视觉的方法外，该研究还将利用穿戴式传感器和移动应用程序来监测参与者的身体活动水平、行走模式和步数。 这些数据将帮助人们深入了解 TKR 的整体身体活动模式，并帮助评估诊断和监测工具的可用性、可接受性、可行性和准确性。

该研究项目的结果有可能改善全膝关节置换术 (TKR) 后膝关节僵硬的诊断、监测和管理，并有可能减少 MUA 手术的需要。 通过提供准确的测量和早期检测，本研究开发的工具可以更早地转诊至非手术治疗，并减少全膝关节置换（TKR）手术后为改善膝关节活动范围（ROM）而进行的昂贵且有风险的手术的需要。就像在麻醉下操纵膝盖一样。

在这里，研究人员将对无标记运动捕捉算法进行验证研究，以确定其准确性并评估其在家庭中大规模实施的可行性和可用性。 研究人员还将确定算法输出（例如膝盖弯曲/伸展角度）的重测可靠性。