PACT: Un algoritmo predictivo basado en la práctica para el diseño personalizado de sockets protésicos transradiales

Área de la Ciencia:

• Ingeniería Biomédica
• Prótesis y Ortesis
• Diseño Asistido por Computadora

Sus antecedentes:

• Existe una falta de diseño estandarizado de sockets digitales para prótesis de extremidades superiores, lo que requiere un tiempo considerable por parte del clínico.
• Los métodos actuales para el diseño de sockets protésicos no están completamente optimizados para la eficiencia y el ajuste específico del paciente.

Objetivo del estudio:

• Introducir y validar el Algoritmo Predictivo para el Diseño Personalizado de Sockets Transradiales (PACT) para generar sockets protésicos transradiales.
• Evaluar la precisión y eficiencia de PACT en comparación con los sockets diseñados por protésicos tradicionales.

Principales métodos:

• PACT utiliza una biblioteca de referencia y ajustes de escala (isotrópicos y anisotrópicos) en escaneos 3D de extremidades para generar modelos de socket.
• La validación implicó la comparación de sockets generados por PACT con sockets diseñados por protésicos (estándar de oro) utilizando análisis de distancia de superficie, diferencia de volumen y área de sección transversal para 19 participantes.
• Las discrepancias localizadas se identificaron mediante colorización de distancia con signo y agrupamiento DBSCAN.

Principales resultados:

• Los sockets generados por PACT mostraron una diferencia de superficie promedio de 2,11 ± 0,51 mm y una diferencia de volumen de 2,74 ± 2,56% en comparación con los diseños de los protésicos.
• Las diferencias por corte estuvieron en su mayoría dentro de ±10%, con desviaciones mayores cerca de los extremos proximal y distal del socket.
• Las discrepancias comunes incluyeron la línea de corte trimestral anterodistal y la compresión anteroposterior, observándose sesgos de tamaño relacionados con la edad.

Conclusiones:

• PACT produce rápidamente un borrador de socket transradial dentro de las tolerancias de ajuste clínico (tiempo promedio: 13,2 ± 0,7 s).
• Las discrepancias identificadas proporcionan objetivos para el refinamiento futuro del algoritmo, incorporando factores como la rigidez del tejido y la edad.
• Se puede lograr una mayor personalización y generalización integrando datos regionales y mediciones del clínico.