探索基于人工智能的负载传感器的性能,用于全膝关节置换.

科学领域:

• 生物医学工程 生物医学工程
• 整形外科手术 整形外科手术
• 传感器技术 传感器技术
• 人工智能的人工智能

背景情况:

• 全膝关节置换 (TKRs) 可以通过手术内部传感器进行改进,以改善患者的治疗结果并减少修复手术.
• 准确,精确和广泛的负载跟踪对于TCR联合力量监测的成功至关重要.

研究的目的:

• 调查用于全膝关节置换 (TKRs) 的新型手术内负荷传感器的准确性和精度.
• 为了评估传感器在不同负载条件和膝关节内空间区域的性能.

主要方法:

• 使用了一种自主开发的手术内负荷传感器,与齐默的Persona膝关节系统兼容,可适应其他系统.
• 人工智能 (AI) 被用来分析传感器数据.
• 准确性和精度通过测试中间/侧面,传感区域内/外,以及不同负载范围的五个点来评估.

主要成果:

• 传感器实现了负载预测的平均准确率为83.41%,位置预测的平均准确率为84.63%.
• 在传感区域和训练负载范围内观察到最高的精度 (99.20%);扩大这个范围可以提高整体精度.
• 负载和位置预测在各隔间和传感区域 (p > 0.05) 中显示了可比的准确性和精度,但在训练负载范围内 (p < 0.05) 下的准确性有显著差异.

结论:

• 操作内负载传感器在其整个表面和广泛的负载谱中表现出良好的准确性和精度.
• 微小的软件增强有潜力显著提高传感器性能.
• 一个可靠和强大的手术内负荷传感器可以推动所有关节置换手术的进步.