提高全膝关节置换预测:与临床症状集成的纵向关节空间放射学模型

科学领域:

• 整形外科和运动医学
• 放射学 放射学是一门学科.
• 医疗保健中的人工智能

背景情况:

• 骨关节炎 (OA) 对患者产生重大影响,往往需要进行全膝关节置换 (TKR).
• 目前的预测模型缺乏整合关节空间放射学和临床症状.
• 对于TKR而言,需要先进的预测工具.

研究的目的:

• 开发和验证一个包含临床变量的新型联合空间放射性模型 (JSC-RM).
• 预测TKR在4年时间内发生的可能性.
• 评估模型的性能及其对临床决策的影响.

主要方法:

• 利用了来自骨关节炎倡议队列的442名患有症状膝关节OA的患者的1227个膝关节MRI.
• 采用深度学习来提取关节空间的放射性特征 (半月体,腹骨软骨).
• 用机器学习验证的JSC-RM的膝关节骨关节炎结局得分 (KOOS) 集成的放射性特征.

主要成果:

• JSC-RM表现出强的TKR预测性能,曲线下的面积 (AUC) 为0.85 (0.82-0.88).
• 该模型发现TKR风险较高 (赔率比:22.9).
• 使用JSC-RM的外科医生在TKR预测准确度上显著改善,敏感度从42%增加到72%,特异性从45%增加到78%.

结论:

• 开发的JSC-RM,结合了联合空间放射学和KOOS分数,是预测TKR的一个有前途的工具.
• 这种综合模型可以帮助骨关节炎管理的临床决策.
• 进一步整合放射性特征和临床数据可以提高关节置换手术的预测能力.