一个基于宏微FE和机器学习的钻石格子部植入物的设计,以提高生物机械和骨质整合性能
1Biomechanics Research Laboratory, School of Mechanical & Materials Engineering, Indian Institute of Technology Mandi, Kamand, Mandi, Himachal Pradesh, India.
International journal for numerical methods in biomedical engineering
|December 22, 2025
概括
使用机器学习优化多孔部植入物用于全脚置换 (TAR) 显示,70%的多孔性增强了骨内生长和负载转移,改善了长期植入物固定.
科学领域:
- 生物材料工程 生物材料工程
- 整形外科手术 整形外科手术
- 计算力学 计算力学 计算力学
背景情况:
- 长期植入物-骨固定不良是关节整体置换 (TAR) 的一个主要挑战.
- 增材制造使多孔格子结构植入物成为可能,但最优的设计参数,如多孔性,尚不清楚.
- 提高生物机械性能和骨质整合对于TAR成功至关重要.
研究的目的:
- 使用宏微有限元 (FE) 和机器学习 (ML) 方法为 TAR 设计多孔钻石结构的部植入物.
- 为了优化毛孔性,改善生物机械功能和骨生长.
- 为了研究孔隙性,应力屏蔽和骨质整合之间的关系.
主要方法:
- 设计了四个多孔的钻石结构的部植入物 (PDSTI),多孔度从50%到80%不等.
- 利用宏微尺度FE建模来评估生物机械性能,并使用机械调节算法模拟骨生长.
- 采用了ML模型来预测特定位置的骨生长,并比较不同PDSTI之间的结果.
主要成果:
- ML模型准确地预测了所有测试的PDSTI的特定部位的骨生长.
- 与固体植入物相比,PDSTI具有70%的多孔性,显示出优异的骨形成和降低的应力屏蔽.
- 较高的多孔度 (80%) 导致骨生长率最低,这表明骨质整合的限制.
结论:
- 在多孔的钻石结构的部植入物中,70%的多孔性显著增强了TAR中的骨质整合和生物力学负载转移.
- 宏微FE和ML方法对于优化多孔植入物设计是有效的.
- 研究结果表明,在全关节置换术中,有可能减少无菌松动并改善临床结果.
