Surgical factors play a critical role in predicting functional outcomes using machine learning in robotic‐assisted total knee arthroplasty
Notice bibliographique
Résumé
PURPOSE: Predictive models help determine predictive factors necessary to improve functional outcomes after total knee arthroplasty (TKA). However, no study has assessed predictive models for functional outcomes after TKA based on the new concepts of personalised surgery and new technologies. This study aimed to develop and evaluate predictive modelling approaches to predict the achievement of minimal clinically important difference (MCID) in patient-reported outcome measures (PROMs) 1 year after TKA. METHODS: . The following PROMs were collected preoperatively and 1-year postoperatively: knee injury and osteoarthritis outcome score for joint replacement, Western Ontario and McMaster Universities osteoarthritis index (WOMAC) Function, WOMAC Pain. Demographic data, preoperative CT scan, implant size, implant position on the robotic system and characteristics of the joint replacement procedure were selected as predictive variables. Four machine learning algorithms were trained to predict the MCID status at 1-year post-TKA for each PROM survey. 'No MCID' was chosen as the target. Models were evaluated by class discrimination (F1-score) and area under the receiver operating characteristic curve (ROC-AUC). RESULTS: The best-performing model was ridge logistic regression for WOMAC Function (area under the curve [AUC] = 0.80, F1 = 0.48, sensitivity = 0.79, specificity = 0.62). Variables most strongly contributing to not achieving MCID status were preoperative PROMs, high BMI and femoral resection depth (posterior and distal), supporting functional positioning principles. Conversely, variables contributing to a positive outcome (achieving MCID) were medial/lateral alignment of the tibial component, whether the procedure was an outpatient surgery and whether the patient received managed Medicare insurance. CONCLUSION: The most predictive variables included preoperative PROMs, BMI and surgical planning. The surgical predictive variables were valgus femoral alignment and femoral rotation, reflecting the benefits of personalised surgery. Including surgical variables in predictive models for functional outcomes after TKA should guide clinical and surgical decision-making for every patient. LEVEL OF EVIDENCE: Level III.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».