Reliable prediction of implant size and axial alignment in AI-based 3D preoperative planning for total knee arthroplasty
Notice bibliographique
Résumé
The size and axial alignment of prostheses, when planned during total knee replacement (TKA) are critical for recovery of knee function and improvement of knee pain symptoms. This research aims to study the effect of artificial intelligence (AI)-based preoperative three dimensional (3D) planning technology on prosthesis size and axial alignment planning in TKA, and to compare its advantages with two dimensional (2D) X-ray template measurement technology. A total of 60 patients with knee osteoarthritis (KOA) who underwent TKA for the first time were included in the AI (n = 30) and 2D (n = 30) groups. The preoperative and postoperative prosthesis size, femoral valgus correction angle (VCA) and hip-knee-ankle angle (HKA) were recorded and compared between the two groups. The results of the University of Western Ontario and McMaster University Osteoarthritis Index (WOMAC) and the American Knee Association Score (AKS) were evaluated before surgery, 3 months, 6 months, and 12 months after surgery. The accuracy of prosthesis size, VCA and HKA prediction in AI group was significantly higher than that in 2D group (P < 0.05). The WOMAC and AKS scores in AI group at 3 months, 6 months and 12 months after surgery were better than those in 2D group (P < 0.05). Both groups showed significant improvement in WOMAC and AKS scores at 12 months follow-up. AI-based preoperative 3D planning technique has more reliable planning effect for prosthesis size and axial alignment in TKA.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».