Comparison of Artificial Intelligence and Traditional Methods in Preoperative Planning for Primary Total Hip Arthroplasty: A Systematic Review and Meta‐Analysis
Notice bibliographique
Résumé
ABSTRACT Although the application of artificial intelligence in orthopedics is becoming increasingly widespread, and initial progress has been made particularly in total hip arthroplasty (THA), its use in preoperative planning remains in the exploratory stage. Most existing studies are small‐scale observational studies with inconsistent results, making it difficult to establish a unified clinical consensus. Therefore, our study aims to explore the latest research developments and potential unique advantages of artificial intelligence in preoperative planning for THA. We conducted a comprehensive literature search in PubMed, Embase, Web of Science, and the Cochrane Library, covering all publications up to April 23, 2025. To evaluate study quality, we applied the revised Cochrane Risk of Bias tool for randomized controlled trials and the Newcastle‐Ottawa Scale (NOS) for non‐randomized studies. For the statistical analysis, odds ratios (OR) were used to assess categorical variables, while mean differences (MD) were calculated for continuous outcomes. Depending on the level of heterogeneity, a random‐effects model was adopted when substantial heterogeneity was detected ( I 2 > 50%); otherwise, a fixed‐effects model was applied. Through this process, a total of 518 studies were initially identified, of which 16 met the predefined inclusion criteria. The pooled analysis demonstrated that, in comparison to traditional methods, artificial intelligence achieved significantly superior outcomes in several key areas: acetabular‐side matching accuracy (OR = 0.24), femoral‐side matching accuracy (OR = 0.24), postoperative leg length discrepancy (MD = −1.02), operative time (MD = −12.18 min), intraoperative blood loss (MD = −50.82 mL), and postoperative Harris hip score (MD = 1.42). Notably, the overall methodological quality of the included studies was generally high. The final results of the study indicate that, compared to traditional preoperative planning, artificial intelligence in preoperative planning for THA can provide more precise surgical guidance, reduce surgical risks, and improve the overall success rate of the procedure. Trial Registration: PROSPERO registration number: CRD42024619714
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 | 0,023 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,020 | 0,037 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».