High coronal alignment accuracy and satisfactory early outcomes using augmented reality assisted kinematic alignment in total knee arthroplasty
Notice bibliographique
Résumé
Abstract Purpose Accurate component positioning in total knee arthroplasty (TKA) is critical for implant longevity and patient satisfaction. Augmented reality (AR)‐based navigation systems offer enhanced precision and intraoperative versatility. This study evaluated the accuracy of component positioning, implant sizing and short‐term clinical outcomes of a novel AR‐assisted navigation system (NextAR, Medacta International) in TKA using a modified kinematic alignment (KA) technique. Methods Forty‐one consecutive patients underwent primary TKA using AR‐assisted navigation with ≥12‐month follow‐up. Preoperative CT‐based 3D planning optimised cut orientation and component placement. All received a cemented medial pivot prosthesis (GMK Sphere) with full femoral resurfacing following a KA protocol. Tibial cuts were guided intraoperatively by real‐time ligament balancing. Planned versus achieved positions were compared on radiographs. Western Ontario and McMaster Universities Osteoarthritis Index (WOMAC), forgotten joint score (FJS) and range of motion (ROM) were recorded pre‐ and postoperatively and analysed using paired t ‐tests ( p < 0.05). Results The average difference between planned and postoperative alignment was 0.05° ± 0.76° for LDFA, 0.1° ± 0.6° for MPTA, –0.5 ± 1.7° for femoral component flexion, and 0.3° ± 1.3° for PTS. Root mean square errors were 0.75°, 1.23°, 1.73° and 1.34°, respectively. Postoperative HKA improved from 174.3° ± 3.4° to 177.8° ± 2.1° ( p < 0.001). Component size prediction was accurate in 100% of femurs and 95.1% of tibias. At final follow‐up (14.2 ± 2.3 months), WOMAC improved from 51.5 ± 16.7 to 13.6 ± 5.3, FJS from 26.2 ± 9.6 to 82.2 ± 7.4, flexion from 103.3° ± 17.4° to 129.4° ± 7.2° and extension from 3.3° ± 0.43° to 0.1° ± 0.28° (all p < 0.001). Conclusions AR‐based navigation in modified KA‐TKA ensured accurate LDFA restoration and femoral sizing, with good short‐term outcomes. Variability remained in MPTA, femoral flexion and PTS. Although no coronal recuts were needed, two tibial recuts for tight extension gaps highlight areas for system refinement. Level of Evidence Level IV.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 tête enseignante, 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 ».