Czy AI pomoże w planowaniu leczenia pacjentów ze skoliozą?

Jak wynika z badań opublikowanych 14 stycznia w PLOS One, model sztucznej inteligencji do obrazowania rentgenowskiego może pomóc klinicystom w planowaniu leczenia innego niż zespolenie kręgosłupa u pacjentów ze skoliozą idiopatyczną u młodzieży.

W badaniu zaproponowano narzędzie oparte na uczeniu maszynowym do planowania przedniego unieruchomienia trzonów kręgowów (AVBT), pojawiającego się minimalnie inwazyjnego leczenia chirurgicznego, zauważyła pierwsza autorka Ausilah Alfraihat, doktorantka na Uniwersytecie Drexel w Filadelfii w Pensylwanii wraz ze współpracownikami.

„Obecny model może służyć jako cenne narzędzie kliniczne, zapewniające wgląd w optymalny czas interwencji i parametry planowania chirurgicznego” – napisała grupa.

AVBT zostało zatwierdzone w USA w 2019 r. i obejmuje wszczepienie elastycznego sznura wzdłuż kręgosłupa w celu poprowadzenia wzrostu kręgosłupa w celu skorygowania deformacji u nastolatków, u których postęp pomimo stosowania ortezy utrzymuje się. Autorzy napisali, że pomimo obiecujących wyników w kilku badaniach przewidywalność procedury pozostaje niepewna i zależy od złożonej interakcji czynników, które są trudne do analizy klinicznej.

W związku z tym grupa opracowała algorytm oparty na uczeniu maszynowym, który mógłby potencjalnie wypełnić tę lukę.

Badacze uwzględnili dane od 91 pacjentów ze skoliozą idiopatyczną u nastolatków, którzy przeszli operację AVBT w szpitalach dziecięcych Shriners w Filadelfii. U wszystkich pacjentów zdjęcia rentgenowskie kręgosłupa wykonywano podczas sześciu wizyt, począwszy od pierwszego zdjęcia rentgenowskiego na stojąco, aż do ostatniego badania kontrolnego.

Przeanalizowali te obrazy, a także powiązane z nimi cechy demograficzne i chirurgiczne, aby zidentyfikować 11 najbardziej predykcyjnych cech kolejnych korekcji AVBT i wyszkolili model regresora wzmacniającego gradient (GBR) w celu przewidywania wyników na podstawie tych cech. Zbiór danych (dla wszystkich pacjentów) został losowo podzielony na zbiory uczące (80%) i testujące (20%).

Jak wynika z ustaleń, model AI przewidział ostateczny kąt Cobba ze średnim błędem 6,3 ± 5,6 stopnia – napisali autorzy. Model zapewnił także przedział przewidywania, w którym 84% rzeczywistych wartości mieściło się w 90% przedziale przewidywania – dodali.

„Model GBR, wytrenowany na tych cechach, przewidział ostateczną wielkość krzywej z klinicznie akceptowalnym marginesem błędu” – napisała grupa.

Ostatecznie autorzy zauważyli, że jest to pierwsze badanie, w którym zastosowano metody sztucznej inteligencji do danych podłużnych pochodzących od pacjentów, którzy przeszli operację AVBT. Co istotne, model opiera się na uporządkowanej według rang liście cech najbardziej predykcyjnych związanych z pooperacyjną korekcją krzywizny – napisali.

„Model ten można wykorzystać jako narzędzie kliniczne do planowania parametrów chirurgicznych AVBT i poprawy wyników” – podsumowała grupa.


Follow Us

hello@radiopeiron.com