$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
El aumento de la prevalencia de la artroplastia total primaria de cadera (ATC) ha llevado a un aumento correspondiente en la necesidad de artroplastia de revisión debido a una serie de factores, incluido el aflojamiento aséptico, la infección, la luxación recurrente y la fractura periprotésica1. En comparación con la artroplastia primaria de cadera, la cirugía de revisión de cadera es un procedimiento técnicamente más complejo y clínicamente más desafiante, con tasas de mortalidadmás altas 2, mayores costos de atención médica3 y mayores riesgos de complicaciones4.
En la artroplastia de cadera de revisión, la reconstrucción de la pérdida ósea acetabular y la selección de la prótesis son primordiales para determinar el éxito de la cirugía. El cirujano ortopédico debe evaluar el stock óseo residual y la anatomía alterada, con el objetivo de lograr una adecuada estabilidad inicial de la copa acetabular recién implantada1. En consecuencia, la planificación preoperatoria precisa es crucial para guiar las opciones de tratamiento disponibles.
En la actualidad, los cirujanos ortopédicos son responsables de realizar una evaluación y planificación exhaustivas de la artroplastia de revisión en función de los hallazgos de las imágenes preoperatorias y de su propia experiencia quirúrgica. Sin embargo, esto presentará un desafío importante para el cirujano inexperto.
Con el desarrollo de la tecnología de inteligencia artificial (IA), se ha utilizado cada vez más en cirugía ortopédica, principalmente para la segmentación de imágenes, el diagnóstico y la clasificación de patologías e implantes5. Mientras tanto, la IA está comenzando a lograr un éxito inicial en la asistencia a la THA6 primaria. Sin embargo, la planificación preoperatoria inteligente para la artroplastia de cadera de revisión sigue siendo una pizarra en blanco. La IA tiene un futuro prometedor en la cirugía de revisión de cadera, especialmente en la evaluación de defectos óseos. Estos defectos son únicos para cada paciente y, aunque exhiben ciertos patrones, el método tradicional de clasificación de Paprosky carece de la precisión necesaria para caracterizarlos completamente. Sin embargo, la IA es capaz de extraer información más detallada de los datos de las imágenes, lo que ofrece una vía prometedora para mejorar la exactitud y la precisión de la evaluación de defectos óseos. Desarrollamos un novedoso sistema de planificación preoperatoria asistido por IA para guiar las decisiones de los cirujanos ortopédicos sobre la artroplastia de revisión en función de la recuperación de bases de datos de casos quirúrgicos expertos.
Primero establecimos un método novedoso para la reconstrucción de defectos óseos acetabulares, cuantificando y tipificando defectos óseos acetabulares. Posteriormente, construimos una base de datos de casos de revisión de cadera mediante la recopilación de datos clínicos y de imagen de 200 casos quirúrgicos de revisión de cadera de un experto nacional senior. La base de datos consta de tomografía computarizada (TC) preoperatoria, radiografía preoperatoria, radiografía postoperatoria y datos demográficos del paciente. Podemos hacer coincidir los casos en la base de datos en función de las características actuales de los defectos óseos de los pacientes programados para cirugía y encontrar los escenarios de casos más similares para proporcionar al cirujano una referencia preoperatoria. Este enfoque permite al cirujano tener una idea preoperatoria del protocolo de revisión acetabular, reduciendo el tiempo de prueba y error intraoperatorio.