$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
La prévalence croissante de l’arthroplastie totale primaire de la hanche (THA) a entraîné une augmentation correspondante de la nécessité d’une arthroplastie de révision en raison d’un certain nombre de facteurs, notamment le relâchement aseptique, l’infection, la luxation récurrente et la fracture périprothétique1. Par rapport à l’arthroplastie primaire de la hanche, la chirurgie de révision de la hanche est une procédure plus complexe techniquement et cliniquement difficile, avec des taux de mortalité plus élevés2, des coûts de soins de santé plus élevés3 et des risques de complications plus élevés4.
Dans l’arthroplastie de révision de la hanche, la reconstruction de la perte osseuse acétabulaire et le choix de la prothèse sont primordiaux pour déterminer le succès de la chirurgie. Le chirurgien orthopédiste doit évaluer le stock osseux résiduel et l’anatomie modifiée, en visant une stabilité initiale adéquate de la cupule acétabulaire1 nouvellement implantée. Par conséquent, une planification préopératoire précise est cruciale pour guider les options de traitement disponibles.
À l’heure actuelle, les chirurgiens orthopédistes sont chargés d’effectuer une évaluation complète et de planifier l’arthroplastie de révision en fonction des résultats de l’imagerie préopératoire et de leur propre expérience chirurgicale. Néanmoins, cela représentera un défi important pour le chirurgien inexpérimenté.
Avec le développement de la technologie de l’intelligence artificielle (IA), elle est de plus en plus utilisée en chirurgie orthopédique, principalement pour la segmentation d’images, le diagnostic et la classification des pathologies et des implants5. Pendant ce temps, l’IA commence à obtenir des succès initiaux dans l’assistance primaire THA6. Cependant, la planification préopératoire intelligente de l’arthroplastie de révision de la hanche reste une ardoise vierge. L’IA a un avenir prometteur dans la chirurgie de révision de la hanche, en particulier dans l’évaluation des défauts osseux. Ces défauts sont uniques à chaque patient, et bien qu’ils présentent certains motifs, la méthode traditionnelle de classification de Paprosky n’a pas la précision requise pour les caractériser pleinement. Néanmoins, l’IA est capable d’extraire des informations plus détaillées à partir de données d’image, offrant une voie prometteuse pour améliorer l’exactitude et la précision de l’évaluation des défauts osseux. Nous avons développé un nouveau système de planification préopératoire assisté par l’IA pour guider les décisions des chirurgiens orthopédistes concernant l’arthroplastie de révision sur la base de la récupération d’une base de données de cas chirurgicaux spécialisés.
Nous avons d’abord établi une nouvelle méthode de reconstruction des défauts osseux acétabulaires, en quantifiant et en typant les défauts osseux acétabulaires. Par la suite, nous avons construit une base de données de cas de révision de la hanche en recueillant des données cliniques et d’imagerie sur 200 cas chirurgicaux de révision de la hanche auprès d’un expert national senior. La base de données comprend la tomodensitométrie (TDM) préopératoire, les radiographies préopératoires, les radiographies postopératoires et les données démographiques des patients. Nous pouvons apparier les cas dans la base de données en fonction des caractéristiques actuelles des défauts osseux des patients devant subir une intervention chirurgicale et trouver les scénarios de cas les plus similaires pour fournir au chirurgien une référence préopératoire. Cette approche permet au chirurgien d’avoir une idée préopératoire du protocole de révision acétabulaire, réduisant ainsi le temps d’essais et d’erreurs peropératoires.