$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
De toenemende prevalentie van primaire totale heupartroplastiek (THA) heeft geleid tot een overeenkomstige toename van de noodzaak van revisieartroplastiek als gevolg van een aantal factoren, waaronder aseptisch losraken, infectie, terugkerende dislocatie en periprothetische fractuur1. Vergeleken met primaire heupartroplastiek is revisie heupchirurgie een technisch complexere en klinisch uitdagende procedure, met hogere sterftecijfers2, hogere zorgkosten3 en grotere complicatierisico's4.
Bij revisie heupartroplastiek zijn de reconstructie van acetabulair botverlies en de selectie van prothesen van het grootste belang bij het bepalen van het succes van de operatie. De orthopedisch chirurg moet de resterende botvoorraad en de veranderde anatomie beoordelen, met als doel voldoende initiële stabiliteit van de nieuw geïmplanteerde acetabulaire cup1. Daarom is een nauwkeurige preoperatieve planning van cruciaal belang om de beschikbare behandelingsopties te begeleiden.
Momenteel zijn orthopedisch chirurgen verantwoordelijk voor het uitvoeren van een uitgebreide beoordeling en planning van revisieartroplastiek op basis van preoperatieve beeldvormingsbevindingen en hun eigen chirurgische ervaring. Toch zal dit een grote uitdaging vormen voor de onervaren chirurg.
Met de ontwikkeling van kunstmatige intelligentie (AI)-technologie wordt het steeds vaker gebruikt in orthopedische chirurgie, voornamelijk voor beeldsegmentatie, diagnose en classificatie van pathologieën en implantaten5. Ondertussen begint AI eerste successen te boeken bij het assisteren van primaire THA6. Intelligente preoperatieve planning voor revisie heupartroplastiek blijft echter een onbeschreven blad. AI heeft een veelbelovende toekomst op het gebied van heuprevisiechirurgie, met name bij de beoordeling van botdefecten. Deze defecten zijn uniek voor elke patiënt, en hoewel ze bepaalde patronen vertonen, mist de traditionele Paprosky-classificatiemethode de precisie die nodig is om ze volledig te karakteriseren. Desalniettemin is AI in staat om meer gedetailleerde informatie uit beeldgegevens te halen, wat een veelbelovende manier biedt om de nauwkeurigheid en precisie van de beoordeling van botdefecten te verbeteren. We hebben een nieuw AI-ondersteund preoperatief planningssysteem ontwikkeld om orthopedisch chirurgen te begeleiden bij hun beslissingen over revisieartroplastiek op basis van het ophalen van een database met chirurgische casussen door experts.
We hebben eerst een nieuwe methode ontwikkeld voor de reconstructie van acetabulaire botdefecten, het kwantificeren en typeren van acetabulaire botdefecten. Vervolgens hebben we een database met heuprevisiegevallen opgebouwd door klinische en beeldvormende gegevens te verzamelen over 200 chirurgische gevallen van heuprevisie van een senior nationale expert. De database bestaat uit preoperatieve computertomografie (CT), preoperatieve röntgenfoto's, postoperatieve röntgenfoto's en demografische gegevens van patiënten. We kunnen casussen in de database matchen op basis van de huidige botdefectkenmerken van patiënten die voor een operatie zijn ingepland en de meest vergelijkbare casusscenario's vinden om de chirurg een preoperatieve referentie te geven. Deze aanpak stelt de chirurg in staat om een preoperatief idee te krijgen van het acetabulaire revisieprotocol, waardoor de intraoperatieve trial- en error-tijd wordt verkort.