JP2023521912A - 関節形成手術処置の予測転帰をモデルリングするための方法およびシステム - Google Patents
関節形成手術処置の予測転帰をモデルリングするための方法およびシステム Download PDFInfo
- Publication number
- JP2023521912A JP2023521912A JP2022562898A JP2022562898A JP2023521912A JP 2023521912 A JP2023521912 A JP 2023521912A JP 2022562898 A JP2022562898 A JP 2022562898A JP 2022562898 A JP2022562898 A JP 2022562898A JP 2023521912 A JP2023521912 A JP 2023521912A
- Authority
- JP
- Japan
- Prior art keywords
- joint
- patient
- operative
- arthroplasty
- score
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011882 arthroplasty Methods 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims description 95
- 230000002980 postoperative effect Effects 0.000 claims abstract description 138
- 238000010801 machine learning Methods 0.000 claims abstract description 113
- 230000004044 response Effects 0.000 claims abstract description 19
- 238000001356 surgical procedure Methods 0.000 claims description 68
- 230000006870 function Effects 0.000 claims description 61
- 239000007943 implant Substances 0.000 claims description 56
- 208000002193 Pain Diseases 0.000 claims description 49
- 230000033001 locomotion Effects 0.000 claims description 33
- 238000002591 computed tomography Methods 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 18
- 238000002059 diagnostic imaging Methods 0.000 claims description 14
- 238000003745 diagnosis Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 210000000323 shoulder joint Anatomy 0.000 claims description 10
- 210000000544 articulatio talocruralis Anatomy 0.000 claims description 4
- 210000002310 elbow joint Anatomy 0.000 claims description 4
- 210000004394 hip joint Anatomy 0.000 claims description 4
- 210000000629 knee joint Anatomy 0.000 claims description 4
- 238000002513 implantation Methods 0.000 claims 2
- 238000002316 cosmetic surgery Methods 0.000 claims 1
- 230000006872 improvement Effects 0.000 description 39
- 238000004422 calculation algorithm Methods 0.000 description 27
- 238000013439 planning Methods 0.000 description 18
- 238000011282 treatment Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 241001653121 Glenoides Species 0.000 description 10
- 230000008901 benefit Effects 0.000 description 10
- 210000000988 bone and bone Anatomy 0.000 description 10
- 230000000399 orthopedic effect Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 210000004872 soft tissue Anatomy 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 230000003190 augmentative effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 210000001503 joint Anatomy 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 210000000513 rotator cuff Anatomy 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 244000299461 Theobroma cacao Species 0.000 description 2
- 235000009470 Theobroma cacao Nutrition 0.000 description 2
- 210000003423 ankle Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013478 data encryption standard Methods 0.000 description 2
- 230000003412 degenerative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 210000001624 hip Anatomy 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 239000003999 initiator Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 239000003826 tablet Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000962514 Alosa chrysochloris Species 0.000 description 1
- 208000010392 Bone Fractures Diseases 0.000 description 1
- 206010070918 Bone deformity Diseases 0.000 description 1
- 206010017076 Fracture Diseases 0.000 description 1
- 208000007981 Humeral Fractures Diseases 0.000 description 1
- 206010020462 Humerus fracture Diseases 0.000 description 1
- 206010028391 Musculoskeletal Pain Diseases 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000282376 Panthera tigris Species 0.000 description 1
- 208000024288 Rotator Cuff injury Diseases 0.000 description 1
- 208000007613 Shoulder Pain Diseases 0.000 description 1
- 208000026137 Soft tissue injury Diseases 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000037182 bone density Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000001513 elbow Anatomy 0.000 description 1
- 238000002283 elective surgery Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000004095 humeral head Anatomy 0.000 description 1
- 210000002758 humerus Anatomy 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000036512 infertility Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000012148 non-surgical treatment Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000002832 shoulder Anatomy 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
- A61B90/36—Image-producing devices or illumination devices not otherwise provided for
- A61B90/37—Surgical systems with images on a monitor during operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/102—Modelling of surgical devices, implants or prosthesis
- A61B2034/104—Modelling the effect of the tool, e.g. the effect of an implanted prosthesis or for predicting the effect of ablation or burring
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
- A61B90/36—Image-producing devices or illumination devices not otherwise provided for
- A61B90/37—Surgical systems with images on a monitor during operation
- A61B2090/374—NMR or MRI
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
- A61B90/36—Image-producing devices or illumination devices not otherwise provided for
- A61B90/37—Surgical systems with images on a monitor during operation
- A61B2090/376—Surgical systems with images on a monitor during operation using X-rays, e.g. fluoroscopy
- A61B2090/3762—Surgical systems with images on a monitor during operation using X-rays, e.g. fluoroscopy using computed tomography systems [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Radiology & Medical Imaging (AREA)
- Robotics (AREA)
- Urology & Nephrology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Gynecology & Obstetrics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Surgical Instruments (AREA)
- Prostheses (AREA)
- Electrotherapy Devices (AREA)
Abstract
装置はプロセッサと非一時的メモリと含んでいる。プロセッサは術前の患者固有データを受け取るように構成されている。術前の患者固有データは第1の機械学習モデルに入力されて第1の予測術後転帰メトリックを含む第1の術後関節性能データ出力を決定する。患者の関節の再建計画は、関節の医用画像と、ユーザから取得した少なくとも1つの関節形成手術パラメータとに基づいて生成される。少なくとも1つの関節形成手術パラメータは第2の機械学習モデルに入力されて第2の予測術後転帰メトリックを含む第2の予測術後関節性能データ出力を決定する。第2の予測術後関節性能データ出力は、ユーザが関節形成手術前、関節形成手術中、又は両方において、少なくとも1つの関節形成手術パラメータを変更することに応答して、関節形成手術の推奨事項を含めるように更新される。
Description
[関連出願の相互参照]
本出願は、共同で所有されたともに係属中の「肩関節形成後の臨床転帰を予測するための機械学習技術」との表題を有する米国仮特許出願第63/011,871号に関連し、その利益を主張する、国際(PCT)特許出願であり、2020年4月17日の出願日を有し、その内容は、全体において参照により本明細書に組み込まれる。
本出願は、共同で所有されたともに係属中の「肩関節形成後の臨床転帰を予測するための機械学習技術」との表題を有する米国仮特許出願第63/011,871号に関連し、その利益を主張する、国際(PCT)特許出願であり、2020年4月17日の出願日を有し、その内容は、全体において参照により本明細書に組み込まれる。
本開示は、医療用途のための機械学習モデリングに関し、より具体的には、関節形成手術処置の予測転帰をモデリングするための方法およびシステムに関する
教師あり機械学習は、コンピュータが大規模なデータセットの複雑な構造と関係を学習して、ラベル付き特徴を利用して予測モデルを作成する人工知能のクラスである。機械学習モデルは、特徴データを使用して反復的に学習し、予測誤差を最小限に抑える。さまざまな機械学習技術の多数の商用アプリケーションがある。
いくつかの実施形態では、本開示は、例示的な技術的に向上したコンピュータベース装の装置を提供するものであり、該装置は、プロセッサと、プロセッサによって実行されるときにプロセッサに実行させる命令を格納した非一時的メモリのとの、構成要素を少なくとも含んでおり、該命令は、プロセッサに、患者の関節に行われる関節形成手術についての術前の患者固有データを受け取ること、ここで術前の患者固有データは、患者の病歴、関節の関節動作の少なくとも1つのタイプについての測定された動作範囲、及び関節に関連付けられた少なくとも1つの疼痛メトリックを含んでもよく、術前の患者固有データを少なくとも1つの第1の機械学習モデルに入力して、第1の予測術後関節性能データ出力を出力すること、ここで第1の予測術後関節性能データ出力は関節の少なくとも1つの第1の予測術後転帰メトリックを含んでもよく、第1の予測術後関節データ性能出力をディスプレイ上でユーザに表示すること、患者に行われる少なくとも1つの医療撮像処置から取得される関節の少なくとも1つの医用画像を受け取ること、患者の関節の再建計画を、関節の少なくとも1つの医用画像と、表示された第1の予測術後関節性能データ出力に応答してユーザから取得される少なくとも1つの関節形成手術パラメータとに基づいて生成すること、ここで、再建計画は、少なくとも1つのインプラント、少なくとも1つのインプラントサイズ、少なくとも1つの関節形成手術処置、関節に少なくとも1つのインプラントを埋め込むための少なくとも1つの位置、またはそれらの任意の組み合わせから選択される少なくとも1つの関節形成手術パラメータを含んでもよく、少なくとも1つの関節形成手術パラメータを少なくとも1つの第2の機械学習モデルに入力して、関節の少なくとも1つの第2の予測術後転帰メトリックを含む第2の予測術後関節性能データ出力を生成すること、第2の予測術後関節性能データ出力をディスプレイ上でユーザに表示すること、及び表示された第2の予測術後関節性能データ出力を、ユーザが関節形成手術の前、関節形成手術の間、又はその両方において、少なくとも1つの関節形成手術パラメータのいくつかを変更することに応答して、少なくとも1つの関節形成手術の推奨事項を含むように更新すること、を含んでいる。
いくつかの実施形態では、本開示は、患者の関節に行われる関節形成手術についての術前の患者固有データを、プロセッサによって受け取る以下のステップを少なくとも含む、例示的な技術的に向上したコンピュータベースの方法を提供する。術前の患者固有データには、患者の病歴、関節の関節動作の少なくとも1つのタイプについての測定された動作範囲、および関節に関連した少なくとも1つの疼痛が含まれてもよい。術前の患者固有データは、プロセッサによって少なくとも1つの機械学習モデルに入力されて、第1の予測術後関節性能データ出力を決定してもよい。第1の予測術後関節性能データ出力は、関節の少なくとも1つの第1の予測術後転帰メトリックを含んでもよい。第1の予測術後関節性能データ出力は、プロセッサによってディスプレイ上でユーザに表示されてもよい。患者に行われる少なくとも1つの医療撮像処置から取得される少なくとも1つの医用画像は、プロセッサによって受け取られてもよい。患者の関節の再建計画は、関節の少なくとも1つの医用画像と、表示された第1の予測術後関節性能データ出力に応答してユーザから取得される少なくとも1つの関節形成手術パラメータとに基づいてプロセッサによって生成されてもよい。再建計画は、少なくとも1つのインプラント、少なくとも1つのインプラントサイズ、少なくとも1つの関節形成手術処置、関節に少なくとも1つのインプラントを埋め込むための少なくとも1つの位置、またはそれらの任意の組み合わせから選択される少なくとも1つの関節形成手術パラメータを含んでもよい。少なくとも1つの関節形成手術パラメータは、プロセッサによって少なくとも1つの第2の機械学習モデルに入力されて、関節の少なくとも1つの第2の予測術後転帰メトリックを含む第2の予測術後関節性能データ出力を決定してもよい。第2の予測術後関節性能データ出力は、プロセッサによってディスプレイ上でユーザに表示されてもよい。表示された第2の予測術後関節性能データ出力は、ユーザが関節形成手術の前、関節形成手術の間、またはその両方において少なくとも1つの関節形成手術パラメータのいくつかを変更することに応答して、少なくとも1つの関節形成手術の推奨事項を含むように、プロセッサによって更新されてもよい。
本開示のいくつかの実施形態は、添付の図面を参照して、例として方法のみによって、本明細書に記載される。ここで図面を詳細に特に参照すると、示された実施形態は、例としての方法によって、本開示の実施形態の例示的な説明を目的としていることが強調される。この点に関して、図面を用いた説明は、本開示の実施形態がどのように実施され得るかを当業者に明らかにする。
開示されたそれらの利益および改善の中で、本開示の他の目的および利点は、添付の図と併せて解釈される以下の説明から明らかになるであろう。本開示の詳細な実施形態が本明細書に開示されているが、開示された実施形態は、様々な形態で具体化され得る本開示の単なる例示に過ぎないことを理解されたい。加えて、例示を意図している本開示の様々な実施形態に関して与えられた各例は、制限的なものでない。
本明細書および特許請求の範囲を通じて、以下の用語は、文脈上明らかに異なることが指示されない限り、本明細書において明示的に関連付けられた意味を有する。本明細書で使用される「1つの実施形態において」、「一実施形態において」、及び「いくつかの実施形態において」という語句は、必ずしも同じ実施形態(複数可)を指すものではないが、その可能性はある。さらに、本明細書で使用される「別の実施形態において」及び「いくつかの他の実施形態において」という語句は、可能性はあるが、必ずしも異なる実施形態を意味するものではない。本開示のすべての実施形態は、本開示の範囲または精神から逸脱することなく、組み合わせ可能であることが意図されている。
本明細書で使用される場合、用語「に基づく」は排他的ではなく、文脈上明確にそうでないように指示されない限り、記載されていない追加の要因に基づくことを許容する。また、本明細書中、「a」、「an」、「the」の意味は、複数の参照を含む。「中」の意味には、「中」と「上」が含まれる。
本明細書で使用される「備える」、「含む」、および「有する」などの用語は、特定のクレームの範囲を、特許請求の範囲によって列挙される材料またはステップに限定しない。
本明細書で参照されるすべての先行特許、刊行物、および試験方法は、参照によりその全体が組み込まれる。
EXAMPLES
EXAMPLES
上述した本開示の実施形態に対する変形、修正および変更は、当業者にとってそれ自体が明らかになるであろう。このようなすべての変形、修正、変更などは、添付の特許請求の範囲によってのみ限定される本開示の精神および範囲内に入ることが意図される。
本開示のいくつかの実施形態が説明されてきたが、これらの実施形態は例示に過ぎず、制限的なものではなく、多くの変更が当業者にとって明らかになる可能性があることが理解される。例えば、本明細書で説明されるすべての寸法は、例としてのみ提供され、例示であって制限的でないことが意図される。
この説明で明確に特定される任意の特徴または要素は、特許請求の範囲で画定される本発明の実施形態の特徴または要素として明確に除外されることもある。
ヘルスケアアプリケーションのための機械学習技術は、複雑なヘルスケアデータを実用的な知識に変換し、外科医が患者や患者の複雑な状態をよりよく理解できるようにする可能性を提供する。大量の高品質な臨床転帰データを活用することで、機械学習分析によりデータセット内のこれまで知られていなかった相関や関係を特定し、個々の患者の治療方針をより良く伝えるための予測モデルを作成できる。
整形外科領域では、質の高い転帰と患者データから得られる予測モデルは、エビデンスに基づく意思決定ツールの患者固有の実装であり、複雑な医療データをより情報に基づいた治療の意思決定を支援する実用的な知識へと変換する可能性がある。機械学習の商業的な利用は整形外科では新しいかもしれないが、研究での利用は近年増えてきている。機械学習の応用は、これまで画像ベースの解析が多かったが、機械学習技術を臨床結果の予測に利用することに関心が高まっている。予測転帰モデルは、整形外科医が関節形成などの選択的手術で利益を得る患者をよりよく特定するのに役立ち、また、人口統計、診断、併存疾患、臨床歴、および治療が類似した過去の患者の経験を活用することによって、臨床改善のために患者と外科医の期待をより一致させるのに役立つ可能性がある。患者固有の改善を予測する要因がより深く理解され、予測された結果と実際に得られた結果の整合性が高まれば、このようなエビデンスに基づく予知能力ツールを用いることで、患者の満足度は向上する可能性がある。
本開示の実施形態は、関節形成手術処置の予測転帰をモデリングするための方法及びシステムを本明細書に開示する。関節形成は、腰、膝、肩、肘、足首など、体のあらゆる関節の修復や交換に用いられるが、これらに限定されるものではない。しかしながら、これらの方法及びシステムをさらに説明するために、本開示を通じて、肩関節形成が例示的な実施形態として本明細書で使用されている。
図1は、本開示の1つ以上の実施形態による、関節形成手術処置の予測転帰をモデリングするためのシステム10のブロック図である。システム10は、サーバ15と、医用画像システム35と、電子リソース1 40A…電子リソースN 40B(Nは整数)と示される複数のN個の電子医療リソースと、全てが通信ネットワーク30を介して通信32を行うユーザ20のコンピューティングデバイス77とを含んでもよい。また、ユーザ20のコンピューティングデバイス77は、サーバ15に直接通信可能に結合37されてもよい。
いくつかの実施形態では、コンピューティングデバイス77上のグラフィックユーザインターフェース(GUI)75と対話し得るユーザ20は、患者25に実施されるべき関節形成手術処置を議論している医師であってもよい。他の実施形態では、コンピューティングデバイス77は、関節形成手術処置が行われ得る手術室などの任意の適切な場所に配置されてもよい。
サーバ15は、プロセッサ45、非一時的メモリ60、通信ネットワーク30を介して通信32を行うための通信回路70、及び/又は、例えばユーザ20にGUI75を表示するためのディスプレイ、キーボード65A及びマウス65BなどのI/O装置65を含んでもよい。
いくつかの実施形態では、サーバ15は、本明細書に記載されるシステム10における機能を実行するために、異なるソフトウェアモジュールを実行するように構成されてもよい。異なるソフトウェアモジュールは、患者固有データ収集モジュール46、コンピュータ断層撮影(CT)画像ベースのガイド付き個別化手術(GPS)関節再建計画モジュール48、初期の術前予測機械学習モデル(MLM)モジュール50、画像ベース予測MLMモジュール52、機械学習モデルトレーニングモジュール54、及びユーザのコンピューティングデバイス77上のGUI75を制御するGUI管理モジュール56などを含むことができるが、これだけに限られるわけではない。
いくつかの実施形態では、非一時的メモリ60は、複数の患者に対して行われた異なる種類の関節形成手術処置の複数の臨床転帰を有する臨床転帰データベース62を格納するように構成されてもよい。
いくつかの実施形態では、患者固有データ収集モジュール46は、通信ネットワーク30を介して複数の電子医療リソース40A、40Bのいずれかに問い合わせ、患者25から臨床データを取得できる。複数の電子医療リソース40A、40Bは、例えば、患者の健康管理団体HMO、患者25が診療を受けた病院、患者25が診療を受けた医師によって管理されてもよい。
いくつかの実施形態では、CT画像ベースGPS関節再建計画モジュール48は、医用画像システム35から受信した医用画像からのデータを分析してもよい。医用画像システム35は、例えば、X線画像、コンピュータ断層撮影(CT)画像、磁気共鳴画像、及び/又は3次元(3D)医用画像を生成してもよい。なお、3D医用画像は、複数のX線画像から生成されてもよい。医用画像は、関節の動画からのフレームを含んでもよい。
いくつかの実施形態では、機械学習モデル(MLM)トレーニングモジュール54は、システム10で使用される機械学習モデルをトレーニングするためのトレーニングデータセットを生成してもよい。例えば、MLMトレーニングモジュール54は、臨床転帰データベース62から患者の転帰データを取得し、異なるタイプの関節形成手術処置で使用される術前の患者固有データおよび関節形成手術パラメータのデータベクトルを、関節置換の既知の術後転帰メトリックに部分的にマッピングするデータセットを生成してもよい。学習された機械学習モデルは、その後、関節形成手術の前に新しい患者の入力データベクトルを与えられた関節置換の予測術後転帰指メトリックを生成してもよい。
いくつかの実施形態では、肩関節形成に関して、機械学習技術は、肩関節全置換術を受ける患者の術後の様々な術後時点における臨床転帰を術前に予測するために使用され得る。これらの予測は、例えば、解剖学的全肩関節形成術(aTSA)やリバース型全人工肩関節置換術(rTSA)の後に特定の患者が経験することが予想されることを肩の外科医に知らせるために使用できる。モデル入力のリストは、医療従事者から、及び/又は、先に述べたように電子医療リソースのいずれかに照会することにより、ソフトウェア統合を通じて患者の電子医療記録から自動的に取得してもよい。本開示はaTSAとrTSAの転帰予測に焦点を当てているが、これらのモデルは半関節形成、骨折の再建、内部人工器官、表面置換術、および第一次関節形成対再関節形成の転帰予測など、他の肩関節形成アプリケーションに適用することも可能であり得る。
いくつかの実施形態では、これらの予測モデルへの入力に関して、所定の肩関節全置換術患者の予測転帰は、患者固有の診断及び骨/軟組織の形態的考察を考慮するために、例えば、異なるサイズの上腕骨頭、上腕骨ステム、グレノスフェア、関節窩又は上腕骨補強材などの異なるインプラントサイズ、例えば、aTSA、rTSA、半関節形成、表面置換、ショートステム、ステムレス、骨折関節形成、内部人工器官、修正装置などのインプラントタイプ、及び/又は、例えば、三角胸、上外側、肩甲下部の温存などの外科的手法を用いて、最適な臨床転帰に対する推奨事項を提供するためにさらに改良されてもよい。
いくつかの実施形態では、機械学習予測転帰アルゴリズムを使用して、患者の術後の臨床転帰を術前に予測することは、患者および外科医にとって価値のある多数の追加の実用的なアプリケーションを有する可能性がある。第一に、複数の異なる患者申告転帰メトリック(PROMs)と能動的可動域(ROM)測定値に関して、患者満足度アンカに基づく最小臨床的重要度差(MCID)と実質的臨床効果(SCB)の閾値と比較して、aTSAとrTSA後にどの患者が臨床改善を達成しうるかを術前に特定できることは、整形外科医にとって、これらの選択的処置に適した候補患者を客観的に特定するのに有益である可能性がある。また、整形外科医が特定の患者のインプラントの種類を決定するのにも役立つ。一部の患者には非手術治療が最適な場合があるため、この予測は、患者、外科医、病院、および/または支払者にとってより効率的なリソース割り当てを表す可能性がある。
本開示において、用語「転帰メトリック(指標)」および「転帰測定」は、本明細書において交換可能に使用され得る。「機械学習モデル」、「機械学習モジュール」、「機械学習予測転帰アルゴリズム」、「予測転帰アルゴリズム」および/または「予測転帰モデル」という用語は、本明細書では交換可能に使用され得る。
いくつかの実施形態では、複数の手術後の時点での臨床的改善の患者固有の予測は、この選択的処置後に何が達成できるかについて患者と外科医の期待を一致させるのに役立ち得る。術前の期待と術後の満足度との関連性を考えると、臨床的改善の大きさと速度の両方で外科医と患者の整合性が向上すると、患者の満足度が向上する可能性がある。さらに、特定の患者のさまざまな手術後の時点で期待できる臨床的改善の量の理解を深めることは、外科医がリハビリテーションのプロトコルを確立するのに役立つ可能性がある。これは、外科医と患者の両方が、不安定性、無菌性のゆるみ、感染など、aTSAおよびrTSAに関連する手順固有のリスクとこれらの利益を比較検討するのにも役立つ可能性がある。
いくつかの実施形態では、本明細書に開示される機械学習技術は、特定の診断に基づいて転帰および改善を予測し、また、様々な合併症の危険因子を有する患者を予測および/または識別するために拡張され得る。さらに、予測モデルは、患者を適切にリスク層別化するのに役立ち、外来手術センターで安全に手術を受ける可能性のある患者や、病院で入院手術と外来手術を受ける必要がある患者を特定するなど、医療ワークフローに関する推奨事項を作成する可能性がある。予測モデルは、特定の患者に対して、関節形成後の入院期間について推奨する場合がある。
いくつかの実施形態では、予測モデルは、転帰に影響を与える要因のより良い理解を提供でき、整形外科医が疼痛緩和、機能、および可動性に関する患者固有の要件に関して各患者のケアを個別化するとともに、予測モデル出力に入力され、説明される患者固有の特性に基づいて、関節形成手術処置が彼らのニーズをどれだけ満たすことができるかを患者がよりよく理解できるように、整形外科医を支援する可能性がある。
図2は、本開示の1つ以上の実施形態に従って、臨床転帰データベースにおいて、術後に「ずっと良い」または「悪い」と表現することになる解剖学的全肩関節形成術(aTSA)患者の術前の転帰を比較する、術前可動域(ROM)スコア対術前転帰スコアを示すグラフである。
図3は、本開示の1つ以上の実施形態に従って、臨床転帰データベースにおいて、術後に「ずっと良い」又は「悪い」と表現することになるリバース型全人工肩関節置換術(aTSA)患者の術前の転帰を比較する、術前可動域(ROM)スコア対術前転帰スコアを示すグラフである。
図2及び3の両方において、臨床転帰データベース62におけるaTSA及びrTSA患者の術前転帰は、最新の追跡調査中に「ずっと良い」と術後に評価するaTSA及びrTSA患者と「悪い」と評価する患者に基づいてもよいことに注意されたい。図2および図3の両方において、2つのコーホート間の患者の分布が比較的等しいことから、整形外科医がこれらの患者を識別し、特定の患者が所定の処置を受けた場合に「はるかに良い」転帰か「悪い」転帰かを手術前にこれらのパラメータのみに基づいて区別することが困難である可能性があることに留意されたい。
いくつかの実施形態では、現在利用可能な知識および臨床ガイドライン、ならびに既知の危険因子に基づいて、どの患者が悪い転帰を達成し、どの患者が処置に不満を持つかに関して、関節形成外科医が術前に特定することは通常困難であるため、証拠ベースの術前予測転帰ツールは、関節形成術後に達成される患者固有の利得を確立するために外科医を客観的におおいに支援する。
aTSAおよび/またはrTSAを受けた患者では、満足していない患者(例えば、非手術状態と比較して「変化がない」または「悪化している」と述べている患者)と比較して、約90%の患者が手順に満足していると報告しており(例えば、患者が非手術状態に比べて「良くなった」または「かなり良くなった」と述べている)、肩関節全置換術の後の患者では肯定的な転帰が一般的である可能性がある。しかし、これらの悪い転帰を達成する患者の予測可能性は、aTSA(図2)とrTSA(図3)の両方について、術後に「悪化」する人と比較した「ずっと良くなる」患者と比較される術前の転帰の提示によって示されるように、確実性が低くなる可能性がある。
機能の改善と、手術後の特定のフォローアップ時に患者が特定の平面で達成する可動域の量を考慮すると、肩関節全置換術の後の転帰の予測可能性はそれほど確実ではないかもしれない。たとえば、ほとんどの肩の外科医は、rTSA後の能動的回転の改善と能動的回転の量は予測できないと考えているため、腕を能動的に回転させる能力が向上するかどうかを患者に正確にアドバイスできない可能性がある。
肩関節全置換術の後に患者が全可動域を回復するまでの回復時間、および測定のためのさまざまな患者申告転帰指標によって測定された完全な転帰(PROM:例:ASES、コンスタント、UCLA、肩機能、単純肩テスト)(SST)、肩の疼痛と障害指数(SPADI)、VAS疼痛、肩関節形成スマートスコアなど)、患者が経験する可能性のある改善の大部分は、通常、関節形成の処置後最初の6か月以内に達成される。しかし、一部の患者は、完全な可動域を達成するため、または最大のPROMスコアを得るために、手術後2年もかかる場合がある。
さらに、全可動域および/または最大PROMスコアは、たとえば患者の人口統計、併存疾患、診断、診断の重症度/変性状態、骨/軟組織の質、骨の形態、インプラントの選択タイプ、インプラントのサイズ、インプラントの配置、および/または外科的技術情報などを含むがこれらに限定されない多くの異なる要因により、患者間で異なる場合がある。したがって、外科医と患者の期待は正確ではなく、上記の要因のすべてが原因で一致しない可能性があり、その結果、手術に対する不満が高まる可能性がある。したがって、患者と外科医がより正確な期待、改善された予測可能性、および改善された満足度を達成するのをより適切に支援するために、可能なすべての変数を考慮して、肩関節全置換術の後にPROMおよびROMによって定義された転帰をより適切かつ正確に予測する必要がある。
図4は、本開示の1つまたは複数の実施形態による、解剖学的全肩関節形成術(aTSA)の患者およびリバース型全人工肩関節置換術(rTSA)の手術時年齢分布を示すグラフである。図4は、高齢の患者はaTSA処置よりもrTSA処置を受ける可能性が高く、若い患者はaTSA処置を受ける可能性が高いことを示している。患者がrTSAを受ける可能性が高くなる交差年齢は、手術時の年齢が64歳である。手術時に75歳以上の患者の場合、比率はaTSAと比較したrTSAに関して4:1である。
さらに、最近のaTSAとrTSAと間の兆候の融合、および、aTSAで主に発生する回旋筋腱板関連の合併症の発生を軽減するために、肩の外科医による高齢患者へのrTSAの使用を増やすという最近の傾向の変化により、rTSAではなく、図4に示すように、どの関節形成がより良い転帰をもたらすかを外科医がより正確に予測できるようにする必要がある。
本明細書における実施形態は、臨床転帰データベース62からの転帰データ(例えば、本明細書において実装される機械学習予測モデルのトレーニングに使用され得る)の多変量に基づく機械学習分析を使用して、関節形成外科処置後に耐えた関節の転帰及び可動域を予測する、図1のシステム10に示される、方法、ワークフロー、及びコンピュータソフトウェアシステムを説明するものである。したがって、トレーニングされた機械学習予測モデルは、術前に、その特定の患者が達成し得る術後転帰メトリックをより正確に予測するために、関節形成を受けるであろう特定の患者の患者固有データのそれに、それらの統計的傾向および関係を外挿できる。
いくつかの実施形態では、外科医は、この予測モデル由来の情報を利用して、様々なインプラントの種類及びサイズについての様々な術後時点において複数の異なる転帰メトリクスによって測定される転帰を特定するのに役立ち、また、他の同様の患者の経験に基づいて転帰を外挿するように、臨床転帰データベース62からの他の同様の患者とそれらの転帰結果を比較するのに役立つことがある。
いくつかの実施形態では、予測モデルは、検討中の関節内の様々な定義された診断、併存疾患、骨変形、および/または軟組織状態について、臨床転帰データベース62内の他の患者と比較して、異なるインプラントタイプ(肩関節形成術のaTSA対rTSAなど)、異なるインプラントサイズ、および異なるインプラント位置で達成される転帰の範囲を比較するために使用されてもよい。これらの配慮はすべて、実際の結果に対するより正確な期待を確立し、伝達し、外科医と患者との連携をより良くするために使用されるかもしれない。
いくつかの実施形態では、予測モデルは、臨床転帰データベース62からのデータを利用して、このデータにおける複雑な相互作用を識別し、データを分類し、および/または術後転帰に対する最も重要な寄与因子および関連性を識別し得る。これらの予測アルゴリズムは、さまざまな異なるPROMおよび可動域測定値の同様の新しいケースの術後結果をさらにモデリングし、予測できる。予測モデルのそれぞれは、単独で分析されるか、および/または1つの予測モデルの結果が別の新しい予測モデルへの入力となるシリーズに連結される可能性がある。
いくつかの実施形態では、本開示に示される例示的な実施形態のために作成された肩関節全置換術の予測モデルは、8,000人を超える患者および20,000回の術後患者訪問からの臨床転帰データベース62からのデータを使用してトレーニングされた。分析の基礎となる各患者について、約300の術前データ入力があった。この予測分析は、複数の様々な決定木からの結果を組み合わせて、肩関節全置換術による転帰に最も有意に関連する術前パラメータを特定し順位付けするように、回帰分析、深層学習ベースの分析、少なくとも一つのアンサンブルベースの決定木学習方法、又はそれらの任意の組み合わせを実行してもよい。
いくつかの実施形態では、例えば、患者の人口統計、併存疾患、診断、診断/変性状態の重症度、骨/軟組織の質、骨形態、インプラント選択タイプ、インプラントの大きさ、インプラント位置、および/または手術手技情報に関連するデータのうち、これらのパラメータならびに最も関連する危険因子を特定および順位付けることによって、予測モデルは、この臨床履歴の大規模データベースを活用することによって特定の患者にとって可能性のある最良の転帰を提供すべく外科医の支援を行う可能性がある。予測モデルは、これらのパラメータ間の複雑な相互作用を特定し、伝達する際に、外科医に実用的な推奨事項を提供できる。
いくつかの実施形態では、予測モデルが外科医20によってコンピューティングデバイス77上でアクセスされ得るシステム10は、外科医が選択し得るどのインプラントタイプおよびインプラントサイズに関する推奨事項を提供し、これらのインプラントがどこに配置されるべきかという推奨事項を提供する、術前計画ソフトウェアであってもよい。
いくつかの実施形態において、予測モデルが外科医20によってコンピューティングデバイス77上でアクセスされ得るシステム10は、外科医および/または病院スタッフによる術中所見(例えば、外科的処置中)に基づく術前計画のオンザフライ変更を可能にする術中コンピュータナビゲーションまたはロボットシステム用のGUI75を提供してもよい。前述の実行可能なガイダンスの各々は、術中に予測モデルによって伝達されてもよい(例えば、インプラントのタイプ、インプラントサイズ、及び/又はインプラントの位置)。逆に、予測モデルは、患者、外科医、または他の医療専門家がアクセス可能な複数の異なるソフトウェアプラットフォームで利用可能なスタンドアロンソフトウェアアプリケーションを介してアクセスされてもよい。
いくつかの実施形態では、2004年11月から2018年12月の間に単一プラットフォーム型人工肩関節(例えば、Equinoxe、Exactech Inc.,Gainesville,FL参照)を受けた肩関節形成術患者の臨床転帰データベース62のデータを分析するために、線形回帰ベース、木ベース、及び/又は深層学習ベースの機械学習を含む3つの教師あり機械学習技術が使用されてもよい。すべての人工肩関節置換術患者はデータ共有に同意し、すべてのデータは、施設審査委員会(IRB)が承認したプロトコルに従って、標準化されたフォームを使用して収集された。
いくつかの実施形態では、均質なデータセットを確保するために、再置換、上腕骨骨折の診断、および半関節形成術の症例がある患者は除外された。また、追跡期間が3ヶ月未満の患者も除外された。これらの基準により、17,427回の術後経過観察訪問を有する5,774人の患者の術前、術中、術後データ、17,427人の術後経過観察データが利用可能となり、ASES、UCLA及びコンスタントメトリック、包括的肩機能スコア(0=可動性なし、10=通常)、VAS疼痛スコア(0=痛み無し、10=極度の痛み)、能動的外転(正面から見て0°~180°の腕の高さ)、能動的前方挙上(矢状面における0°~180°の腕の高さ)、能動的外旋(腕を横にした状態で-90°~90)、3-6ヶ月、6-9ヶ月、1年[9-18ヶ月]、2年[18-36ヶ月]、3-5年[36-60月]、5年以上[60ヶ月以上]における術後スコアを予測するアルゴリズムをトレーニングし生成する。各患者の臨床訪問時に関節角度計を用いて能動的可動域を測定した。
いくつかの実施形態では、予測アルゴリズムは、各スコアを導出するために使用される個々の質問を含む、人口統計データ、診断、併存疾患、インプラントの種類、術前ROM、術前X線所見、および術前PROMスコア(ASES、SPADI、SST、UCLA、およびコンスタントメトリックなど)を使用して、トレーニングされて生成され、合計で291のラベル付き機能が利用された。2,153人の主要なaTSA患者(7,305回の訪問。平均追跡期間=26.7か月)と3,621人の主要なrTSA患者(10,122回の訪問。平均追跡期間=22.8か月)からの臨床データを使用して、手術後の各時点:3~6か月(aTSA=1282回訪問およびrTSA=222回7訪問)、6~9か月(aTSA=658回訪問およびrTSA=1177回訪問)、1年(aTSA=1451回訪問およびrTSA=2445回訪問)、2~3年(aTSA=1347回訪問およびrTSA=1882回訪問)、3~5年(aTSA=1321回訪問およびrTSA=1482回訪問)、および5年以上(aTSA=1246回訪問およびrTSA=907回訪問)で、予測モデルをトレーニングして生成した。このデータの66.7%を無作為に選択してトレーニングコ-ホートを定義し、残りの33.3%を検証テストコーホートとして定義し、各アルゴリズムの予測誤差を評価するために使用した。
いくつかの実施形態では、予測モデルは、1)線形回帰、2)XGBoost、および3)幅および深さの3つのトレーニングされた教師あり機械学習技術を含んでもよい。
これらの予測モデルの一般的な技術的背景として、線形回帰モデルは、完全なトレーニングデータセットからの術前データ(入力変数)と転帰データ(出力変数)との間の線形関係を想定してモデリングする。XGBoostモデルは、重回帰木のアンサンブル手法である。これらの回帰木は、ブーストと呼ばれる方法を使用して、トレーニングデータセット全体を複数の小さなバッチに繰り返し分割することによって構築できる。XGBoostは、欠損値とデータの希薄性を比較的適切に処理できる。幅及び深さモデルは、線形回帰モデルと深層学習モデルのハイブリッドであり、入力がまばらな分類問題に特に役立つ。臨床転帰データベース62の機能はカテゴリに分類される可能性があるため、幅及び深さモデルはこの手法に適している可能性がある。
いくつかの実施形態では、深層学習コンポーネントは、前の層からの入力に基づいてモデル係数を計算し、最終的にそれらの係数を転帰予測モデルの最上層に伝播する階層化関数を利用できる。幅(または線形コンポーネント)は高密度/数値機能に使用でき、深さ(またはフィードフォワードニューラルネットワークコンポーネント)は希薄/カテゴリ機能に使用できる。検討コントロールとしてのベースライン平均分析を使用して、各予測モデルの相対精度を評価できる。
図5は、本開示の1つまたは複数の実施形態による、コーホート全体、aTSA、およびrTSAの各転帰メトリック(尺度)についての最小臨床的重要差(MCID)および実質的臨床効果(SCB)の閾値を示す表である。各モデルの主要なターゲットを使用して、各手術後の時点での手術後の転帰指標を予測できる。Simovitchらによって以前に確立された各指標のMCIDおよびSCB患者満足度アンカベースの閾値よりも大きな臨床的改善を患者が経験する場合、二次的目標を特定できる。図5を参照のこと。MCIDは、改善のための下限閾値を表すことができ、所与の治療による有意な変化として患者が認識する最小限の改善を定義できる。SCBは、患者が知覚する実質的な利益を達成するための改善の目標レベルを表している可能性があるという点で、MCIDとは異なる場合がある。
いくつかの実施形態では、各モデルの主要ターゲットの予測性能は、33.3%の検証試験コーホートにおけるaTSAおよびrTSA患者の各転帰指標の実際の値と予測値との間で、平均絶対誤差(MAE)によって定量化され得る。モデルの解釈を容易にするために、XGBoostモデルのFスコアを使用して、最も予測性の高い特徴を特定できる。Fスコアは、特定の特徴が決定木アルゴリズムの分割の候補として使用される可能性がある頻度を定量化できる。二次目標のパフォーマンス、または患者が2~3年の追跡調査で各転帰指標のMCIDおよびSCB改善の閾値を達成するかどうかを特定するための各モデルの精度は、モデルがネガティブをポジティブとして識別しない能力を定量化するための正確性の分類化メトリック、モデルがポジティブをポジティブとして識別する能力を定量化するための再現度、正確性スコアと再現度スコアの間の調和平均を定量化するためのF1スコア、予測の総数に対して予測を訂正する比率を定量化するための精度、および/または受信者動作曲線下の領域(AUROC)を使用して定量化することができ、これらすべてがモデルの全体的な精度を決定する可能性がある。これらの予測モデルの結果は以下の表の通りである。
図6は、本開示の1つまたは複数の実施形態による米国肩肘外科スコア(ASES)の予測モデルに関連付けられた平均絶対誤差(MAE)の比較を示す表である。
図7は、本開示の1つまたは複数の実施形態によるカリフォルニア大学ロサンゼルス校(UCLA)の予測モデルに関連付けられた平均絶対誤差(MAE)の比較を示す表である。
図8は、本開示の1つまたは複数の実施形態によるコンスタントの予測モデルに関連付けられた平均絶対誤差(MAE)の比較を示す表である。
図9は、本開示の1つまたは複数の実施形態による包括的肩機能スコアの予測モデルに関連付けられた平均絶対誤差(MAE)の比較を示す表である。
図10は、本開示の1つまたは複数の実施形態による視覚的アナログスケール(VAS)疼痛スコアの予測モデルに関連付けられた平均絶対誤差(MAE)の比較を示す表である。
図11は、本開示の1つまたは複数の実施形態による能動的外転の予測モデルに関連付けられた平均絶対誤差(MAE)の比較を示す表である。
図12は、本開示の1つまたは複数の実施形態による能動的前方挙上の予測モデルに関連付けられた平均絶対誤差(MAE)の比較を示す表である。
図13は、本開示の1つまたは複数の実施形態による能動的外旋の予測モデルに関連付けられた平均絶対誤差(MAE)の比較を示す表である。
aTSAおよびrTSAの1年後、2-3年後、3-5年後、および5年以上後における、ASES(図6)、UCLA(図7)、コンスタント(図8)PROM、包括的肩機能スコア(図9)、VAS疼痛スコア(図10)、能動的外転(図11)、前方挙上(図12)、およびの外旋(図13)についての主要目標予測が、図6-13の表に示されている。幅モデルと深さモデルは、各時点ですべての指標のMAEが最も低く、次にXGBoostモデルと線形回帰モデルが続いた。精度の違いにもかかわらず、3つの予測転帰アルゴリズムはすべて、ベースラインの平均モデルよりも低いMAEを有していた。
加重平均MAEに基づくと、各機械学習技術はコンスタントスコア(±7.56%のMAE)を最も正確に予測し、次いでUCLAスコア(±8.16%のMAE)、最後にASESスコア(±10.45%のMAE)が続いた。分析した術後のすべての時点にわたって、幅及び深さ予測モデルの平均MAEは、包括的肩機能スコアで±1.2、VAS疼痛スコアで±1.9、能動的外転で±19.5°、前方挙上で±15.9°、外旋で±11.4°であった。aTSAとrTSAの患者間の差は、各スコア、分析した各運動面、術後の時点の間でわずかな差しかなく同様であった。なお、このデータ及び技術を用いて、内旋スコア、視覚的アナログスケール疼痛、及び/又は肩関節形成スマートスコアなどの他の予測モデルを生成できる。
図14は、本開示の1つ以上の実施形態による、Fスコアによってランク付けされた患者申告転帰指標(PROM)を予測するためにXGBoost機械学習アルゴリズムによって識別された、上位5つの最も予測性の高い特徴の比較を示す表である。図15は、本開示の1つ以上の実施形態による、Fスコアによってランク付けされた痛み、機能、及びROMを予測するためのXGBoost機械学習アルゴリズムによって識別された、上位5つの最も予測性の高い特徴の比較を示す表である。
いくつかの実施形態では、各PROM(図14)、及び疼痛、機能、及びROM指標(図15)について、XGBoost予測モデルによって利用される、上位5つの最も予測性の高い特徴が、図14~15の表に示されている。本開示の実施例では、使用した291個の特徴について、XGBoost予測モデルは、PROMモデル、疼痛、機能、ROMモデルの間で若干の違いが観察されたが、Fスコアランクの上位5個の特徴量で優れた一致が得られた。術後の回復期間を表す「経過観察期間」は、すべてのモデルで使用される最も予測性の高い特徴として識別された。
いくつかの実施形態では、PROMに関して、2つの異なる術前PROM(SPADIおよびASES)と、能動的ROMの4つの異なる術前指標も、分類上の質問「手術は利き手に行うか?」と共に、高い予測性を有することが観察された。疼痛、機能、ROMの指標に関して、「手術は利き手に行うか」という分類上の質問は、すべてのモデルで2番目に予測性の高い特徴として識別された。分類上の質問「性別は女性か?」は、1つを除くすべてのモデルで3番目に予測性の高い特徴として識別された。その他の予測性の高い特徴は、術前のSPADIスコア、2つの異なる術前の2能動的ROMの指標、および分類上の質問「患者は肩の手術を受けたことがあるか?」であった。
図16は、本開示の1つ以上の実施形態による、ASES、UCLA、及びコンスタントスコアのそれぞれについてMCIDの閾値を超える臨床的改善を経験した、aTSA及びrTSA患者を予測するXGBoostアルゴリズムの精度の比較を示す表である。
図17は、本開示の1つ以上の実施形態による、能動的外転、能動的前方挙上及び能動的外旋のROM測定値についての包括的肩機能スコア及びVAS疼痛スコアのそれぞれについて、MCIDの閾値を超える臨床的改善を経験した、aTSA及びrTSA患者を予測するXGBoostアルゴリズムの精度の比較を示す表である。
図18は、本開示の1つ以上の実施形態による、ASES、UCLA、及びコンスタントスコアのそれぞれについて、SCBの閾値を超える臨床的改善を経験した、aTSA及びrTSA患者を予測するXGBoostアルゴリズムの精度の比較を示す表である。
図19は、本開示の1つ以上の実施形態による、包括的肩機能スコア及びVAS疼痛スコアのそれぞれについて、並びに能動的外転、前方挙上、及び外旋ROMの指標について、SCBの閾値を超える臨床的改善を経験した、aTSA及びrTSA患者を予測するXGBoostアルゴリズムの精度の比較を示す表である。
いくつかの実施形態において、PROMモデル(図16)及び2~3年後の経過観察における疼痛、機能、及びROMモデル(図17)の二次目標のMCID予測は、図16~17の表に示されている。XGBoostのPROMモデルは,aTSA患者についてはMCIDで93-95%の精度,AUROCで0.87-0.94を示し,rTSA患者についてはMCIDで93-99%の精度,AUROCで0.85-0.97を示していた。他の実施形態では、XGBoost疼痛/機能/ROMモデルは、aTSA患者についてMCIDで85~94%の精度、AUROCで0.79-0.91を示し、rTSA患者についてMCIDで90-94%の精度、AUROCで0.78-0.90を示していた。
いくつかの実施形態において、PROMモデル(図18)及び2~3年後の経過観察における疼痛、機能、及びROMモデル(図19)についてのSCBの予測は、図18~19の表に示されている。XGBoostのPROMモデルは,aTSA患者についてはSCBで82~90%の精度,AUROCで0.80~0.90を示し,rTSA患者についてはSCBで87~93%の精度,AUROCは0.81~0.89を示していた。他の実施形態では、XGBoost疼痛/機能/ROMモデルは、aTSA患者について、SCBで76-89%の精度、AUROCで0.73-0.86を示し、rTSA患者についてSCBにで88-90%の精度、AUROCで0.77-0.88を示していた。
いくつかの実施形態では、予測転帰分析は、aTSA及びrTSAの両方について、術後の多数の経過観察時点における3つのPROMスコア、疼痛及び機能スコア、並びに3つの能動的ROM指標を正確に予測するモデルを生成するための複数の機械学習技術の有効性を示す可能性がある。PROM、疼痛緩和、機能に関する予測精度は、分析される各時点においてaTSA患者とrTSA患者で同等であった。幅と深さの技術は、総合的に最も優れた予測性能を一貫して示した。最も重要なことは、これらのモデルは、悪い転帰のリスクが最も高い患者(例:MCIDの閾値を達成できない)を正確に識別し、優れた転帰を達成する可能性が最も高い患者(例:SCBの閾値を達成するように)を正確に識別することによって、患者をリスク層別化できることである。
しかし、これらの肩関節形成の例で使用される291の例示的な変数入力の使用は、外科医と患者の大きなデータ入力と時間の負担を考えると、整形外科医が臨床で使用する実用的なツールではないかもしれない。この分析のFスコア結果と肩関節全置換術に関連する広範な分やの知識の適用を検討した結果、元のモデルの入力の10~20%しか必要としない簡略モデルが生成された。したがって、このようなソフトウェアによる予測転帰ツールの臨床展開は、モデルの予測精度を犠牲にすることなく、整形外科医が臨床で使用するのにより実用的である可能性がある。
図20は、本開示の1つまたは複数の実施形態にかかる、包括的肩機能スコア、VAS疼痛スコア、および能動的外転、能動的前方挙上、および能動的外旋を計算するための、機械学習モデルへの予測モデル入力のリストを示す表である。
図21は、本開示の1つまたは複数の実施形態にかかる、ASESスコアを計算するための、機械学習モデルへの追加の予測モデル入力のリストを示す表である。これらは、図20に示されているものに加えた、予測モデルの入力である。
図22は、本開示の1つまたは複数の実施形態によかかる、コンスタントスコアを計算するための、機械学習モデルへの追加の予測モデル入力のリストを示す表である。これらは、図20に示されているものに加えた、予測モデルの入力である。図20~22のCT前計画予測モデルおよびCT後予測モデルは、それぞれ、図1のシステム10における最初の術前予測MLM50および画像ベース予測MLM52と同等であり得る。
いくつかの実施形態では、3重の予測転帰モデル(1.能動的ROM、疼痛スコア及び包括的肩機能スコア=19のユーザ入力、2.AES=10の追加のユーザ入力、3.コンスタント=20の追加のユーザ入力)が定式化されてもよく、これは、画像ベース(例えば、3DCTベース)手術計画ステップの前のデータ入力を使用して、本明細書では初期術前予測モデルとも呼ばれる第1の予測モデルを生成するステップと、画像ベース(例えば、3DCTベース)手術計画ステップから取得した追加のデータを含んでいる、本明細書では最終術前予測モデルとも呼ばれる第2の予測モデルを生成するステップとの2ステップに分けられ得る。第1の予測モデルで使用されるデータは、患者の人口統計、診断、併存症、患者の病歴、能動的可動域の医師の測定値、いくつかの高度に予測可能な質問に対する患者固有の回答、およびASES及びConstantスコアを有する質問についての患者固有の回答を利用する場合がある。これらの3重転帰モデルについてのこれらの質問の完全なリストは、それぞれ図20、21、および22の表にそれぞれ示されている。
いくつかの実施形態では、第2の予測モデルで使用されるデータは、画像ベース(例えば、3DCT)再建手術ステップにおいて患者の骨に解剖学的に適合する理想的なインプラントのサイズ、タイプ、および位置のポジショニングを指示する外科医からの出力を利用してもよい。診療所から手術までの患者の流れ、およびどのようにしてこれらの予測モデルの医療前撮像(CT)計画および医療後撮像(CT後)計画を使用して、各ステージで適切な治療を決定するかを説明する提案されたワークフローは、図23で説明されている。
図23は、本開示の1つまたは複数の実施形態にかかる、関節形成の外科的処置の予測転帰をモデリングするための例示的なフロー図100である。図1を参照した例示的なフロー図100は、患者25が診療所に入り(ステップ105)、関節を改善または交換する関節形成の外科的処置について医師20と相談することを含んでもよい。医師20は、患者25から術前の患者固有のデータを収集してもよく、これは、コンピューティングデバイス77のプロセッサ45によって実行される患者固有データ収集モジュール46に入力されてもよい。代替的に、および/またはオプションで、患者固有データ収集モジュール46は、通信ネットワーク30を介してサーバー15によって受信され得る患者固有の術前データについて、複数のN個の電子リソース(40Aおよび40B)に質問してもよい。術前の患者固有データが、患者の病歴、関節の動きの少なくとも1つのタイプについての少なくとも1つの運動の測定された範囲と、関節に関連する少なくとも1つの疼痛と、またはそれらの任意の組み合わせをさらに含む場合に、受信したデータセットは、患者の関節に行われる関節形成手術の術前の患者固有データを含むことができる。
いくつかの実施形態では、受け取った術前の患者固有データは、本明細書では第1の機械学習モデルとも呼ばれる初期の術前予測機械学習モデル(MLM)115(例えば、図1の初期の術前予測MLM50)に入力され得る。
いくつかの実施形態では、初期の術前予測MLM115は、少なくとも1つの第1の予測関節術後性能メトリックを含む第1の予測術後関節性能データ出力を決定でき、その後、コンピューティングデバイス77のディスプレイ上で例えば医師20等のユーザに対して表示できる。
いくつかの実施形態では、医師20および患者25は、最初の患者相談120を有し得る。医師20および/または患者25は、関節の関節形成手術を継続するか、手術を遅らせるか、または病気の関節に対して他の治療125を追求することを決定できる。
いくつかの実施形態では、医師20は、患者25に行われる少なくとも1つの医用撮像処置から得られたコンピュータ断層撮影法(CT)スキャン130など、患者25が関節の少なくとも1つの医用画像を受け取ることができるように要求できる。関節の少なくとも1つの医用画像は、X線画像、コンピュータ断層撮影(CT)画像、磁気共鳴画像、三次元(3D)画像、および/または複数のX線画像に基づく3D医用画像を含み得る。関節の少なくとも1つの医用画像はまた、関節に付着および/または関節を形成する骨および/または結合組織の画像を含み得る。
いくつかの実施形態では、ガイド付き個人化手術(GPS)術前計画135ステップにおいて、CT画像ベース(GPS)関節再建計画モジュール48は、サーバ15上のプロセッサ45によって実行されるソフトウェアプログラムであり得るが、GUI75に表示されている関節の再建計画を生成し得る。CT画像ベース(GPS)の関節再建計画モジュール48は、本明細書では、図20のようにGPS計画ソフトウェアと呼ばれることもある。
いくつかの実施形態では、再建計画は、医師が第1の予測術後関節性能データ出力を検討することに応じて、医師によって選択された少なくとも1つの関節形成術パラメータを利用できる。再建計画は、少なくとも1つのインプラント、少なくとも1つのインプラントサイズ、少なくとも1つの関節形成手術処置、および/または関節に少なくとも1つのインプラントを埋め込むための少なくとも1つの位置から選択されるがこれらに限定されない、少なくとも1つの関節形成術手術パラメータを含むことができる。再建計画は、関節に埋め込まれた少なくとも1つのインプラントの画像と共にGUI75に表示され得る、CTスキャン130などの関節の少なくとも1つの医用画像の異なるビューを含んでもよい。他の実施形態では、肩関節形成の場合、少なくとも1つの関節形成手術パラメータは、図20の表に示されるように、GPS計画ソフトウェアからのユーザ入力のいずれかを含むこともできる。
いくつかの実施形態では、少なくとも1つの関節形成の手術パラメータは、本明細書において第2の機械学習モデルとも呼ばれる最終的な術前予測モデル140(例えば、図1の画像ベース予測MLM52)に入力されてもよい。少なくとも1つの関節形成手術パラメータは、例えば肩関節形成の場合、図20の表に示されるようなCT後計画予測モデル(例えば、最終的な術前予測モデル140)へのデータ入力のいずれかを含んでもよい。他の実施形態では、第2の機械学習モデルへのデータ入力は、第1の機械学習モデルへの入力のいずれかと同様に、再建計画から抽出された任意の適切なパラメータを含んでもよい。いくつかの実施形態において、第1の機械学習モデル(例:初期術前予測MLM115)と第2の機械学習モデル(例:最終術前予測モデル140)は、同じ機械学習モデルであってもよい。
いくつかの実施形態では、プロセッサ45によって実行される関節形成手術処置の予測転帰をモデリングするためのソフトウェアアプリケーションは、ソフトウェアモジュール、つまり患者固有データ収集モジュール46、CT画像ベースのガイド付き個別化手術(GPS)関節再建計画モジュール48、初期の術前予測機械学習モデル(MLM)モジュール50、画像ベース予測MLMモジュール52、機械学習モデルトレーニングモジュール54、及び/又はGUI管理モジュール56のいずれか又は全てを含んでもよい。他の実施形態では、初期の術前予測機械学習モデル(MLM)モジュール50と画像ベース予測MLMモジュール52は、同じ機械学習モデルであってもよい。
いくつかの実施形態では、関節形成の外科的処置の予測転帰をモデリングするためのソフトウェアアプリケーションは、プロセッサ45によって実行されてもよく、GUI管理56は、サーバ15からの入力及び/又は出力を提供するためのコンピューティングデバイス77上で実行されているGUI75を遠隔制御してもよい。
いくつかの実施形態では、第1の予測術後関節性能データ出力及び/又は第2の予測術後関節性能データ出力は、術前の患者固有データ、関節の医用画像、及び関節形成手術パラメータなどのデータ入力に基づく関節の予測術後転帰メトリックのリストを予測転帰機械学習モデルに出力するなど、任意の適切な形式で医師20にGUI75上に表示されてもよい。関節の医用画像に基づき、関節に埋め込まれたインプラントを視覚的に表現したもの。関節に埋め込まれたインプラントの視覚的表現は、GUI75上に表示され得る関節の生画像、強化画像、及び/又は拡張画像を含んでもよい。
いくつかの実施形態では、第2の予測術後関節性能データ出力は、外科医が関節形成の手術パラメータを変化させることによって術後関節性能を最適化できるように、外科的処置、インプラントタイプ、インプラントサイズ、インプラント位置の組み合わせの少なくとも一つの関節形成の推奨事項を、それぞれの組み合わせに対するモデルからの予測術後転帰メトリックと共にGUI75上に表示することを含んでもよい。この最適化は、手術前や手術中に行われることもある。
いくつかの実施形態では、少なくとも1つの関節形成手術の推奨事項は、関節形成手術処置を続けないこと、及び/又は別の治療法を追求することの推奨事項を含んでもよい。
いくつかの実施形態では、最終術前予測モデル140は、関節の少なくとも1つの第2の予測術後性能メトリックを含む第2の予測術後関節性能データ出力を決定してもよく、それは次に、例えば医師20などのユーザに対してコンピューティング装置77のGUI75上に表示されてもよい。
いくつかの実施形態では、医師20は、第2の予測術後関節性能データ出力を検討し、患者25と最終患者相談145を行うことができる。医師20及び/又は患者25は、関節の関節形成手術155を予定すること、又は手術を延期すること、又は疾患関節について他の治療150を追求することを決定できる。
図24は、本開示の1つ以上の実施形態による、完全XGBoost機械学習モデルおよび簡略XGBoost機械学習モデルを使用するASES予測に関連する平均絶対誤差(MAE)の比較を示す表である。
図25は、本開示の1つ以上の実施形態による、完全XGBoost機械学習モデルおよび簡略XGBoost機械学習モデルを使用した一定の予測に関連する平均絶対誤差(MAE)の比較を示す表である。
図26は、本開示の1つ以上の実施形態による、完全XGBoost機械学習モデルおよび簡略XGBoost機械学習モデルを使用する包括的肩機能スコア予測に関連する平均絶対誤差(MAE)の比較を示す表である。
図27は、本開示の1つ以上の実施形態による、完全XGBoost機械学習モデルおよび簡略XGBoost機械学習モデルを使用したVAS疼痛スコア予測に関連する平均絶対誤差(MAE)の比較を示す表である。
図28は、本開示の1つ以上の実施形態による、完全XGBoost機械学習モデルおよび簡略XGBoost機械学習モデルを使用した能動的外転予測に関連する平均絶対誤差(MAE)の比較を示す表である。
図29は、本開示の1つ以上の実施形態による、完全XGBoost機械学習モデルおよび簡略XGBoost機械学習モデルを用いた能動的前方挙上予測に関連する平均絶対誤差(MAE)の比較を示す表である。
図30は、本開示の1つ以上の実施形態による、完全XGBoost機械学習モデルおよび簡略XGBoost機械学習モデルを使用した能動的外旋予測に関連する平均絶対誤差(MAE)の比較を示す表である。
図31は、本開示の1つ以上の実施形態による、複数の異なる転帰指標についてMCIDの閾値を超える臨床的改善を経験したaTSA患者及びrTSA患者の完全XGBoostモデル予測の比較を示す表である。
図32は、本開示の1つ以上の実施形態による、複数の異なる転帰指標についてMCIDの閾値を超える臨床的改善を経験したaTSA患者及びrTSA患者の簡略XGBoostモデル予測の比較を示す表である。
図33は、本開示の1つ以上の実施形態による、複数の異なる転帰指標についてSCBの閾値を超える臨床的改善を経験したaTSA患者及びrTSA患者の完全XGBoostモデル予測値の比較を示す表である。
図34は、本開示の1つ以上の実施形態による、複数の異なる転帰指標についてSCBの閾値を超える臨床的改善を経験したaTSA患者及びrTSA患者の簡略XGBoostモデル予測値の比較を示す表である。
図35は、本開示の1つ以上の実施形態による、複数の異なる転帰指標についてのMCIDの閾値を超える臨床的改善を経験したaTSA患者及びrTSA患者の予測を行うためのCT計画データからの入力による簡略XGBoostモデルの比較を示す表である。
図36は、本開示の1つ以上の実施形態による、複数の異なる転帰指標についてのSCBの閾値を超える臨床的改善を経験したaTSA患者及びrTSA患者の予測を行うためのCT計画データからの入力による簡略XGBoostモデルの比較を示す表である。
いくつかの実施形態では、(予測モデルの計画前および計画後の段階における)モデル入力は、最も高度に予測可能なパラメータである可能性があり、これは、臨床転帰データベース62のすべての変数を使用する場合と同様に、非常に類似したレベルの予測精度を提供する可能性がある。図24~30の表に示されているように、簡略モデルの結果は、臨床転帰データベース62全体からデータを入力する予測モデルと、各転帰メトリックについてほぼ同じ精度をもたらす可能性がある。
いくつかの実施形態では、aTSAとrTSAとの間の予測精度は、完全モデルおよび簡略モデルの両方について同様であることが観察された。さらに、完全予測モデルと簡略予測モデルの両方で、MAEは、後の術後の時点よりも初期の術後の時点でわずかに高いことがわかった。分析されたすべての術後の時点で、完全モデル予測と簡略モデル予測の間のMAEの平均差は、ASESスコアで±0.3MAE(±0.3aTSAおよび±0.4rTSA)、Constantスコアで±0.9(±0.7aTSAおよび±0.8rTSA)、包括的肩機能スコアで±0.1(±0.1aTSAおよび±0.1rTSA)、VAS疼痛スコアで±0.1(±0.0aTSAおよび±0.2rTSA)、外転で±1.4°(±1.1aTSAおよび1.2rTSA)、前方挙上で±1.6°(±1.7aTSAおよび±1.4rTSA)、および外旋で±0.4°(±0.1aTSAおよび±0.4rTSA)であることが判った。
いくつかの実施形態では、図31~34の表に示されるように、簡略モデルは、ほぼ同一のMCIDおよびSCBの精度の結果ももたらし、複数の異なる転帰メトリックに従って、2~3年の経過観察でさまざまな程度の改善を達成する能力に基づいて、これらのモデルが手術前に患者を効果的にリスク層別化する能力を実証した。
いくつかの実施形態では、特にMCIDに関して、完全予測モデルはaTSA患者についてAUROCが0.75-0.97の間でMCIDにおいて82-96%の精度を達成し、一方、簡略予測モデルはaTSA患者についてAUROCが0.70-0.95の間でMCIDにおいて82-96%の精度を達成した。完全予測モデルは、rTSA患者についてAUROCが0.82-0.98の間でMCIDにおいて91-99%の精度を達成し、一方、簡略予測モデルは、rTSA患者についてAUROCが0.84-0.94の間でMCIDにおいて91-99%の精度を達成した。
いくつかの実施形態では、SCBに関しても同様に、完全予測モデルは、aTSA患者についてAUROCが0.74-0.90の間でSCBにおいて79-90%の精度を達成し、一方、簡略予測モデルは、aTSA患者についてAUROCが0.70-0.89の間でSCBにおいて76-90%の精度を達成した。最終的に、完全予測モデルは、rTSA患者についてAUROCが0.78-0.88の間でSCBにおいて83-92%の精度を達成し、一方、簡略予測モデルは、rTSA患者についてAUROCが0.70-0.87の間でSCBにおいて81-90%の精度を達成した。これらのMCIDとSCB予測に用いられたAUROC値の解釈に関しては、予測モデルとして、0.5は当てずっぽうと考えられ、>0.7は許容範囲と考えられ、>0.8は良好と考えられ、>0.9は優れた識別力を持つと考えられる。
いくつかの実施形態では、簡略モデルアルゴリズムについて、平均MCIDのAUROC値はaTSAで0.82およびrTSAで0.89であり、平均SCBのAUROC値はaTSAで0.85およびrTSAで0.82であり、これは、最小限の特徴セットから生成したこれらのアルゴリズムが平均的に、良好と優れたの間の識別性、最悪でも許容できる識別性を示すことを示唆している。これらの簡略モデル予測値は、図24~30および35~36の表に示すように、ガイド付き個人化手術(GPS)CT計画から選択したインプラントデータに加えることによって改善される可能性がある。なお、本明細書に開示されたこのデータおよび技術を使用して、内旋スコア、最悪時の視覚的アナログ疼痛、また肩関節形成スマートスコアなどの他の予測モデルを生成できることに留意されたい。
図24は、本開示の1つ以上の実施形態による、完全XGBoost機械学習モデルおよび簡略XGBoost機械学習モデルを使用するASESの予測に関連する平均絶対誤差(MAE)の比較を示す表である。
図25は、本開示の1つ以上の実施形態による、完全XGBoost機械学習モデルおよび簡略XGBoost機械学習モデルを使用したコンスタントの予測に関連する平均絶対誤差(MAE)の比較を示す表である。
図26は、本開示の1つ以上の実施形態による、完全XGBoost機械学習モデルおよび簡略XGBoost機械学習モデルを使用する包括的肩機能スコアの予測に関連する平均絶対誤差(MAE)の比較を示す表である。
図27は、本開示の1つ以上の実施形態による、完全XGBoost機械学習モデルおよび簡略XGBoost機械学習モデルを使用したVAS疼痛スコアの予測に関連する平均絶対誤差(MAE)の比較を示す表である。
図28は、本開示の1つ以上の実施形態による、完全XGBoost機械学習モデルおよび簡略XGBoost機械学習モデルを使用した能動的外転の予測に関連する平均絶対誤差(MAE)の比較を示す表である。
図29は、本開示の1つ以上の実施形態による、完全XGBoost機械学習モデルおよび簡略XGBoost機械学習モデルを用いた能動的前方挙上の予測に関連する平均絶対誤差(MAE)の比較を示す表である。
図30は、本開示の1つ以上の実施形態による、完全XGBoost機械学習モデルおよび簡略XGBoost機械学習モデルを使用した能動的外旋の予測に関連する平均絶対誤差(MAE)の比較を示す表である。
したがって、本明細書に記載の機械学習予測モデルは、完全予測モデルよりも簡略予測モデルについて75%以上少ないユーザ入力を使用することに基づいて、関節形成手術前の所定の患者についての、aTSA及びrTSAに対する臨床転帰の同じ予測精度を有効に提供できる。このようにユーザの入力データを大幅に削減することで、aTSAやrTSA後の臨床結果を定量化するために一般的に使用されている他の患者申告転帰メトリックと同様の入力負担を要求するので、外科医のクリニックでこのようなツールを使用することが可能になる。
いくつかの実施形態において、ソフトウェアアプリケーションで使用される機械学習モデルは、先の図の表で示されるように、サーバ15の計算効率を向上させるため及び/又は計算速度を向上させるための簡略機械学習モデルであってもよい。
別の言い方をすれば、初期術前予測MLM50および画像ベース予測MLM52は、本明細書においてそれぞれ第1の簡略MLMおよび第2の簡略MLMと呼ぶことがある簡略機械学習モデルであってもよい
いくつかの実施形態では、転帰メトリック及び可動域予測に加えて、予測転帰モデルは、予測を上下させている要因を特定してもよい。具体的には、患者によって修正可能な要素については、予測転帰モデルは、患者が外科医と患者の診察により積極的に参加できるように、転帰予測を改善するために何ができるかを患者に推奨事項を提供できる。
いくつかの実施形態では、予測転帰モデルは、所定の患者の人口統計学、診断、患者歴、及び/又は併存疾患について、aTSA及びrTSAに関連し得る典型的な合併症率のルックアップテーブルを組み入れることができる。
いくつかの実施形態では、予測転帰モデルは、より良い予測転帰の達成を支援し得る追加の機能を外科医に提供し得る。例えば、症例がナビゲートされた場合、転帰は2%改善される可能性がある。また、別の例示的な例として、患者が10度の関節窩後捻を有する場合、標準部品(偏心関節窩リーミング手術技術を伴うかどうかにかかわらず)と反対に、aTSAおよび/またはrTSAのために増強関節窩部品を使用するとより良い転帰が予測されるかもしれない。
いくつかの実施形態では、外科医ユーザの意思決定を改善するために、インプラント技術間のトレードオフが実施される場合がある。例えば、異なる肩腱板断裂寸法を持つ患者に対していつaTSA対rTSAを使用するかを外科医に知らせるため、異なるグータリエ肩腱板脂肪浸潤グレードに対していつaTSA対rTSAを使用するかを外科医に知らせるため、異なる関節窩変形分類タイプ(ワルヒ、ファバール、アンツーナなど)または特定の関節窩摩耗測定(後捻、傾斜又はベータ角度)のためにいつ骨移植対増強関節窩部品を使用するかを外科医に知らせるため、関節窩摩耗を修正するために、関節窩偏心リーミング対軸外リーミングをいつ行うか、また、どの程度行うかを知らせるため、および/または、標準長の上腕骨ステム対短い上腕骨ステム対ステムレス上腕骨インプラントをいつ使用するか、骨の質に基づいてどのサイズのインプラントを選択するかを知らせるため。
いくつかの実施形態では、これらの関節形成手術パラメータは、外科医(例えば、ユーザ)が、関節形成手術前、関節形成手術中、またはその両方で、再建計画における少なくとも1つの関節形成手術パラメータのいずれかを変化させることに応じて、手術前または手術中のいずれかに、第2の予測術後関節性能データ出力においてソフトウェアプラットフォーム上でこれらのトレードオフを観察できるようにオンザフライに変化させることができる。
いくつかの実施形態では、2週間、6週間、8週間、12週間、4ヶ月、又はそれ以前の、術後初期の経過観察訪問からのデータを、異なる術後時点における転帰を予測するために使用できる。このような術後予測の利点は、患者固有の改善度をより正確に推定できる可能性があることである。このデータは、他の転帰メトリックと比較して所定のメトリックの改善を目標とする、より患者固有のリハビリテーションプロトコルを確立するのに有益である可能性がある。
いくつかの実施形態では、このデータ又は追加データ(及び/又は、患者の電子医療記録又は他のデータベースから直接に取り込む追加データ、例えば、クラウドに保存されたデータ及び/又は疼痛のレベルに関連する患者からの応答を受け入れ得る患者の動き及び/又は活動レベルを測定し得るウェアラブルデバイスから生成されたデータ等)を使用して、これらの予測モデルを更に改良し、追加データを使用してより正確な入力を作成できる。また、このデータは、肩関節形成についての患者のリスク層別化と、通院外科診療所で安全に手術を受けられる患者の特定など、医療ワークフローに関する推奨に役立つ可能性がある。予測モデルは、特定の患者が病院で入院手術対外来手術を受けるべきかどうかに関する推奨を行うことができる。さらに、予測モデルは、特定の患者に対して、手術後の入院期間に関する推奨事項を提供することもできる。
最後に、より多くの臨床データが時間とともに臨床転帰データベース62に追加されると、モデル学習モジュール54は、予測誤差を低減するために、それに応じて機械学習アルゴリズムを更新するのに使用され得る。これにより、予測転帰アルゴリズムは、ツールを使って新しいデータを入力に基づいて継続的に学習することが可能になる。さらに、直接にCT及び/又はMRI画像からのデータ、例えば、骨密度、骨構造、軟組織断裂、及び/又は肩回旋筋腱板脂肪浸潤などの他の軟組織損傷から予測モデルをさらに改善するために、将来的に新しいパラメータを追加し、既存のパラメータのランクを変更してもよく、これにより治療及び/又は転帰予測についての医師の臨床決定をさらに支援できる。
いくつかの実施形態では、これらの画像から、肩関節または他の関節の骨と骨の関係が評価されてもよく、患者固有データは、治療または転帰予測のための臨床決定をさらに支援する新しい入力として、予測モデルに影響を与えることができる。新しいデータにより、予測モデルは、他の肩関節全置換システムに、おそらく脊椎、股関節、膝関節、足首、外傷などの異なる関節や用途についての他の関節形成システムにさえも、より移植可能で一般化できるかもしれない)。予測転帰モデルの予測精度が高まれば、インプラントタイプ、サイズ、及び位置に関するより良い臨床決定が可能になり、その結果、患者及び外科医の満足度が向上し、より現実的な転帰が期待できるようになる。
図37は、本開示の1つ以上の実施形態による、関節形成の外科的処置の予測転帰をモデリングするための例示的な方法200のフローチャートである。この方法は、サーバ15のプロセッサ45によって実行されてもよい。
方法200は、患者の関節に実施される関節形成手術のための術前の患者固有データを受信すること210を含んでもよい。
方法200は、術前の患者固有データを少なくとも1つの第1の機械学習モデルに入力220して、第1の予測術後関節性能データ出力を決定することを含んでもよく、第1の予測術後関節性能データ出力は、関節の少なくとも1つの第1の予測術後転帰メトリックを含んでいる。
方法200は、ディスプレイ上に出力された第1の予測術後関節性能データをユーザに表示すること230を含んでもよい。
方法200は、患者に行われる少なくとも1つの医用撮像処置から得られた関節の少なくとも1つの医用画像を受け取ること240を含んでもよい。
方法200は、関節の少なくとも1つの医用画像と、表示された第1の予測術後関節性能データ出力に応答してユーザから得られた少なくとも1つの関節形成手術パラメータとに基づいて、患者の関節の再建計画を生成すること250を含んでおり、再建計画は、少なくとも1つのインプラント、少なくとも1つのインプラントサイズ、少なくとも1つの関節形成手術処置、少なくとも1つのインプラントを関節に移植する少なくとも1つの位置、又はそれらの任意の組み合わせから選ばれる少なくとも一つの関節形成手術パラメータを含んでよい。
方法200は、関節の少なくとも1つの第2の予測術後転帰メトリックを含む第2の予測術後関節性能データ出力を決定するために、少なくとも1つの関節形成手術パラメータを少なくとも1つの第2の機械学習モデルに入力すること260を含み得る。
方法200は、ディスプレイ上に出力された第2の予測術後関節性能データをユーザに表示すること270を含んでもよい。
方法200は、ユーザが少なくとも1つの関節形成手術パラメータのいずれかを関節形成手術前、関節形成手術中、又はその両方において変化させることに応答して、少なくとも1つの関節形成手術の推奨事項を含むように表示された第2の予測術後関節性能データ出力を更新すること280を含んでもよい。これにより、外科医20は、予測術後転帰指標のいずれかを最適化するための手術パラメータのいずれかを、手術前及び/又は関節形成手術処置の間のいずれかにオンザフライで調整してもよい。
いくつかの実施形態では、装置は、プロセッサと、プロセッサによって実行されるときにプロセッサに実行させる命令を格納する非一時的メモリとを含んでもよく、概命令はプロセッサによって、
患者の関節に行われる関節形成手術についての術前の患者固有データを受け取ること、
術前の患者固有データを少なくとも1つの機械学習モデルに入力して第1の予測術後関節性能データ出力を決定すること、
ここで、第1の予測術後関節性能データ出力が関節の少なくとも1つの第1の予測術後転帰メトリックに含めることができ、
第1の予測術後関節性能データ出力をディスプレイ上でユーザに表示すること、
患者に行われた少なくとも1つの医用撮像処置から得られた関節の少なくとも1つの医用画像を受け取ること、
患者の関節の再建計画を、表示された第1の予測術後関節性能データ出力に応答してユーザから取得した関節の少なくとも1つの医用画像および少なくとも1つの関節形成手術パラメータに基づいて生成すること、
少なくとも1つの関節形成手術パラメータを少なくとも1つの機械学習モデルに入力して、関節の少なくとも1つの第2の予測術後転帰メトリックを含む第2の予測術後関節性能データ出力を決定すること及び
第2の予測術後関節性能データ出力をディスプレイ上でユーザに表示することを含む。
患者の関節に行われる関節形成手術についての術前の患者固有データを受け取ること、
術前の患者固有データを少なくとも1つの機械学習モデルに入力して第1の予測術後関節性能データ出力を決定すること、
ここで、第1の予測術後関節性能データ出力が関節の少なくとも1つの第1の予測術後転帰メトリックに含めることができ、
第1の予測術後関節性能データ出力をディスプレイ上でユーザに表示すること、
患者に行われた少なくとも1つの医用撮像処置から得られた関節の少なくとも1つの医用画像を受け取ること、
患者の関節の再建計画を、表示された第1の予測術後関節性能データ出力に応答してユーザから取得した関節の少なくとも1つの医用画像および少なくとも1つの関節形成手術パラメータに基づいて生成すること、
少なくとも1つの関節形成手術パラメータを少なくとも1つの機械学習モデルに入力して、関節の少なくとも1つの第2の予測術後転帰メトリックを含む第2の予測術後関節性能データ出力を決定すること及び
第2の予測術後関節性能データ出力をディスプレイ上でユーザに表示することを含む。
いくつかの実施形態では、装置は、プロセッサと、プロセッサによって実行されるときにプロセッサに実行させる命令を格納する非一時的メモリとを含んでもよく、概命令はプロセッサによって、
患者の関節に行われる関節形成手術についての術前の患者固有データを受け取ること、
ここで、術前の患者固有データは、
(i)患者の病歴、
(ii)関節の関節動作の少なくとも1つのタイプについての動作の測定範囲、および
(iii)関節に関連する少なくとも1つの疼痛メトリック
(iv)を含んでもよく、
術前の患者固有データを少なくとも1つの第1の機械学習モデルに入力して、第1の予測術後関節性能データ出力を決定すること、
ここで、第1の予測術後関節性能データ出力は、関節の少なくとも1つの第1の予測術後転帰メトリックを含んでもよく、
第1の予測術後関節性能データ出力をディスプレイ上でユーザに表示すること、
患者に行われる少なくとも1つの医用画像処置から得られた関節の少なくとも1つの医用画像を受け取ること、
患者の関節の再建計画を、表示された第1の予測術後関節性能データ出力に応答してユーザから取得した関節の少なくとも1つの医用画像および少なくとも1つの関節形成手術パラメータに基づいて生成すること、
ここで、再建計画は、以下から選択される少なくとも1つの関節形成手術パラメータを含んでもよく、
(i)少なくとも1つのインプラント、
(ii)少なくとも1つのインプラントサイズ
(iii)少なくとも1つの関節形成手術処置、
(iv)関節に少なくとも1つのインプラントを埋め込むための少なくとも1つの位置、又は
(v)それらの任意の組み合わせ
少なくとも1つの関節形成手術パラメータを少なくとも第2の機械学習モデルに入力して、関節の少なくとも1つの第2の予測術後転帰メトリックを含む第2の予測術後関節性能データ出力を決定すること、
第2の予測術後関節性能データ出力をディスプレイ上でユーザに表示すること、及び
ユーザーが少なくとも1つの関節形成手術パラメーターを、関節形成手術の前、関節形成手術の間、またはその両方のいずれかにおいて変更することに応答して、表示されている第2の予測術後関節性能データ出力を更新して、少なくとも1つの関節形成手術の推奨事項を含むことを含む。
患者の関節に行われる関節形成手術についての術前の患者固有データを受け取ること、
ここで、術前の患者固有データは、
(i)患者の病歴、
(ii)関節の関節動作の少なくとも1つのタイプについての動作の測定範囲、および
(iii)関節に関連する少なくとも1つの疼痛メトリック
(iv)を含んでもよく、
術前の患者固有データを少なくとも1つの第1の機械学習モデルに入力して、第1の予測術後関節性能データ出力を決定すること、
ここで、第1の予測術後関節性能データ出力は、関節の少なくとも1つの第1の予測術後転帰メトリックを含んでもよく、
第1の予測術後関節性能データ出力をディスプレイ上でユーザに表示すること、
患者に行われる少なくとも1つの医用画像処置から得られた関節の少なくとも1つの医用画像を受け取ること、
患者の関節の再建計画を、表示された第1の予測術後関節性能データ出力に応答してユーザから取得した関節の少なくとも1つの医用画像および少なくとも1つの関節形成手術パラメータに基づいて生成すること、
ここで、再建計画は、以下から選択される少なくとも1つの関節形成手術パラメータを含んでもよく、
(i)少なくとも1つのインプラント、
(ii)少なくとも1つのインプラントサイズ
(iii)少なくとも1つの関節形成手術処置、
(iv)関節に少なくとも1つのインプラントを埋め込むための少なくとも1つの位置、又は
(v)それらの任意の組み合わせ
少なくとも1つの関節形成手術パラメータを少なくとも第2の機械学習モデルに入力して、関節の少なくとも1つの第2の予測術後転帰メトリックを含む第2の予測術後関節性能データ出力を決定すること、
第2の予測術後関節性能データ出力をディスプレイ上でユーザに表示すること、及び
ユーザーが少なくとも1つの関節形成手術パラメーターを、関節形成手術の前、関節形成手術の間、またはその両方のいずれかにおいて変更することに応答して、表示されている第2の予測術後関節性能データ出力を更新して、少なくとも1つの関節形成手術の推奨事項を含むことを含む。
いくつかの実施形態では、プロセッサは、少なくとも1つの電子医療リソースから通信ネットワークを介して術前の患者固有データを受信することによって、術前の患者固有データを受信するように構成されてもよい。
いくつかの実施形態では、少なくとも1つの医用画像は、(a)X線画像、(b)コンピュータ断層撮影画像、(c)磁気共鳴画像、(d)三次元(3D)画像、(e)複数のX線画像から生成された3D医用画像、(f)ビデオのフレーム、またはそれらの任意の組み合わせの、少なくとも1つを含んでもよい。
いくつかの実施形態では、少なくとも1つの第1の予測術後転帰メトリックおよび少なくとも1つの第2の予測術後転帰目とトリックは、(a)日数、(b)月数、および(c)年数の少なくとも1つについて予測されてもよい。
いくつかの実施形態では、プロセッサは、少なくとも1つの関節形成手術パラメータの推奨事項とともに第2の予測術後関節性能データ出力を表示するように構成されてもよい。
いくつかの実施形態では、関節は、股関節、膝関節、肩関節、肘関節、および足首関節を含むグループから選択されてもよい。
いくつかの実施形態では、関節は肩関節であってもよい。
いくつかの実施形態では、術前患者固有データは、(a)患者の人口統計、(b)患者の診断、(c)患者の併存疾患、(d)患者の病歴、(e)肩の能動可動域測定、(f)痛み、機能、またはその両方の患者の自己申告測定、(g)米国肩肘学会外科肩スコア(ASES)に基づく患者スコア、(h)コンスタント肩スコア(CSS)に基づく患者スコア、またはそれらの任意の組み合わせ、を含んでもよい。
いくつかの実施形態では、少なくとも1つの関節形成手術処置は、解剖学的全肩関節形成術、リバース型全人工肩関節置換術、三角筋法、および上外側法を含むグループから選択されてもよい。
いくつかの実施形態では、少なくとも1つの第1の術後転帰メトリック及び少なくとも1つの第2の術後転帰メトリックは、米国肩肘(ASES)スコア、カリフォルニア大学ロサンゼルス校(UCLA)スコア、コンスタントスコア、包括的肩機能スコア、視覚的アナログスケール(VAS)疼痛スコア、スマート肩関節形成スコア、内旋(IR)スコア、外転測定値、前方挙上測定値、外旋測定値を含むグループから選択されてもよい。
いくつかの実施形態では、方法は、
プロセッサによって、患者の関節に行われる関節形成手術についての術前の患者固有データを受け取ること、
プロセッサによって、術前の患者固有データを少なくとも1つの機械学習モデルに入力して、第1の予測術後関節性能データ出力を決定すること、
ここで、第1の予測術後関節性能データ出力が関節の少なくとも1つの第1の予測術後転帰メトリックを含んでもよく、
プロセッサによって、第1の予測術後関節性能データ出力をディスプレイ上でユーザに表示すること、
プロセッサによって、患者に実行される少なくとも1つの医用撮像処置から取得された関節の少なくとも1つの医用画像を受け取ること、
プロセッサによって、表示された第1の予測術後関節性能データ出力に応答してユーザから取得された、関節の少なくとも1つの医用画像及び少なくとも1つの関節形成手術パラメータに基づいて、患者の関節の再建計画を生成すること、
プロセッサによって、再建計画を少なくとも1つの機械学習モデルに入力して、関節の少なくとも1つの第2の予測術後転帰メトリックを含む第2の予測術後関節性能データ出力を決定すること、及び
プロセッサによって、第2の予測術後関節性能データ出力をディスプレイ上でユーザに表示することを含んでもよい。
プロセッサによって、患者の関節に行われる関節形成手術についての術前の患者固有データを受け取ること、
プロセッサによって、術前の患者固有データを少なくとも1つの機械学習モデルに入力して、第1の予測術後関節性能データ出力を決定すること、
ここで、第1の予測術後関節性能データ出力が関節の少なくとも1つの第1の予測術後転帰メトリックを含んでもよく、
プロセッサによって、第1の予測術後関節性能データ出力をディスプレイ上でユーザに表示すること、
プロセッサによって、患者に実行される少なくとも1つの医用撮像処置から取得された関節の少なくとも1つの医用画像を受け取ること、
プロセッサによって、表示された第1の予測術後関節性能データ出力に応答してユーザから取得された、関節の少なくとも1つの医用画像及び少なくとも1つの関節形成手術パラメータに基づいて、患者の関節の再建計画を生成すること、
プロセッサによって、再建計画を少なくとも1つの機械学習モデルに入力して、関節の少なくとも1つの第2の予測術後転帰メトリックを含む第2の予測術後関節性能データ出力を決定すること、及び
プロセッサによって、第2の予測術後関節性能データ出力をディスプレイ上でユーザに表示することを含んでもよい。
いくつかの実施形態では、方法は、
プロセッサによって、患者の関節に行われる関節形成手術についての術前の患者固有データを受け取ること、
ここで、術前の患者固有データには以下が含まれており、
(i)患者の病歴、
(ii)関節の関節動作の少なくとも1つのタイプについての測定された動作範囲、および
(iii)関節に関連する少なくとも1つの疼痛メトリック、
プロセッサによって、術前の患者固有データを少なくとも1つの機械学習モデルに入力して、第1の予測術後関節性能データ出力を決定すること、
ここで、第1の予測術後関節性能データ出力が関節の少なくとも1つの第1の予測術後転帰メトリックを含んでもよく、
プロセッサによって、第1の予測術後関節性能データ出力をディスプレイ上でユーザに表示すること、
プロセッサによって、患者に実行される少なくとも1つの医用撮像処置から取得された関節の少なくとも1つの医用画像を受け取ること、
プロセッサによって、表示された第1の予測術後関節性能データ出力に応答してユーザから取得された関節の少なくとも1つの医用画像及び少なくとも1つの関節形成手術パラメータに基づいて、患者の関節の再建計画を生成すること、
ここで、再建計画は、以下から選択される少なくとも1つの関節形成手術パラメータを含んでもよく、
(i)少なくとも1つのインプラント、
(ii)少なくとも1つのインプラントサイズ、
(iii)少なくとも1つの関節形成手術処置、
(iv)関節に少なくとも1つのインプラントを埋め込むための少なくとも1つの位置、または
(v)それらの任意の組み合わせ、
プロセッサによって、再建計画を少なくとも1つの第2の機械学習モデルに入力して、関節の少なくとも1つの第2の予測術後転帰メトリックを含む第2の予測術後関節性能データ出力を決定すること、
プロセッサによって、第2の予測術後関節性能データ出力をディスプレイ上でユーザに表示すること、及び
プロセッサによって、ユーザが再建計画の少なくとも1つの関節形成手術パラメータのいずれかを、関節形成手術の前、関節形成手術の間、またはその両方において変更することに応答して、表示される第2の予測術後関節性能データ出力を更新して、少なくとも1つの関節形成手術の推奨事項に含めることを含んでもよい。
プロセッサによって、患者の関節に行われる関節形成手術についての術前の患者固有データを受け取ること、
ここで、術前の患者固有データには以下が含まれており、
(i)患者の病歴、
(ii)関節の関節動作の少なくとも1つのタイプについての測定された動作範囲、および
(iii)関節に関連する少なくとも1つの疼痛メトリック、
プロセッサによって、術前の患者固有データを少なくとも1つの機械学習モデルに入力して、第1の予測術後関節性能データ出力を決定すること、
ここで、第1の予測術後関節性能データ出力が関節の少なくとも1つの第1の予測術後転帰メトリックを含んでもよく、
プロセッサによって、第1の予測術後関節性能データ出力をディスプレイ上でユーザに表示すること、
プロセッサによって、患者に実行される少なくとも1つの医用撮像処置から取得された関節の少なくとも1つの医用画像を受け取ること、
プロセッサによって、表示された第1の予測術後関節性能データ出力に応答してユーザから取得された関節の少なくとも1つの医用画像及び少なくとも1つの関節形成手術パラメータに基づいて、患者の関節の再建計画を生成すること、
ここで、再建計画は、以下から選択される少なくとも1つの関節形成手術パラメータを含んでもよく、
(i)少なくとも1つのインプラント、
(ii)少なくとも1つのインプラントサイズ、
(iii)少なくとも1つの関節形成手術処置、
(iv)関節に少なくとも1つのインプラントを埋め込むための少なくとも1つの位置、または
(v)それらの任意の組み合わせ、
プロセッサによって、再建計画を少なくとも1つの第2の機械学習モデルに入力して、関節の少なくとも1つの第2の予測術後転帰メトリックを含む第2の予測術後関節性能データ出力を決定すること、
プロセッサによって、第2の予測術後関節性能データ出力をディスプレイ上でユーザに表示すること、及び
プロセッサによって、ユーザが再建計画の少なくとも1つの関節形成手術パラメータのいずれかを、関節形成手術の前、関節形成手術の間、またはその両方において変更することに応答して、表示される第2の予測術後関節性能データ出力を更新して、少なくとも1つの関節形成手術の推奨事項に含めることを含んでもよい。
いくつかの実施形態では、術前の患者固有データを受信することは、少なくとも1つの電子医療リソースから通信ネットワークを介して術前の患者固有データを受信することを含んでもよい。
いくつかの実施形態では、少なくとも1つの医用画像は、(a)X線画像、(b)コンピュータ断層撮影画像、(c)磁気共鳴画像、(d)三次元(3D)画像、(e)複数のX線画像から生成された3D医用画像、(f)ビデオのフレーム、またはそれらの任意の組み合わせの、少なくとも1つを含んでもよい。
いくつかの実施形態では、少なくとも1つの第1の予測術後転帰指標および少なくとも1つの第2の予測術後転帰指標は、(a)日数、(b)月数、および(c)年数の少なくとも1つについて予測されてもよい。
いくつかの実施形態では、第2の予測術後関節性能データ出力を表示することは、少なくとも1つの関節形成手術パラメータについての推奨事項とともに第2の予測術後関節性能データ出力を表示することを含んでもよい。
いくつかの実施形態では、関節は、股関節、膝関節、肩関節、肘関節、および足首関節を含むグループから選択されてもよい。
いくつかの実施形態では、関節は肩関節であってもよい。
いくつかの実施形態では、術前の患者固有データは、(a)患者の人口統計、(b)患者の診断、(c)患者の併存疾患、(d)患者の病歴、(e)肩の能動的可動域測定、(f)疼痛、機能、またはその両方の患者の自己申告測定、(g)米国肩肘学会外科肩スコア(ASES)に基づく患者スコア、(h)コンスタント肩スコア(CSS)に基づく患者スコア、肩関節形成のスマートスコア、またはその任意の組み合わせを含んでもよい。
いくつかの実施形態では、少なくとも1つの関節形成手術処置は、解剖学的全肩関節形成術、リバース型全人工肩関節置換術、三角筋法、および上外側法を含むグループから選択されてもよい。
いくつかの実施形態では、少なくとも1つの第1の術後転帰メトリック及び少なくとも1つの第2の術後転帰メトリックは、米国肩肘(ASES)スコア、カリフォルニア大学ロサンゼルス校(UCLA)スコア、コンスタントスコア、包括的肩機能スコア、視覚的アナログスケール(VAS)疼痛スコア、スマート肩関節形成スコア、内旋(IR)スコア、外転測定値、前方挙上測定値、及び外旋測定値を含むグループから選択されてもよい。
いくつかの実施形態では、関連するデバイスを備えた例示的な本発明の特別にプログラムされたコンピューティングシステム/プラットフォームは、分散ネットワーク環境で動作するように構成され、1つまたは複数の適切なデータ通信ネットワーク(たとえば、インターネット、衛星など)を介して互いに通信し、IPX/SPX、X.25、AX.25、AppleTalk(TM)、TCP/IP(HTTPなど)、近距離無線通信(NFC)、RFID、Narrow Band Internet of Things(NBIOT)、3G、4G、5G、GSM、GPRS、WiFi、WiMax、CDMA、衛星、ZigBee、およびその他の適切な通信モードなどの1つまたは複数の適切なデータ通信プロトコル/モードを使用するが、これらに限定されない。いくつかの実施形態では、NFCは、NFC対応デバイスを「スワイプ」、「バンプ」、「タップ」、または他の方法で近接して移動させて通信する近距離無線通信技術を表すことができる。いくつかの実施形態では、NFCは、典型的には10cm以下の距離を必要とする一連の短距離無線技術を含むことができる。いくつかの実施形態では、NFCは、ISO/IEC18000-3エアインターフェース上13.56MHzで、106kbit/sから424kbit/sの範囲のレートで動作できる。いくつかの実施形態では、NFCはイニシエータおよびターゲットを含むことができ、イニシエータは、パッシブターゲットに電力を供給できるRFフィールドをアクティブに生成する。いくつかの実施形態では、これにより、NFCターゲットが、タグ、ステッカー、キーフォブ、または電池を必要としないカードなどの非常に単純なフォームファクタをとることを可能にできる。いくつかの実施形態では、NFCのピアツーピア通信は、複数のNFC対応デバイス(例えば、スマートフォン)が互いに近接しているときに行うことができる。
本明細書で開示される資料は、ソフトウェアまたはファームウェアまたはそれらの組み合わせで、または機械読取可能媒体に格納された命令として実装され、1つまたは複数のプロセッサによって読み取られて実行される。機械読取可能媒体は、情報を機械(たとえば、コンピューティングデバイス)によって読み取り可能な形式で格納または送信するための任意の媒体および/またはメカニズムを含んでもよい。例えば、機械読取可能媒体は、読取専用メモリ(ROM)、ランダムアクセスメモリ(RAM);磁気ディスク記憶媒体;光学記憶媒体;フラッシュメモリデバイス;電気的、光学的、音響的またはその他の形式の伝搬信号(例:搬送波、赤外線信号、デジタル信号など)、及びその他を含んでもよい。
ハードウェア要素の例は、プロセッサ、マイクロプロセッサ、回路、回路要素(たとえば、トランジスタ、抵抗器、コンデンサ、インダクタなど)、集積回路、特定用途向け集積回路(ASIC)、プログラマブルロジックデバイス(PLD)、デジタル信号プロセッサ(DSP)、フィールドプログラマブルゲートアレイ(FPGA)、論理ゲート、レジスタ、半導体デバイス、チップ、マイクロチップ、チップセットなどを含んでもよい。いくつかの実施形態では、1つまたは複数のプロセッサは、複合命令セットコンピュータ(CISC)プロセッサまたは縮小命令セットコンピュータ(RISC)プロセッサ、x86命令セット互換プロセッサ、マルチコア、またはその他のマイクロプロセッサまたは中央処理装置(CPU)として実装されてもよい。様々な実装において、1つまたは複数のプロセッサは、デュアルコアプロセッサ、デュアルコアモバイルプロセッサなどであってもよい。
本明細書で使用されるコンピュータ関連システム、コンピュータシステム、およびシステムは、ハードウェアとソフトウェアの任意の組み合わせを含む。ソフトウェアの例は、ソフトウェアコンポーネント、オペレーティングシステムソフトウェア、ミドルウェア、ファームウェア、ソフトウェアモジュール、ルーチン、サブルーチン、関数、メソッド、手順、ソフトウェアインターフェイス、アプリケーションプログラムインターフェイス(API)、命令セット、コンピュータコード、コンピュータコードセグメント、単語、値、記号、またはそれらの任意の組み合わせを含んでもよい。ある実施形態がハードウェア要素および/またはソフトウェア要素を使用して実装されるかどうかの決定は、所望の計算速度、電力レベル、耐熱性、処理サイクル予算、入力データ速度、出力データ速度、メモリリソース、データバス速度、およびその他の設計または性能の制約などの任意の数の要因に従って変化する可能性がある。
少なくとも1つの実施形態の1つまたは複数の態様は、プロセッサ内のさまざまなロジックを表す機械読取可能媒体に格納された表標的な命令によって実装されてもよく、これは、機械により読み取られるとき、機械に本明細書で説明された技術を行わせるロジックを作成させる。このような代表は「IPコア」として知られるが、有形の機械読取可能媒体に格納され、さまざまな顧客または製造施設に提供されて、ロジックを作成する作成機械またはプロセッサにロードされてもよい。当然のことながら、本明細書に記載されている様々な実施形態は、もちろん、任意の適切なハードウェアおよび/またはコンピューティングソフトウェア言語(例えば、C++、Objective-C、Swift、Java、JavaScript、Python、Perl、QTなど)を使用して実装され得る。
いくつかの実施形態では、コンピューティングデバイス77などの本開示の例示的な本発明のコンピュータベースのシステム/プラットフォーム、例示的な本発明のコンピュータベースのデバイス、および/または例示的な本発明のコンピュータベースの構成要素のうちの1つまたは複数を、少なくとも1つのパーソナルコンピュータ(PC)、ラップトップコンピュータ、ウルトララップトップコンピュータ、タブレット、タッチパッド、ポータブルコンピュータ、ハンドヘルドコンピュータ、パームトップコンピュータ、携帯情報端末(PDA)、携帯電話、携帯電話/PDAの組み合わせ、テレビ、スマートデバイス(例えば、スマートフォン、スマートタブレット、又はスマートテレビなど)、モバイルインターネットデバイス(MID)、メッセージングデバイス、データ通信デバイスなどに部分的又は全体的に含めてもよい。
本明細書で使用される「サーバ」という用語は、処理、データベース、および通信機能を提供するサービスポイントを指すと理解されるべきである。限定ではなく例として、「サーバ」という用語は、関連する通信およびデータストレージとデータベース機能を備えた単一の物理プロセッサを指す場合もあれば、ネットワーク化またはクラスタ化されたプロセッサの複合体と関連するネットワークおよびストレージデバイスを指す場合もあると共に、サーバによって提供されるサービスをサポートするオペレーティングソフトウェアと1つ以上のデータベースシステムおよびアプリケーションソフトウェアを指す場合もある。クラウドサーバーはその例である。
いくつかの実施形態では、本明細書で詳述するように、本開示の、例示的な独創的コンピュータベースのシステム/プラットフォーム、例示的な独創的コンピュータベースのデバイス、および/または例示的な独創的コンピュータベースの構成要素のうちの1つまたは複数は、限定しないが、ファイル、連絡先、タスク、電子メール、ソーシャルメディアポスト、マップ、完全なアプリケーション(例えば計算表)などの任意の適切な形式であってもよい、任意のデジタルオブジェクト及び/又はデータユニットを(例えば、特定のアプリケーションの内側及び/又は外側から)取得、操作、転送、格納、変換、生成及び/又は出力してもよい。いくつかの実施形態では、本明細書で詳述するように、本開示の、例示的な独創的コンピュータベースのシステム/プラットフォーム、例示的な独創的コンピュータベースのデバイス、および/または例示的な独創的コンピュータベースの構成要素の1つ又は複数は、限定しないが、(1)FreeBSD、NetBSD、OpenBSD、(2)Linux、(3)Microsoft Windows、(4)OS X(MacOS)、(5)MacOS11、(6)Solaris、(7)Android、(8)iOS、(9)組み込みLinux、(10)Tizen、(11)WebOS、(12)IBM i、(13)IBM AIX、(14)ワイヤレス用バイナリランタイム環境(BREW)、(15)Cocoa(API)、(16)Cocoa Touch、(17)Javaプラットフォーム、(18)JavaFX、(19)JavaFXモバイル、(20)Microsoft DirectX、(21).NETフレームワーク、(22)Silverlight、(23)オープンWebプラットフォーム、(24)オラクルデータベース(25)Qt、(26)Eclipseリッチクライアントプラットフォーム、(27)SAP NetWeaver、(28)スマートフェイスおよび/または(29)Windowsランタイムなどの、1つ又は複数のさまざまなコンピュータプラットフォームにわたって実装されてもよい。
いくつかの実施形態では、本開示の、例示的な独創的コンピュータベースのシステム/プラットフォーム、例示的な独創的コンピュータベースのデバイス、および/または例示的な独創的コンピュータベースの構成要素は、本開示の原理と一致する特徴を実装するためのソフトウェア命令の代わりにまたは組み合わせて使用され得るハードウェアにより実現されている回路を利用するように構成されてもよい。したがって、本開示の原理と一致する実装は、ハードウェア回路とソフトウェアの任意の特定の組み合わせに限定されない。例えば、様々な実施形態は、限定しないが、スタンドアロンのソフトウェアパッケージ、ソフトウェアパッケージの組み合わせなどのソフトウェアコンポーネントとして多くの異なる方法で具現化してもよく、またはより大きなソフトウェア製品に「ツール」として組み込まれたソフトウェアパッケージであってもよい。
例えば、本開示の1つまたは複数の原理に従って特にプログラムされた例示的なソフトウェアは、スタンドアロン製品として、または既存のソフトウェアにインストールするためのアドインパッケージとして、ネットワーク、例えばウェブサイトからダウンロード可能であってもよい。例えば、本開示の1つまたは複数の原理に従って特にプログラムされた例示的なソフトウェアはまた、クライアントサーバーソフトウェアアプリケーションとして、またはウェブ対応ソフトウェアアプリケーションとして利用可能であってもよい。例えば、本開示の1つまたは複数の原理に従って特にプログラムされた例示的なソフトウェアは、ハードウェアデバイスにインストールされたソフトウェアパッケージとして具現化されてもよい。
いくつかの実施形態では、本開示の、例示的な独創的コンピュータベースのシステム/プラットフォーム、例示的な独創的コンピュータベースのデバイス、および/または例示的な独創的コンピュータベースの構成要素は、限定しないが、少なくとも100人(例えば限定しないが、100~999人)、少なくとも1,000人(例えば限定しないが、1,000~9,999人)、少なくとも10,000人(例えば限定しないが、10,000~99,999人)、少なくとも100,000人(例: 100,000~999,999)、少なくとも1,000,000人(例:例えば限定しないが、1,000,000~9,999,999人)、少なくとも10,000,000人(例えば限定しないが、10,000,000~99,999,999人)、少なくとも100,000,000人(例えば限定しないが、100,000,000~999,999,999人)、少なくとも1,000,000,000人(例えば限定しないが、1,000,000,000~999,999,999,999人)などの、多数の同時ユーザを処理するように構成されてもよい。
いくつかの実施形態では、本開示の、例示的な独創的コンピュータベースのシステム/プラットフォーム、例示的な独創的コンピュータベースのデバイス、および/または例示的な独創的コンピュータベースの構成要素は、本開示の別個の、特にプログラムされたグラフィカルユーザインターフェース実装(例えば、デスクトップ、Webアプリなど)に出力するように構成されてもよい。本開示の様々な実装において、最終的な出力は、限定しないが、コンピュータの画面、モバイルデバイスの画面などであってもよい、表示用スクリーン上に表示されてもよい。様々な実装において、ディスプレイはホログラフィックディスプレイであってもよい。さまざまな実装形態では、ディスプレイは、視覚的プロジェクションを受けることができる透明な表面であってもよい。このようなプロジェクションは、さまざまな形式の情報、画像、および/またはオブジェクトを伝えてもよい、。たとえば、このようなプロジェクションは、モバイル拡張現実(MAR)アプリケーション用の視覚的なオーバーレイであってもよい。
本明細書で使用される「モバイル電子デバイス」などの用語は、位置追跡機能(例えば、MACアドレス、インターネットプロトコル(IP)アドレスなど)を使用できる又は使用できない、任意のポータブル電子デバイスを参照してもよい。例えば、モバイル電子デバイスは、限定しないが、携帯電話、携帯情報端末(PDA)、Blackberry(商標)、Pager、スマートフォン、または任意の他の合理的なモバイル電子デバイスを含むことができる。
本明細書で使用される用語「クラウド」、「インターネットクラウド」、「クラウドコンピューティング」、「クラウドアーキテクチャ」、および同様の用語は、(1)リアルタイム通信ネットワーク(例:インターネット)を介して接続された多数のコンピュータ、(2)接続された多数のコンピュータ(物理マシン、仮想マシン(VM)など)上で同時にプログラムまたはアプリケーションを実行する機能を提供すること、(3)ネットワークベースのサービスは、実際のサーバハードウェアによって提供されるように見えるが、実際には1つ又は複数の現実のマシンを動かすソフトウェアによって模擬される(例えば、エンドユーザに影響を与えることなく、その場で移動及び拡大(又は縮小)できる)、仮想ハードウェア(例えば仮想サーバなど)によって提供されること、の少なくとも1つに対応する。
いくつかの実施形態では、本開示の、例示的な独創的コンピュータベースのシステム/プラットフォーム、例示的な独創的コンピュータベースのデバイス、および/または例示的な独創的コンピュータベースの構成要素は、1つ又は複数の暗号化技術(例えば、秘密鍵と公開鍵のペア、Triple Data Encryption Standard(3DES)、ブロック暗号アルゴリズム(例えば、IDEA、RC2、RC5、CAST、及びSkipjack)、暗号化ハッシュアルゴリズム(例えば、MD5、RIPEMD-160、RTR0、SHA-1、SHA-2)、Tiger(TTH)、WHIRLPOOL、RNGs)を利用することによってデータを安全に格納および/または送信するように構成されてもよい。
上述した例は、もちろん、例示的なものであって限定的なものではない。
本明細書で使用される用語「ユーザ」は、少なくとも1人のユーザを意味するものとする。本明細書で使用される文脈において、ユーザは、医師、または外科医、または医師、または外科医、検査技師、外科スタッフなどに代わって行動する人であってもよい。
いくつかの実施形態では、本開示の、例示的な独創的コンピュータベースのシステム/プラットフォーム、例示的な独創的コンピュータベースのデバイス、および/または例示的な独創的コンピュータベースの構成要素は、限定しないが、決定木、ブースティング、サポートベクターマシン、ニューラルネットワーク、最近傍アルゴリズム、単純ベイズ、バギング、ランダムフォレストなどから選択される、1つまたは複数の例示的なAI/機械学習技法を利用するように構成されてもよい。いくつかの実施形態において、またオプションとして、上記または下記の任意の実施形態の組み合わせにおいて、例示的なニュートラルネットワーク技術は、限定しないが、フィードフォワードニューラルネットワーク、放射基底関数ネットワーク、回帰型ニューラルネットワーク、畳み込みネットワーク(例えば、U-net)または他の適切なネットワークの1つであってもよい。いくつかの実施形態では、オプションとして上記または下記の任意の実施形態を組み合わせて、ニューラルネットワークの例示的な実装を次のように実行できる。
i)ニューラルネットワークアーキテクチャ/モデルを定義すること、
ii)入力データを例示的なニューラルネットワークモデルに転送すること、
iii)例示的なモデルを段階的にトレーニングすること
iv)特定数のタイムステップについての精度を決定すること
v)例示的なトレーニング済みモデルを適用して、新しく受信した入力データを処理すること、
vi)随意にかつ並行して、所定の周期性で例示的なトレーニング済みモデルを訓練し続けること。
i)ニューラルネットワークアーキテクチャ/モデルを定義すること、
ii)入力データを例示的なニューラルネットワークモデルに転送すること、
iii)例示的なモデルを段階的にトレーニングすること
iv)特定数のタイムステップについての精度を決定すること
v)例示的なトレーニング済みモデルを適用して、新しく受信した入力データを処理すること、
vi)随意にかつ並行して、所定の周期性で例示的なトレーニング済みモデルを訓練し続けること。
いくつかの実施形態では、オプションとして、上記または下記の任意の実施形態を組み合わせて、例示的なトレーニング済みニューラルネットワークモデルは、少なくとも、ニューラルネットワークトポロジ、一連の活性化関数、および接続重みによってニューラルネットワークを特定してもよい。例えば、ニューラルネットワークのトポロジは、ニューラルネットワークのノードの構成およびそのようなノード間の接続を含んでもよい。いくつかの実施形態では、オプションとして、上記または下記の任意の実施形態を組み合わせて、例示的なトレーニング済みニューラルネットワークモデルは、限定しないが、バイアス値/関数および/または集約関数を含む、他のパラメータを含むように特定されてもよい。例えば、ノードの活性化関数は、ステップ関数、正弦関数、連続線形関数または区分線形関数、シグモイド関数、双曲線正接関数、またはノードが活性化される閾値を表す他のタイプの数学的関数であってもよい。いくつかの実施形態では、オプションとして、上記または下記の任意の実施形態を組み合わせて、例示的な集約関数は、ノードへの入力信号を組み合わせる(例えば、合計、積など)数学関数であってもよい。いくつかの実施形態では、オプションとして、上記または下記の任意の実施形態を組み合わせて、例示的な集約関数の出力を、例示的な活性化関数への入力として使用してもよい。いくつかの実施形態において、またオプションとして、上記または下記の任意の実施形態を組み合わせて、バイアスは、ノードがより活性化され易く又はより活性化され難くする、集約関数および/または活性化関数によって使用され得る定数値または関数であってもよい。
本明細書に記載された開示は、本明細書に具体的に開示されていない要素または複数の要素、限定または複数の限定がなくても実施できる。したがって、例えば、本明細書の各例において、用語「有する」、「から本質的になる」、および「含む」のいずれも、本明細書で定義されるそれぞれの意味を変更することなく、他の2つの用語のいずれかに置き換えることができる.使用されている用語および表現は、説明の用語として使用されており、限定ではなく、そのような用語および表現の使用において、示され、説明されている機能またはその一部の等価物を除外する意図はないが、本開示の範囲内において種々の変更が可能であることが理解される。
Claims (20)
- プロセッサと、
前記プロセッサによって実行されるときに、前記プロセッサに実行させる命令を格納する非一時的メモリと
を備え、
前記命令は、前記プロセッサによって、
患者の関節に行われる関節形成手術についての術前の患者固有データを受け取ること、
ここで、前記術前の患者固有データは
(i)前記患者の病歴、
(ii)前記関節の関節動作の少なくとも1つのタイプについての測定された動作範囲、及び
(iii)前記関節に関連付けられた少なくとも1つの疼痛メトリック
を有しており、
前記術前の患者固有データを、少なくとも1つの第1の機械学習モデルに入力して、第1の予測術後関節性能データ出力を決定すること、
ここで、前記第1の予測術後関節性能データ出力は、関節の少なくとも1つの第1の予測術後転帰メトリックを有しており、
前記第1の予測術後関節性能データ出力をディスプレイ上でユーザに表示すること、
前記患者に行われる医療撮像処置から取得される前記関節の少なくとも1つの医用画像を取得すること、
前記患者の前記関節の再建計画を、前記関節の前記少なくとも1つの医用画像と、前記表示された第1の予測術後関節性能データ出力に応答して前記ユーザから取得される少なくとも1つの関節形成手術パラメータとに少なくとも部分的に基づいて生成すること、
ここで、前記再建計画は、
(i)少なくとも1つのインプラント、
(ii)少なくとも1つのインプラントサイズ、
(iii)少なくとも1つの関節形成外科処置、
(iv)前記関節に前記少なくとも1つのインプラントを埋め込むための少なくとも1つの位置、又は
(v)これらの組み合わせ
から選択される前記少なくとも1つの関節形成出手術パラメータを有しており、
前記少なくとも1つの関節形成手術パラメータを少なくとも1つの第2の機械学習モデルに入力して、前記関節の少なくとも1つの第2の予測術後転帰メトリックを有する第2の予測術後関節性能データ出力を決定すること、
前記第2の予測術後関節性能データ出力を前記ディスプレイ上で前記ユーザに表示すること、及び
ユーザが、前記関節形成手術の前、前記関節形成手術の間、又は両方において、前記少なくとも1つの関節形成手術パラメータのいくつかを変更することに応答して、少なくとも1つの関節形成手術の推奨事項を有するように前記表示された第2の予測術後関節性能データ出力を更新すること、
を含む、装置。 - 前記プロセッサが、前記術前の患者固有データを通信ネットワークを介して少なくとも1つの電子医療リソースから受け取ることによって、前記術前の患者固有データを受け取るように構成されている、
請求項1に記載の装置。 - 前記少なくとも1つの医用画像は、(a)X線画像、(b)コンピュータ断層撮影画像、(c)磁気共鳴画像、(d)三次元(3D)画像、(e)複数のX線画像から生成された3D医用画像、(f)ビデオのフレーム、又はそれらの任意の組み合わせの、少なくとも1つを有している、
請求項1に記載の装置。 - 前記少なくとも1つの第1の予測術後転帰メトリック及び少なくとも1つの第2の予測術後転帰メトリックは、(a)日数、(b)月数および(c)年数の少なくとも1つについて予測されている、
請求項1に記載の装置。 - 前記プロセッサが、前記第2の予測術後関節性能データ出力を、前記少なくとも1つの関節形成手術パラメータについての推奨事項と共に表示するように構成されている、
請求項1に記載の装置。 - 前記関節は、股関節、膝関節、肩関節、肘関節および足首関節を含む前記グループから選択される、
請求項1に記載の装置。 - 前記関節は、肩関節である、
請求項1に記載の装置。 - 前記術前の患者固有データは、(a)患者の人工統計、(b)患者の診断、(c)患者の併存疾患、(d)患者の病歴、(e)肩の能動的動作範囲の測定、(f)疼痛、機能、又はその両方の患者の自己申告測定、(g)米国肩肘外科医肩スコア(ASES)に基づく患者スコア、(h)コンスタント肩スコア(CSS)に基づく患者スコア、又はそれらの任意の組み合わせ、を有している、
請求項7に記載の装置。 - 前記少なくとも1つの関節形成手術パラメータは、解剖学的全肩関節形成術、リバース型全人口肩肩関節置換術、三角筋法および上外側法を含む前記グループから選択される、
請求項7に記載の装置。 - 前記少なくとも1つの第1の予測術後転帰メトリック及び前記少なくとも1つの第2の予測術後転帰メトリックは、米国肩肘(ASES)スコア、カリフォルニア大学ロサンゼルス校(UCLA)スコア、コンスタントスコア、包括的肩機能スコア、視覚的アナログすケース(VAS)疼痛スコア、スマート肩関節形成スコア、内旋(IR)スコア、外転測定値、前方挙上測定値、及び外旋測定値を含む前記グループから選択される、
請求項7に記載の装置。 - プロセッサによって、患者の関節に行われる関節形成手術についての術前患者固有データを受信すること、
ここで、前記術前患者固有データは、
(i)前記患者の病歴、
(ii)前記関節の関節動作の少なくとも1つのタイプについての測定された動作範囲、および
(iii)前記関節に関連した少なくとも1つの疼痛メトリック
を有しており、
前記プロセッサによって、前記術前患者固有データを少なくとも1つの第1の機械学習モデルに入力して、第1の予測術後関節性能データを決定すること、
ここで、前記第1の術後関節性能データ出力は、前記関節の少なくとも1つの第1の予測術後転帰メトリックを有しており、
前記プロセッサによって、前記患者の少なくとも1つの医療撮像処置から取得される前記関節の少なくとも1つの医用画像を受け取ること、
前記プロセッサによって、前記患者の前記関節の再建計画を、前記関節の前記少なくとも1つの医用画像と、前記表示された第1の予測術後関節性能データ出力に応答して前記ユーザから取得される少なくとも1つの関節形成手術パラメータとに基づいて生成すること、
ここで、前記再建計画は、
(i)少なくとも1つのインプラント、
(ii)少なくとも1つのインプラントサイズ、
(iii)少なくとも1つの関節形成外科処置、
(iv)前記関節に前記少なくとも1つのインプラントを埋め込むための少なくとも1つの位置、又は
(v)任意のこれらの組み合わせ
から選択される前記少なくとも1つの関節形成出手術パラメータを有しており、
前記プロセッサによって、前記再建計画を少なくとも1つの第2の機械学習モデルに入力して、前記関節の少なくとも1つの第2の予測術後転帰メトリックを含む第2の術後関節性能データ出力を決定すること、
前記プロセッサによって、前記第2の予測術後関節性能データ出力を前記ディスプレイ上で前記ユーザに表示すること、及び
前記プロセッサによって、前記ユーザが前記関節形成手術前、前記関節形成手術中、又は両方において、前記再建プランの前記少なくとも1つの関節形成手術パラメータのいくつかを変更することに応答して、少なくとも1つの関節形成手術の推奨事項を有するように前記表示される第2の予測術後関節性能データ出力を更新すること
を含む、方法。 - 前記術前の患者固有データを受け取ることは、前記術前の患者固有データを通信ネットワークを介して少なくとも1つの電子医療リソースから受け取ることを含む、
請求項11に記載の方法。 - 前記少なくとも1つの医用画像は、(a)X線画像、(b)コンピュータ断層撮影画像、(c)磁気共鳴画像、(d)三次元(3D)画像、(e)複数のX線画像から生成された3D医用画像、(f)ビデオのフレーム、又はそれらの任意の組み合わせの、少なくとも1つを有している、
請求項11に記載の方法。 - 前記少なくとも1つの第1の予測術後転帰メトリック及び少なくとも1つの第2の予測術後転帰メトリックは、(a)日数、(b)月数および(c)年数の少なくとも1つについて予測されている、
請求項11に記載の方法。 - 前記第2の予測術後関節性能データ出力を表示することは、前記第2の予測術後関節性能データ出力を、前記少なくとも1つの関節形成手術パラメータについての推奨事項と共に表示することを有する、
請求項11に記載の方法。 - 前記関節は、股関節、膝関節、肩関節、肘関節、及び足首関節を有する前記グループから選択される、
請求項11に記載の方法。 - 前記関節は、肩関節である、
請求項11に記載の方法。 - 前記術前の患者固有データは、(a)患者の人工統計、(b)患者の診断、(c)患者の併存疾患、(d)患者の病歴、(e)肩の能動的動作範囲の測定、(f)疼痛、機能、又はその両方の患者の自己申告測定、(g)米国肩肘外科医肩スコア(ASES)に基づく患者スコア、(h)コンスタント肩スコア(CSS)に基づく患者スコア、又はそれらの任意の組み合わせ、を有している、
請求項17に記載の方法。 - 前記少なくとも1つの関節形成手術パラメータは、解剖学的全肩関節形成術、リバース型全人口肩肩関節置換術、三角筋法および上外側法を含む前記グループから選択される、
請求項17に記載の方法。 - 前記少なくとも1つの第1の予測術後転帰メトリック及び前記少なくとも1つの第2の予測術後転帰メトリックは、米国肩肘(ASES)スコア、カリフォルニア大学ロサンゼルス校(UCLA)スコア、コンスタントスコア、包括的肩機能スコア、視覚的アナログすケース(VAS)疼痛スコア、スマート肩関節形成スコア、内旋(IR)スコア、外転測定値、前方挙上測定値、及び外旋測定値を含む前記グループから選択される、
請求項17に記載の方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063011871P | 2020-04-17 | 2020-04-17 | |
US63/011,871 | 2020-04-17 | ||
PCT/US2021/027782 WO2021212040A1 (en) | 2020-04-17 | 2021-04-16 | Method and system for modeling predictive outcomes of arthroplasty surgical procedures |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023521912A true JP2023521912A (ja) | 2023-05-25 |
Family
ID=78081067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022562898A Pending JP2023521912A (ja) | 2020-04-17 | 2021-04-16 | 関節形成手術処置の予測転帰をモデルリングするための方法およびシステム |
Country Status (7)
Country | Link |
---|---|
US (2) | US11490966B2 (ja) |
EP (1) | EP4135620A4 (ja) |
JP (1) | JP2023521912A (ja) |
KR (1) | KR20230003533A (ja) |
AU (1) | AU2021257275A1 (ja) |
CA (1) | CA3180513A1 (ja) |
WO (1) | WO2021212040A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023086930A1 (en) * | 2021-11-12 | 2023-05-19 | Exactech, Inc. | Improved computer-based platform for implementing an intra-operative surgical plan during a total joint arthroplasty |
US11669966B1 (en) * | 2023-01-31 | 2023-06-06 | Ortho AI LLC | System and method for predicting a need for total hip arthroplasty |
CN116187448B (zh) * | 2023-04-25 | 2023-08-01 | 之江实验室 | 一种信息展示的方法、装置、存储介质及电子设备 |
CN116350349B (zh) * | 2023-05-31 | 2023-07-28 | 中日友好医院(中日友好临床医学研究所) | 一种基于cjfh分型的保髋手术治疗***及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MX2008012174A (es) | 2006-03-23 | 2009-02-12 | Exactech Inc | Protesis inversa del hombro. |
AU2015296014A1 (en) | 2014-08-01 | 2017-02-23 | Smith & Nephew, Inc. | Providing implants for surgical procedures |
US20160350506A1 (en) * | 2015-05-29 | 2016-12-01 | Medical Companion, LLC | Systems and methods to model and measure joint disorder treatment efficacy |
AU2016349941A1 (en) * | 2015-11-05 | 2018-05-17 | 360 Knee Systems Pty Ltd | Managing patients of knee surgeries |
US11574088B2 (en) * | 2016-06-14 | 2023-02-07 | 360 Knee Systems Pty Ltd. | Graphical representation of a dynamic knee score for a knee surgery |
CN112770679A (zh) * | 2018-08-07 | 2021-05-07 | 史密夫和内修有限公司 | 力指示牵开器装置及使用方法 |
EP3899978A1 (en) * | 2018-12-21 | 2021-10-27 | Smith&Nephew, Inc. | Methods and systems for providing an episode of care |
US20210005321A1 (en) * | 2019-07-03 | 2021-01-07 | DePuy Synthes Products, Inc. | System and method for predicting patient risk outcomes |
-
2021
- 2021-04-16 US US17/233,152 patent/US11490966B2/en active Active
- 2021-04-16 EP EP21789212.4A patent/EP4135620A4/en active Pending
- 2021-04-16 JP JP2022562898A patent/JP2023521912A/ja active Pending
- 2021-04-16 WO PCT/US2021/027782 patent/WO2021212040A1/en unknown
- 2021-04-16 KR KR1020227040172A patent/KR20230003533A/ko active Search and Examination
- 2021-04-16 CA CA3180513A patent/CA3180513A1/en active Pending
- 2021-04-16 AU AU2021257275A patent/AU2021257275A1/en active Pending
-
2022
- 2022-10-05 US US17/960,551 patent/US20230139531A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4135620A4 (en) | 2024-06-12 |
WO2021212040A1 (en) | 2021-10-21 |
US20210322100A1 (en) | 2021-10-21 |
CA3180513A1 (en) | 2021-10-21 |
KR20230003533A (ko) | 2023-01-06 |
AU2021257275A1 (en) | 2022-11-17 |
EP4135620A1 (en) | 2023-02-22 |
US11490966B2 (en) | 2022-11-08 |
US20230139531A1 (en) | 2023-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Helm et al. | Machine learning and artificial intelligence: definitions, applications, and future directions | |
JP7227377B2 (ja) | 骨密度モデリング及び整形外科手術計画システム | |
Myers et al. | Artificial intelligence and orthopaedics: an introduction for clinicians | |
US11490966B2 (en) | Method and system for modeling predictive outcomes of arthroplasty surgical procedures | |
Makhni et al. | Artificial intelligence for the orthopaedic surgeon: an overview of potential benefits, limitations, and clinical applications | |
Karnuta et al. | Can a machine learning model accurately predict patient resource utilization following lumbar spinal fusion? | |
Nallamothu et al. | Artificial intelligence in orthopedics: A concise review | |
WO2021113168A1 (en) | Machine-learned models in support of surgical procedures | |
Purnomo et al. | Artificial intelligence in arthroplasty | |
WO2023086930A1 (en) | Improved computer-based platform for implementing an intra-operative surgical plan during a total joint arthroplasty | |
Hernigou et al. | Hip arthroplasty dislocation risk calculator: evaluation of one million primary implants and twenty-five thousand dislocations with deep learning artificial intelligence in a systematic review of reviews | |
Kunze et al. | Radiographic findings involved in knee osteoarthritis progression are associated with pain symptom frequency and baseline disease severity: a population‐level analysis using deep learning | |
Levin et al. | Artificial intelligence in shoulder and elbow surgery: overview of current and future applications | |
Shapiro et al. | Health policy in hand surgery: evaluating what works | |
Lorenz et al. | Digitalization in MedTech: Understanding the Impact on Total Knee Arthroplasty | |
US20240189037A1 (en) | Patient-specific implant design and manufacturing system with a regulatory and reimbursement manager | |
Tokgoz et al. | Artificial Intelligence, Deep Learning, and Machine Learning Applications in Total Knee Arthroplasty | |
WO2022159285A1 (en) | Computer-assisted recommendation of inpatient or outpatient care for surgery | |
CN117352125A (zh) | 发育性髋关节发育不良挽具治疗疗效预测方法及装置 | |
Kaji et al. | Present and Future Optimization of Orthopaedic Care Through Machine Learning Algorithms | |
Franceschetti et al. | Machine learning can predict anterior elevation after reverse total shoulder arthroplasty: A new tool for daily outpatient clinic? | |
Kekatpure et al. | Development of a diagnostic support system for distal humerus fracture using artificial intelligence | |
Man et al. | Application of machine learning in joint replacement: a review | |
Pereverzev et al. | Artificial intelligence for predicting various conditions in spine surgery: a systematic review |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240409 |