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 PDF

Info

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
Application number
JP2022562898A
Other languages
English (en)
Inventor
ロシュ，クリストファー
クマール，ビカス
オーバーマン，スティーブン
テドレデサイ，アンクール
ルートマン，ハワード
シモビッチ，ライアン
フルラン，ピエール－アンリ
ライト，トーマス
ザッカーマン，ジョセフ
Original Assignee
イグザクテック・インコーポレイテッド
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by イグザクテック・インコーポレイテッド filed Critical イグザクテック・インコーポレイテッド
Publication of JP2023521912A publication Critical patent/JP2023521912A/ja
Pending legal-status Critical Current

Links

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。
図１は、本開示の１又は複数の実施形態に係る関節形成手術処置の予測転帰をモデリングする、システムのブロック図である。 図２は、本開示の１又は複数の実施形態に係る、術前の動作範囲（ＲＯＭ）スコアと術前の転帰のスコアとを示すグラフであり、術後に自分自身を「ずっと良くなった」又は「悪くなった」と説明する臨床転帰データベースの解剖学的全肩関節形成（ａＴＳＡ）患者の術前転帰を比較する。 図３は、本開示の１又は複数の実施形態に係る、術前の動作範囲（ＲＯＭ）スコア対術前の転帰スコアを示すグラフであり、術後に自分自身を「ずっと良くなった」又は「悪くなった」と説明する臨床転記データベースのリバース型全人工肩関節置換（ａＴＳＡ）患者の術前転帰を比較する。 図４は、本開示の１または複数の実施形態に係る、解剖学的全肩関節形成（ａＴＳＡ）の患者およびリバース型全人工肩関節置換（ｒＴＳＡ）の手術時の年齢分布を示すグラフである。 図５は、本開示の１または複数の実施形態に係る、コーホート全体、ａＴＳＡ、およびｒＴＳＡの各転帰メトリックについて、最小的臨床重要差（ＭＣＩＤ）の閾値および実質的な臨床的利益（ＳＣＢ）の閾値を示す表である。 図６は、本開示の１又は複数の実施形態に係る、米国肩肘外科肩スコア（ＡＳＥＳ）の予測モデルに関連した平均絶対誤差（ＭＥＡ）の比較を示す表である。 図７は、本開示の１又は複数の実施形態に係る、カリフォルニア大学ロサンゼルス校（ＵＣＬＡ）予測モデルに関連した平均絶対誤差（ＭＡＥ）の比較を示す表である。 図８は、本開示の１又は複数の実施形態に係る、コンスタント予測モデルに関連した平均絶対誤差（ＭＡＥ）の比較を示す表である。 図９は、本開示の１又は複数の実施形態に係る、包括的肩機能スコアの予測モデルに関連した平均絶対誤差（ＭＡＥ）の比較を示す表である。 図１０は、本開示の１又は複数の実施形態に係る、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した平均絶対誤差（ＭＡＥ）の比較を示す表である。 図１１は、本開示の１又は複数の実施形態に係る、能動的外転の予測モデルに関連した平均絶対誤差（ＭＡＥ）の比較を示す表である。 図１２は、本開示の１又は複数の実施形態に係る、能動的前方挙上の予測モデルに関連した平均絶対誤差（ＭＡＥ）の比較を示す表である。 図１３は、本開示の１又は複数の実施形態に係る、能動的外旋の予測モデルに関連した平均絶対誤差（ＭＡＥ）の比較を示す表である。 図１４は、本開示の１又は複数の実施形態に係る、Ｆスコアによってランク付けされた患者申告転帰測定値（ＰＲＯＭ）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つの最も予測性が高い特徴の比較を示す表である。 図１５は、本開示の１又は複数の実施形態に係る、Ｆスコアによってランク付けされた、疼痛、機能、および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つの予測性が高い特徴の比較を示す表である。 図１６は、本開示の１又は複数の実施形態に係る、ＡＳＥＳスコア、ＵＣＬＡスコア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患者及びｒＴＳＡ患者を予測するための、ＸＧＢｏｏｓｔの精度の比較を示す表である。 図１７は、本開示の１又は複数の実施形態に係る、能動的外転、前方挙上及び外旋ＲＯＭの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患者及びｒＴＳＡ患者を予測するための、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又は複数の実施形態に係る、ＡＳＥＳスコア、ＵＣＬＡスコア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患者及びｒＴＳＡ患者を予測するための、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又は複数の実施形態に係る、包括的肩機能スコア及びＶＡＳ疼痛スコアと、能動的外旋、前方挙上及び外旋ＲＯＭの測定値と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患者及びｒＴＳＡ患者を予測するための、ＸＧＢｏｏｓｔアルゴリズムの精度の比較を示す表である。 図２０は、本開示の１又は複数の実施形態に係る、包括的肩機能スコア及びＶＡＳ疼痛スコアと、能動的外転、能動的前方挙上及び能動的外旋とを計算する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又は複数の実施形態に係る、ＡＳＥＳスコアを計算するための機械学習モデルへのさらなる予測モデル入力（図２０に示された入力を超える）のリストを示す表である。 図２２は、本開示の１又は複数の実施形態に係る、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さらなる予測モデル入力（図２０に示された入力を超える）のリストを示す表である。 図２３は、本開示の１又は複数の実施形態に係る、関節形成手術処置の予測転帰をモデリングすうための例示的なフロー図である。 図２４は、本開示の１又は複数の実施形態に係る、完全ＸＧＢｏｏｓｔ機械学習モデル及び簡略ＸＧＢｏｏｓｔ機械学習モデルを使用するＡＳＥＳ予の測に関連した平均絶対誤差（ＭＡＥ）の比較を示す表である。 図２５は、本開示の１又は複数の実施形態に係る、完全ＸＧＢｏｏｓｔ機械学習モデル及び簡略ＸＧＢｏｏｓｔ機械学習モデルを使用するコンスタントの予測に関連した平均絶対誤差（ＭＡＥ）の比較を示す表である。 図２６は、本開示の１又は複数の実施形態に係る、完全ＸＧＢｏｏｓｔ機械学習モデル及び簡略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した平均絶対誤差（ＭＡＥ）の比較を示す表である。 図２７は、本開示の１又は複数の実施形態に係る、完全ＸＧＢｏｏｓｔ機械学習モデル及び簡略ＸＧＢｏｏｓｔ機械学習モデルを使用するＶＡＳ疼痛スコアの予測に関連した平均絶対誤差（ＭＡＥ）の比較を示す表である。 図２８は、本開示の１又は複数の実施形態に係る、完全ＸＧＢｏｏｓｔ機械学習モデル及び簡略ＸＧＢｏｏｓｔ機械学習モデルを使用する能動的外転の予測に関連した平均絶対誤差（ＭＡＥ）の比較を示す表である。 図２９は、本開示の１又は複数の実施形態に係る、完全ＸＧＢｏｏｓｔ機械学習モデル及び簡略ＸＧＢｏｏｓｔ機械学習モデルを使用する能動的前方挙上の予測に関連した平均絶対誤差（ＭＡＥ）の比較を示す表である。 図３０は、本開示の１又は複数の実施形態に係る、完全ＸＧＢｏｏｓｔ機械学習モデル及び簡略ＸＧＢｏｏｓｔ機械学習モデルを使用する能動的外旋の予測に関連した平均絶対誤差（ＭＡＥ）の比較を示す表である。 図３１は、本開示の１又は複数の実施形態に係る、複数の異なる転帰の測定値について、ＭＣＩＤの閾値を超える臨床的改善を経験したａＴＳＡ患者及びｒＴＳＡ患者についての、完全ＸＧＢｏｏｓｔモデルの予測の比較を示す表である。 図３２は、本開示の１又は複数の実施形態に係る、複数の異なる転帰の測定値について、ＭＣＩＤの閾値を超える臨床的改善を経験したａＴＳＡ患者及びｒＴＳＡ患者についての、簡略ＸＧＢｏｏｓｔモデルの予測の比較を示す表である。 図３３は、本開示の１又は複数の実施形態に係る、複数の異なる転帰の測定値について、ＳＣＢの閾値を超える臨床的改善を経験したａＴＳＡ患者及びｒＴＳＡ患者についての、完全ＸＧＢｏｏｓｔモデルの予測の比較を示す表である。 図３４は、本開示の１又は複数の実施形態に係る、複数の異なる転帰の測定値について、ＳＣＢの閾値を超える臨床的改善を経験したａＴＳＡ患者及びｒＴＳＡ患者についての、簡略ＸＧＢｏｏｓｔモデルの予測の比較を示す表である。 図３５は、本開示の１又は複数の実施形態に係る、複数の異なる転帰の測定値について、ＭＣＩＤの閾値を超える臨床的改善を経験したａＴＳＡ患者及びｒＴＳＡ患者についての、予測をなすＣＴ計画データからの入力を有する簡略ＸＧＢｏｏｓｔモデルの比較を示す表である。 図３６は、本開示の１又は複数の実施形態に係る、複数の異なる転帰の測定値について、ＳＣＢの閾値を超える臨床的改善を経験したａＴＳＡ患者及びｒＴＳＡ患者についての、予測をなすＣＴ計画データからの入力を有する簡略ＸＧＢｏｏｓｔモデルの比較を示す表である。 図３７は、本開示の１又は複数の実施形態に係る、関節形成手術処置の予測転帰をモデリングするための例示的な方法のフローチャートである。本発明の第１実施形態に係る車両のエネルギ受給部を示す斜視図。
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
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。
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。
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。
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。
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。
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)

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. 前記関節は、肩関節である、
    請求項１に記載の装置。
  8. 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。
  9. 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。
  10. 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。
  11. 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。
  12. 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。
  13. 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。
  14. 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。
  15. 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。
  16. 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。
  17. 前記関節は、肩関節である、
    請求項１１に記載の方法。
  18. 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。
  19. 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。
  20. 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。
JP2022562898A 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 Pending JP2023521912A (ja)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

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