KR20230003533A - 관절 성형 수술 프로시져의 예측 결과를 모델링하기 위한 방법 및 시스템 - Google Patents

관절 성형 수술 프로시져의 예측 결과를 모델링하기 위한 방법 및 시스템 Download PDF

Info

Publication number
KR20230003533A
KR20230003533A KR1020227040172A KR20227040172A KR20230003533A KR 20230003533 A KR20230003533 A KR 20230003533A KR 1020227040172 A KR1020227040172 A KR 1020227040172A KR 20227040172 A KR20227040172 A KR 20227040172A KR 20230003533 A KR20230003533 A KR 20230003533A
Authority
KR
South Korea
Prior art keywords
joint
surgery
patient
arthroplasty
surgical
Prior art date
Application number
KR1020227040172A
Other languages
English (en)
Inventor
크리스토퍼 로슈
비카스 쿠마르
스티븐 오버맨
안쿠르 테드레데사이
하워드 루트먼
라이언 시모비치
피에르-앙리 플루린
토마스 라이트
조셉 주커맨
Original Assignee
이그잭테크, 인코포레이티드
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 이그잭테크, 인코포레이티드 filed Critical 이그잭테크, 인코포레이티드
Publication of KR20230003533A publication Critical patent/KR20230003533A/ko

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)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Robotics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Urology & Nephrology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Gynecology & Obstetrics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Surgical Instruments (AREA)
  • Prostheses (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

장치는 프로세서 및 비일시적 메모리를 포함한다. 프로세서는 수술 이전 환자 고유의 데이터를 수신하도록 구성된다. 수술 이전 환자 고유의 데이터는, 제1 예측된 수술 이후 결과 메트릭을 포함하는 제1 예측된 수술 이후 관절 성능 데이터 출력을 결정하기 위해, 제1 머신 러닝 모델에 입력된다. 환자의 관절의 재건 계획은 관절의 의료 이미지, 및 유저로부터 획득되는 적어도 하나의 관절 성형 수술 파라미터에 기초하여 생성된다. 적어도 하나의 관절 성형 수술 파라미터는 제2 예측 수술 이후 결과 메트릭을 포함하는 제2 예측된 수술 이후 관절 성능 데이터 출력을 결정하기 위해 제2 머신 러닝 모델에 입력된다. 제2 예측된 수술 이후 관절 성능 데이터 출력은, 관절 성형 수술 이전에, 관절 성형 수술 동안, 또는 둘 모두에서 유저가 적어도 하나의 관절 성형 수술 파라미터 중 임의의 것을 변경하는 것에 응답하여, 관절 성형 수술 권장 사항을 포함하도록 업데이트된다.

Description

관절 성형 수술 프로시져의 예측 결과를 모델링하기 위한 방법 및 시스템
관련 출원에 대한 교차 참조
본 출원은 2020년 4월 17일자의 출원일을 갖는 발명의 명칭이 "MACHINE LEARNING TECHNIQUES TO PREDICT CLINICAL OUTCOMES AFTER SHOULDER ARTHROPLASTY"인 공동 소유의 공동 계류 중인 미국 특허 가출원 번호 제63/011,871호에 관련이 있으며 그 이익을 주장하는 국제(PCT) 특허 출원인데, 상기 가출원의 내용은 참조에 의해 그들 전체가 본원에 통합된다.
분야
본 개시는 의료 애플리케이션을 위한 머신 러닝 모델링에 관한 것으로, 더 구체적으로는, 관절 성형 수술 프로시져(arthroplasty surgical procedure)의 예측 결과를 모델링하기 위한 방법 및 시스템에 관한 것이다.
감독 머신 러닝(supervised machine learning)은 컴퓨터가 라벨링된 피쳐의 도움으로 예측 모델을 생성하기 위해 대규모 데이터세트에서의 복잡한 구조 및 관계를 학습하게 하는 인공 지능의 한 클래스이다. 머신 러닝 모델은 예측 에러를 최소화하기 위해 피쳐 데이터를 사용하여 반복적으로 학습한다. 다양한 머신 러닝 기술의 수많은 상용 애플리케이션이 있다.
몇몇 실시형태에서, 본 개시는 프로세서의 적어도 다음의 컴포넌트 및 명령어를 저장하는 비일시적 메모리를 포함하는 예시적인 기술적으로 개선된 컴퓨터 기반의 장치를 제공하는데, 그 명령어는, 프로세서에 의해 실행될 때, 프로세서로 하여금, 환자의 관절에 대해 수행될 관절 성형 수술을 위한 수술 이전 환자 고유의 데이터 ― 수술 이전 환자 고유의 데이터는 환자의 의학적 이력, 관절의 적어도 하나의 타입의 관절 움직임에 대한 움직임의 측정된 범위, 및 관절과 관련되는 적어도 하나의 통증 메트릭을 포함할 수도 있음 ― 를 수신하게 하고, 제1 예측된 수술 이후 관절 성능 데이터 출력 ― 제1 예측된 수술 이후 관절 성능 데이터 출력은 관절의 적어도 하나의 제1 예측된 수술 이후 결과 메트릭을 포함할 수도 있음 ― 을 결정하기 위해, 수술 이전 환자 고유의 데이터를 적어도 하나의 제1 머신 러닝 모델에 입력하게 하고, 제1 예측된 수술 이후 관절 성능 데이터 출력을 디스플레이 상에서 유저에게 디스플레이하게 하고, 환자에 대해 수행되는 적어도 하나의 의료 이미징 프로시져로부터 획득되는 관절의 적어도 하나의 의료 이미지를 수신하게 하고, 관절의 적어도 하나의 의료 이미지, 및 디스플레이된 제1 예측된 수술 이후 관절 성능 데이터 출력에 응답하여 유저로부터 획득되는 적어도 하나의 관절 성형 수술 파라미터에 기초하여 환자의 관절의 재건 계획 ― 재건 계획은, 적어도 하나의 임플란트, 적어도 하나의 임플란트 사이즈, 적어도 하나의 관절 성형 수술 프로시져, 관절에서 적어도 하나의 임플란트를 이식하기 위한 적어도 하나의 포지션, 또는 이들의 임의의 조합으로부터 선택되는 적어도 하나의 관절 성형 수술 파라미터를 포함할 수도 있음 ― 을 생성하게 하고, 관절의 적어도 하나의 제2 예측된 수술 이후 결과 메트릭을 포함하는 제2 예측된 수술 이후 관절 성능 데이터 출력을 결정하기 위해, 적어도 하나의 관절 성형 수술 파라미터를 적어도 하나의 제2 머신 러닝 모델에 입력하게 하고, 제2 예측된 수술 이후 관절 성능 데이터 출력을 디스플레이 상에서 유저에게 디스플레이하게 하고, 그리고 관절 성형 수술 이전에, 관절 성형 수술 동안, 또는 둘 모두에서 유저가 적어도 하나의 관절 성형 수술 파라미터 중 임의의 것을 변경하는 것에 응답하여, 적어도 하나의 관절 성형 수술 권장 사항을 포함하도록 디스플레이된 제2 예측된 수술 이후 관절 성능 데이터 출력을 업데이트하게 한다.
몇몇 실시형태에서, 본 개시는, 프로세서에 의해, 환자의 관절에 대해 수행될 관절 성형술에 대한 수술 이전 환자 고유의 데이터를 수신하는 적어도 다음의 단계를 포함하는 예시적인 기술적으로 개선된 컴퓨터 기반의 방법을 제공한다. 수술 이전 환자 고유의 데이터는 환자의 의학적 이력, 관절의 적어도 하나의 타입의 관절 움직임에 대한 움직임의 측정된 범위, 및 관절과 관련되는 적어도 하나의 통증 메트릭을 포함할 수도 있다. 수술 이전 환자 고유의 데이터는, 제1 예측된 수술 이후 관절 성능 데이터 출력을 결정하기 위해, 프로세서에 의해 적어도 하나의 제1 머신 러닝 모델에 입력될 수도 있다. 제1 예측된 수술 이후 관절 성능 데이터 출력은 관절의 적어도 하나의 제1 예측된 수술 이후 결과 메트릭을 포함할 수도 있다. 제1 예측된 수술 이후 관절 성능 데이터 출력은 프로세서에 의해 디스플레이 상에서 유저에게 디스플레이될 수도 있다. 환자에 대해 수행되는 적어도 하나의 의료 이미징 프로시져로부터 획득되는 관절의 적어도 하나의 의료 이미지가 프로세서에 의해 수신될 수도 있다. 환자의 관절의 재건 계획은 관절의 적어도 하나의 의료 이미지, 및 디스플레이된 제1 예측된 수술 이후 관절 성능 데이터 출력에 응답하여 유저로부터 획득되는 적어도 하나의 관절 성형 수술 파라미터에 기초하여 프로세서에 의해 생성될 수도 있다. 재건 계획은, 적어도 하나의 임플란트, 적어도 하나의 임플란트 사이즈, 적어도 하나의 관절 성형 수술 프로시져, 관절에서 적어도 하나의 임플란트를 이식하기 위한 적어도 하나의 포지션, 또는 이들의 임의의 조합으로부터 선택되는 적어도 하나의 관절 성형 수술 파라미터를 포함할 수도 있다. 적어도 하나의 관절 성형 수술 파라미터는, 관절의 적어도 하나의 제2 예측된 수술 이후 결과 메트릭을 포함하는 제2 예측된 수술 이후 관절 성능 데이터 출력을 결정하기 위해, 프로세서에 의해 적어도 하나의 제2 머신 러닝 모델에 입력될 수도 있다. 제2 예측된 수술 이후 관절 성능 데이터 출력은 프로세서에 의해 디스플레이 상에서 유저에게 디스플레이될 수도 있다. 디스플레이된 제2 예측된 수술 이후 관절 성능 데이터 출력은, 관절 성형 수술 이전에, 관절 성형 수술 동안, 또는 둘 모두에서 유저가 적어도 하나의 관절 성형 수술 파라미터 중 임의의 것을 변경하는 것에 응답하여, 적어도 하나의 관절 성형 수술 권장 사항을 포함하도록 프로세서에 의해 업데이트될 수도 있다.
본 개시의 몇몇 실시형태는, 첨부의 도면을 참조하여, 단지 예로서, 본원에서 설명된다. 이제 도면을 상세하게 구체적으로 참조하면, 도시되는 실시형태는 예시를 위한 것이고 본 개시의 실시형태의 예시적인 논의의 목적을 위한 것이다는 것이 강조된다. 이와 관련하여, 도면과 함께 취해지는 설명은 본 개시의 실시형태가 실시될 수도 있는 방법을 기술 분야의 숙련된 자에게 명백하게 만든다.
도 1은, 본 개시의 하나 이상의 실시형태에 따른, 관절 성형 수술 프로시져의 예측 결과를 모델링하기 위한 시스템의 블록도이다;
도 2는, 본 개시의 하나 이상의 실시형태에 따른, 나중에 그들의 수술(procedure) 이후 그들 자신을 "훨씬 더 좋음" 또는 "더 나쁨"으로서 이어서 설명할 임상 결과 데이터베이스의 해부학적 전체 어깨 관절 성형술(anatomic total shoulder arthroplasty; aTSA) 환자의 수술 이전 결과를 비교하는 수술 이전 운동 범위(ROM) 점수 대 수술 이전 결과 점수를 예시하는 그래프이다;
도 3은, 본 개시의 하나 이상의 실시형태에 따른, 나중에 그들의 수술 이후 그들 자신을 "훨씬 더 좋음" 또는 "더 나쁨"으로서 이어서 설명할 임상 결과 데이터베이스의 역행적 전체 어깨 관절 성형술(reverse total shoulder arthroplasty; aTSA) 환자의 수술 이전 결과를 비교하는 수술 이전 운동 범위(ROM) 점수 대 수술 이전 결과 점수를 예시하는 그래프이다;
도 4는, 본 개시의 하나 이상의 실시형태에 따른, 해부학적 전체 어깨 관절 성형술(aTSA) 환자 및 역행적 전체 어깨 관절 성형술(rTSA)에 대한 수술시 연령 분포를 예시하는 그래프이다;
도 5는, 본 개시의 하나 이상의 실시형태에 따른, 전체 코호트, aTSA, 및 rTSA에 대한 각각의 결과 메트릭에 대한 최소 임상적으로 중요한 차이(minimally clinically important difference; MCID) 및 실질적 임상 이익(substantial clinical benefit; SCB) 임계치를 나타내는 테이블이고;
도 6은, 본 개시의 하나 이상의 실시형태에 따른, 미국인 어깨 및 팔꿈치 외과 의사 어깨 점수(American Shoulder and Elbow Surgeons Shoulder Score; ASES) 예측 모델과 관련되는 평균 절대 오차(Mean Absolute Error; MAE)의 비교를 나타내는 테이블이다;
도 7은, 본 개시의 하나 이상의 실시형태에 따른, 캘리포니아대학교 로스앤젤레스(University of California, Los Angeles; UCLA) 예측 모델과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다;
도 8은, 본 개시의 하나 이상의 실시형태에 따른, 상수 예측 모델(Constant Prediction Model)과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다;
도 9는, 본 개시의 하나 이상의 실시형태에 따른, 전역적 어깨 기능 점수 예측 모델(Global Shoulder Function Score Prediction Model)과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다;
도 10은, 본 개시의 하나 이상의 실시형태에 따른, 시각적 아날로그 스케일(visual analogue scale; VAS) 통증 점수 예측 모델과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다;
도 11은, 본 개시의 하나 이상의 실시형태에 따른, 능동 외전 예측 모델(Active Abduction Prediction Model)과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다;
도 12는, 본 개시의 하나 이상의 실시형태에 따른, 능동 전방 거상 예측 모델(Active Forward Elevation Prediction Model)과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다;
도 13은, 본 개시의 하나 이상의 실시형태에 따른, 능동 외회전 예측 모델(Active External Rotation Prediction Model)과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다;
도 14는, 본 개시의 하나 이상의 실시형태에 따른, F 점수에 의해 순위가 매겨지는 바와 같은 환자 보고 결과 척도(patient reported outcome measure; PROM)를 예측하기 위해 XGBoost 머신 러닝 알고리즘에 의해 식별되는 바와 같은 상위 다섯 개의 가장 예측 가능한 피쳐의 비교를 나타내는 테이블이다;
도 15는, 본 개시의 하나 이상의 실시형태에 따른, F 점수에 의해 순위가 매겨지는 바와 같은 통증, 기능, 및 ROM을 예측하기 위해 XGBoost 머신 러닝 알고리즘에 의해 식별되는 바와 같은 다섯 개의 가장 예측적인 피쳐의 비교를 나타내는 테이블이다;
도 16은, 본 개시의 하나 이상의 실시형태에 따른, ASES, UCLA, 및 상수 점수(Constant Score) 각각에 대한 MCID 임계치를 초과하는 임상적 개선을 경험한 aTSA 및 rTSA 환자를 예측하기 위한 XGBoost 알고리즘의 정확도의 비교를 나타내는 테이블이다;
도 17은, 본 개시의 하나 이상의 실시형태에 따른, 능동 외전, 전방 거상, 및 외회전 ROM 척도에 대한 전역적 어깨 기능 및 VAS 통증 점수 각각에 대한 MCID 임계치를 초과하는 임상적 개선을 경험한 aTSA 및 rTSA 환자를 예측하기 위한 XGBoost 알고리즘의 정확도의 비교를 나타내는 테이블이다;
도 18은, 본 개시의 하나 이상의 실시형태에 따른, ASES, UCLA, 및 상수 점수 각각에 대한 SCB 임계치를 초과하는 임상적 개선을 경험한 aTSA 및 rTSA 환자를 예측하기 위한 XGBoost 알고리즘의 정확도의 비교를 나타내는 테이블이다;
도 19는, 본 개시의 하나 이상의 실시형태에 따른, 전역적 어깨 기능 및 VAS 통증 점수 각각에 대한, 그리고 능동 외전, 전방 거상, 및 외회전 ROM 척도에 대한 SCB 임계치를 초과하는 임상적 개선을 경험한 aTSA 및 rTSA 환자를 예측하기 위한 XGBoost 알고리즘의 정확도의 비교를 나타내는 테이블이다;
도 20은, 본 개시의 하나 이상의 실시형태에 따른, 전역적 어깨 기능 점수, VAS 통증 점수, 및 능동 외전, 능동 전방 거상, 및 능동 외회전을 계산하기 위한 머신 러닝 모델에 대한 예측 모델 입력의 목록을 나타내는 테이블이다;
도 21은, 본 개시의 하나 이상의 실시형태에 따른, ASES 점수를 계산하기 위한 머신 러닝 모델에 대한 (도 20에서 제시되는 입력에 더한) 추가적인 예측 모델 입력의 목록을 나타내는 테이블이다;
도 22는, 본 개시의 하나 이상의 실시형태에 따른, 상수 점수를 계산하기 위한 머신 러닝 모델에 대한 (도 20에 제시되는 입력에 더한) 추가적인 예측 모델 입력의 목록을 나타내는 테이블이다;
도 23은, 본 개시의 하나 이상의 실시형태에 따른, 관절 성형 수술 프로시져의 예측 결과를 모델링하기 위한 예시적인 흐름도이다;
도 24는, 본 개시의 하나 이상의 실시형태에 따른, 전체 및 약식(Abbreviated) XGBoost 머신 러닝 모델을 사용한 ASES 예측과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다;
도 25는, 본 개시의 하나 이상의 실시형태에 따른, 전체 및 약식 XGBoost 머신 러닝 모델을 사용한 상수 예측과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다;
도 26은, 본 개시의 하나 이상의 실시형태에 따른, 전체 및 약식 XGBoost 머신 러닝 모델을 사용한 전역적 어깨 기능 점수 예측과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다;
도 27은, 본 개시의 하나 이상의 실시형태에 따른, 전체 및 약식 XGBoost 머신 러닝 모델을 사용한 VAS 통증 점수 예측과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다;
도 28은, 본 개시의 하나 이상의 실시형태에 따른, 전체 및 약식 XGBoost 머신 러닝 모델을 사용한 능동 외전 예측과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다;
도 29는, 본 개시의 하나 이상의 실시형태에 따른, 전체 및 약식 XGBoost 머신 러닝 모델을 사용한 능동 전방 거상 예측과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다;
도 30은, 본 개시의 하나 이상의 실시형태에 따른, 전체 및 약식 XGBoost 머신 러닝 모델을 사용한 능동 외회전 예측과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다;
도 31은, 본 개시의 하나 이상의 실시형태에 따른, 다수의 상이한 결과 척도에 대한 MCID 임계치를 초과하는 임상적 개선을 경험한 aTSA 및 rTSA 환자에 대한 전체 XGBoost 모델 예측의 비교를 나타내는 테이블이다;
도 32는, 본 개시의 하나 이상의 실시형태에 따른, 다수의 상이한 결과 척도에 대한 MCID 임계치를 초과하는 임상적 개선을 경험한 aTSA 및 rTSA 환자에 대한 약식 XGBoost 모델 예측의 비교를 나타내는 테이블이다;
도 33은, 본 개시의 하나 이상의 실시형태에 따른, 다수의 상이한 결과 척도에 대한 SCB 임계치를 초과하는 임상적 개선을 경험한 aTSA 및 rTSA 환자에 대한 전체 XGBoost 모델 예측의 비교를 나타내는 테이블이다;
도 34는, 본 개시의 하나 이상의 실시형태에 따른, 다수의 상이한 결과 척도에 대한 SCB 임계치를 초과하는 임상적 개선을 경험한 aTSA 및 rTSA 환자에 대한 약식 XGBoost 모델 예측의 비교를 나타내는 테이블이다;
도 35는, 본 개시의 하나 이상의 실시형태에 따른, 다수의 상이한 결과 척도에 대한 MCID 임계치를 초과하는 임상적 개선을 경험한 aTSA 및 rTSA 환자에 대한 예측을 행하기 위해 CT 계획 데이터로부터의 입력과 약식 XGBoost 모델의 비교를 나타내는 테이블이다;
도 36은, 본 개시의 하나 이상의 실시형태에 따른, 다수의 상이한 결과 척도에 대한 SCB 임계치를 초과하는 임상적 개선을 경험한 aTSA 및 rTSA 환자에 대한 예측을 행하기 위해 CT 계획 데이터로부터의 입력과 약식 XGBoost 모델의 비교를 나타내는 테이블이다; 그리고
도 37은, 본 개시의 하나 이상의 실시형태에 따른, 관절 성형 수술 프로시져의 예측 결과를 모델링하기 위한 예시적인 방법의 플로우차트이다.
개시된 그들 이점 및 개선점 중에서, 본 개시의 다른 목적 및 이점은 첨부의 도면과 연계하여 취해지는 다음의 설명으로부터 명백해질 것이다. 본 개시의 상세한 실시형태가 본원에서 개시된다; 그러나, 개시된 실시형태는 다양한 형태로 구체화될 수도 있는 본 개시를 예시하는 것에 불과하다는 것이 이해되어야 한다. 또한, 예 각각은 제한적인 것이 아니라 예시적인 것으로 의도되는 본 개시의 다양한 실시형태에 관하여 주어진다.
명세서 및 청구범위 전반에 걸쳐, 문맥 상 명백하게 다르게 지시하지 않는 한, 하기 용어는 본원에서 명시적으로 관련되는 의미를 취한다. 본원에 사용되는 바와 같은 어구 "하나의 실시형태에서", "한 실시형태에서" 및 "몇몇 실시형태에서"는 반드시 동일한 실시형태(들)를 지칭하는 것은 아니지만, 그럴 수도 있다. 더구나, 본원에 사용되는 바와 같은 어구 "다른 실시형태에서" 및 "몇몇 다른 실시형태에서"는 반드시 상이한 실시형태를 지칭하는 것은 아니지만, 그럴 수도 있다. 본 개시의 모든 실시형태는 본 개시의 범위 또는 취지로부터 벗어나지 않으면서 조합 가능하도록 의도된다.
본원에서 사용될 때, 용어 "~에 기초하여"는, 문맥 상 명백하게 다르게 지시하지 않는 한, 배타적이지 않으며 설명되지 않는 추가적인 요인에 기초하는 것을 허용한다. 또한, 명세서 전반에 걸쳐, "a(한)", "an(한)" 및 "the(그)"의 의미는 복수의 참조를 포함한다. "in(내에)"의 의미는 "in(내에)" 및 "on(상에)"을 포함한다.
본원에서 사용될 때, "포함하는(comprising)" "포함하는(including)" 및 "구비하는(having)"과 같은 용어는 특정한 청구항의 범위를 그 청구항에 의해 기재되는 재료 또는 단계로 제한하지는 않는다.
본원에서 참조되는 모든 종래의 특허, 간행물, 및 테스트 방법은 참조에 의해 그들 전체가 통합된다.
예
상기에서 설명되는 본 개시의 실시형태에 대한 변형, 수정 및 변경은 기술 분야의 숙련된 자에게 자명할 것이다. 모든 그러한 변형, 수정, 변경 및 등등은 오로지 첨부된 청구범위에 의해서만 제한되는 본 개시의 취지 및 범위 내에 속하도록 의도된다.
본 개시의 몇몇 실시형태가 설명되었지만, 이들 실시형태는 단지 예시적인 것이며 제한적이지 않다는 것, 및 많은 수정이 기술 분야에서 통상의 지식을 가진 자에게 명백하게 될 수도 있다는 것이 이해된다. 예를 들면, 본원에서 논의되는 모든 치수는 단지 예로서만 제공되며, 제한적인 것으로 의도되는 것이 아니라 예시적인 것으로 의도된다.
이 설명에서 확실하게 식별되는 임의의 피쳐 또는 엘리먼트는, 청구범위에 정의되는 바와 같은 본 개시의 실시형태의 피쳐 또는 엘리먼트로서 또한 구체적으로 배제될 수도 있다.
건강 관리 애플리케이션을 위한 머신 러닝 기술은 복잡한 건강 관리 데이터를, 외과 의사가 그들의 환자와 및 그들의 환자의 상태의 복잡성을 더 잘 이해하는 데 도움이 될 수 있는 실용적인 지식으로 변환하는 잠재력을 제공한다. 많은 양의 고품질 임상 결과 데이터를 활용하는 것에 의해, 머신 러닝 분석은 데이터세트에서 이전에 숨겨진 상관 관계 및 관계를 식별하여, 개개의 환자 치료 결정에 더 나은 정보를 제공할 수 있는 예측 모델을 생성할 수 있다.
정형외과에서, 고품질 결과 및 환자 데이터로부터 유도되는 예측 모델은, 복잡한 건강 관리 데이터를 더욱 정보에 입각한 치료 의사 결정을 지원하는 실용적인 지식으로 변환할 수도 있는, 증거 근거 기반의 의사 결정 도구의 환자 고유의 구현을 나타낼 수도 있다. 머신 러닝의 상업적 사용이 정형외과에게 새로운 것일 수도 있지만, 최근 몇 년 동안 연구에서의 그것의 사용은 증가하였다. 많은 머신 러닝 애플리케이션이 이미지 기반의 분석이었지만, 그러나 임상 결과를 예측하기 위해 머신 러닝 기술을 사용하는 것에 점점 관심이 증가하고 있다. 예측 결과 모델은, 관절 성형술과 같은 선택적 수술(elective procedure)로부터 어떤 환자가 이익을 받을지를 정형외과 의사가 더 잘 식별하는 데 도움이 될 수도 있고, 또한 유사한 인구 통계학, 진단, 공존 질환, 임상 이력, 및 치료를 갖는 이전 환자의 경험을 활용하는 것에 의해 임상적 개선에 대한 환자 및 외과 의사 기대치를 더 잘 정렬하는 데 도움이 될 수도 있다. 환자 고유의 개선을 예측하는 요인에 대한 더 많은 통찰과 함께, 그리고 예측된 결과와 실제화된 결과 사이의 더 나은 정렬과 함께, 그러한 증거 기반의 예측 결과 도구의 사용을 통해 환자 충족도 레벨은 증가할 가능성이 있을 수도 있다.
본원에서의 본 개시의 실시형태는 관절 성형 수술 프로시져의 예측 결과를 모델링하기 위한 방법 및 시스템을 설명한다. 관절 성형술은, 예를 들면, 엉덩이, 무릎, 어깨, 팔꿈치, 및 발목을 포함하는, 그러나 이들로 제한되지는 않는 신체의 임의의 관절을 수복하거나 또는 교체하기 위해 사용될 수도 있다. 그러나, 이들 방법 및 시스템을 추가로 예시하기 위해, 본 개시 전반에 걸친 예시적인 실시형태로서 어깨 관절 성형 성형술이 본원에서 사용된다.
도 1은, 본 개시의 하나 이상의 실시형태에 따른, 관절 성형 수술 프로시져의 예측 결과를 모델링하기 위한 시스템(10)의 블록도이다. 시스템(10)은, 모두 통신 네트워크(30)를 통해 통신하는(32), 서버(15), 의료 이미징 시스템(35), 전자 리소스1(40A) ... 전자 리소스N(40B)로서 표기되는 복수의 N 개의 ― 여기서 N은 정수임 ― 전자 의료 리소스, 및 유저(20)의 컴퓨팅 디바이스(77)를 포함할 수도 있다. 유저(20)의 컴퓨팅 디바이스(77)는 또한 서버(15)에 직접적으로 통신 가능하게 커플링(37)될 수도 있다.
몇몇 실시형태에서, 컴퓨팅 디바이스(77) 상에서 그래픽 유저 인터페이스(GUI)(75)와 상호 작용할 수도 있는 유저(20)는 환자(25)에 대해 수행될 관절 성형 수술 프로시져를 논의하는 의사일 수도 있다. 다른 실시형태에서, 컴퓨팅 디바이스(77)는 관절의 관절 성형 수술 프로시져가 수행될 수도 있는 수술실과 같은 임의의 적절한 위치에 배치될 수도 있다.
서버(15)는, 예를 들면, 프로세서(45), 비일시적 메모리(60), 통신 네트워크(30)를 통해 통신하기(32) 위한 통신 회로부(circuitry)(70), 및/또는 I/O 디바이스(65), 예컨대 GUI(75)를 유저(20)에게 디스플레이하기 위한 디스플레이, 키보드(65A) 및 마우스(65B)를 포함할 수도 있다.
몇몇 실시형태에서, 서버(15)는 본원에서 설명되는 바와 같은 시스템(10)에서 기능을 수행하기 위해 상이한 소프트웨어 모듈을 실행하도록 구성될 수도 있다. 상이한 소프트웨어 모듈은, 환자 고유의 데이터 수집 모듈(46), 컴퓨터 단층 촬영(computed tomography; CT) 이미지 기반의 가이드식 개인 맞춤형 수술(guided personalized surgery; GPS) 관절 재건 계획 모듈(48), 초기 수술 이전 예측 머신 러닝 모델(machine learning model; MLM) 모듈(50), 이미지 기반의 예측 MLM 모듈(52), 머신 러닝 모델 트레이닝 모듈(54), 및 유저의 컴퓨팅 디바이스(77) 상에서 GUI(75)를 제어하기 위한 GUI 관리자 모듈(56)을 포함할 수도 있지만, 그러나 이들로 제한되지는 않는다.
몇몇 실시형태에서, 비일시적 메모리(60)는 복수의 환자에 대해 수행되는 상이한 타입의 관절 성형 수술 프로시져의 복수의 임상 결과를 갖는 임상 결과 데이터베이스(62)를 저장하도록 구성될 수도 있다.
몇몇 실시형태에서, 환자 고유의 데이터 수집 모듈(46)은, 환자(25)로부터 의료 데이터를 획득하기 위해, 통신 네트워크(30)를 통해 복수의 전자 의료 리소스(40A 및 40B) 중 임의의 것에게 질의할(query) 수도 있다. 복수의 전자 의료 리소스(40A 및 40B)는, 예를 들면, 환자의 건강 관리 기관(health management organization; HMO), 환자(25)가 의학적 치료를 받은 병원, 환자(25)가 의학적 치료를 받은 의사에 의해 관리될 수도 있다.
몇몇 실시형태에서, CT 이미지 기반의 GPS 관절 재건 계획 모듈(48)은 의료 이미징 시스템(35)으로부터 수신되는 의료 이미지로부터 데이터를 분석할 수도 있다. 의료 이미징 시스템(35)은, 예를 들면, 엑스선 이미지, 컴퓨터 단층 촬영(CT) 이미지, 자기 공명 이미지, 및/또는 삼차원(three-dimensional; 3D) 의료 이미지를 생성할 수도 있다. 3D 의료 이미지는 복수의 엑스선 이미지로부터 생성될 수도 있다. 의료 이미지는 관절의 비디오로부터의 프레임을 포함할 수도 있다.
몇몇 실시형태에서, 머신 러닝 모델(MLM) 트레이닝 모듈(54)은 시스템(10)에서 사용되는 머신 러닝 모델을 트레이닝시키기 위한 트레이닝 데이터세트를 생성할 수도 있다. 예를 들면, MLM 트레이닝 모듈(54)은, 상이한 타입의 관절 성형 수술 프로시져에 사용되는 관절 성형 수술 파라미터 및 수술 이전 환자 고유의 데이터의 데이터 벡터를, 관절 교체의 공지된 수술 이후 결과 메트릭에 부분적으로 매핑하는 데이터세트를 생성하기 위해, 임상 결과 데이터베이스(62)로부터 환자 결과 데이터를 검색할 수도 있다. 그 다음, 트레이닝된 머신 러닝 모델은 관절 성형 수술 이전에 새로운 환자에 대한 입력 데이터 벡터가 주어지면 관절 교체의 예측된 수술 이후 결과 메트릭을 생성할 수도 있다.
몇몇 실시형태에서, 어깨 관절 성형술과 관련하여, 머신 러닝 기술은 전체 어깨 관절 성형술을 받는 환자에 대한 수술 이후의 다양한 수술 이후 시점에서 임상 결과를 수술 이전에(pre-operatively) 예측하기 위해 사용될 수도 있다. 이들 예측은 특정한 환자가, 예를 들면, 해부학적 전체 어깨 관절 성형술(aTSA) 및/또는 역행적 전체 어깨 관절 성형술(rTSA) 이후에 경험할 것으로 예상될 수도 있는 것을 어깨 외과 의사에게 통지하기 위해 사용될 수도 있다. 모델 입력의 목록은 건강 관리 전문가로부터 및/또는 이전에 설명되는 바와 같이 전자 의료 리소스 중 임의의 것에게 질의하는 것에 의해 소프트웨어 통합을 통해 환자의 전자 의료 레코드로부터 자동적으로 획득될 수도 있다. 본 개시가 aTSA 및 rTSA 결과 예측에 초점을 맞추고 있지만, 이들 모델은 또한 반관절 성형술(hemiarthroplasty), 골절 재건, 관내인공삽입물(endoprosthesis), 표면 재건(resurfacing), 및 1차(primary) 대 수정(revision) 관절 성형술 결과 예측과 같은 다른 어깨 관절 성형 애플리케이션에도 또한 적용될 수 있다.
몇몇 실시형태에서, 이들 예측 모델에 대한 입력과 관련하여, 주어진 전체 어깨 관절 성형술 환자에 대한 예측 결과는, 환자의 고유의 진단 및 뼈/연조직 형태학적 고려 사항을 고려하기 위해, 예를 들면, 상이한 사이즈의 상완골두(humeral head), 상완골 줄기(humeral stem), 관절와구(glenosphere), 관절와 또는 상완골 보강물과 같은 상이한 임플란트 사이즈, 예를 들면, aTSA, rTSA, 반관절 성형술, 표면 재건, 짧은 줄기(short stem), 무줄기(stemless), 골절 관절 성형술(fracture arthroplasty), 관내인공삽입물, 수정 디바이스(revision device)와 같은 임플란트 타입, 및/또는 예를 들면, 삼각흉근(delto-pectoral), 상외측(superior-lateral), 견갑하근(subscapularis) 보존과 같은 수술 기법을 사용하여, 최적의 임상 결과를 위한 권장 사항을 제공하도록 추가로 개선될 수도 있다.
몇몇 실시형태에서, 환자의 수술 이후 임상 결과를 수술 이전에 예측하기 위해 머신 러닝 예측 결과 알고리즘을 사용하는 것은 환자 및 외과 의사에게 가치가 있는 다수의 추가적인 실제 애플리케이션을 가질 수도 있다. 첫째, 다수의 상이한 환자 보고 결과 척도(PROM) 및 능동적 운동 범위(ROM) 측정치에 대한 환자 충족도 앵커 기반의 최소 임상적으로 중요한 차이(MCID) 및 실질적 임상 이익(SCB) 임계치를 기준으로 aTSA 및 rTSA 이후 어떤 환자가 임상적 개선을 달성할 수도 있는지를 수술 이전에 구별하는 능력은, 이들 선택적 수술에 대해 어떤 환자가 적절한 후보인지를 객관적으로 식별하는 데 정형외과 의사에게 유용할 수도 있다. 그것은, 또한, 특정한 환자에 대한 임플란트 타입 사이에서 결정하는 데 정형외과 의사에게 도움이 될 수도 있다. 몇몇 환자에게는 비수술적 치료가 최상일 수도 있기 때문에, 이러한 예지(foreknowledge)는 환자, 외과 의사, 병원 및/또는 지불인에게 더욱 효율적인 리소스 할당을 나타낼 수도 있다.
본 개시에서, 용어 "결과 메트릭" 및 "결과 척도"는 본원에서 상호 교환 가능하게 사용될 수도 있다. 용어 "머신 러닝 모델", "머신 러닝 모듈", "머신 러닝 예측 결과 알고리즘", "예측 결과 알고리즘" 및/또는 "예측 결과 모델"은 본원에서 상호 교환 가능하게 사용될 수도 있다.
몇몇 실시형태에서, 다수의 수술 이후 시점에서의 임상적 개선의 환자 고유의 예측은 이 선택적 수술 이후에 달성 가능한 것에 대한 환자 및 외과 의사의 기대치를 정렬하는 데 도움이 될 수도 있다. 수술 이전 기대치와 수술 이후 충족도 사이의 관련성을 고려하면, 임상적 개선의 크기 및 비율 둘 모두에 대한 더 나은 외과 의사 대 환자 정렬은 더 높은 레벨의 환자 충족도를 초래할 수도 있다. 더구나, 주어진 환자에 대해 다양한 수술 이후 시점에서 기대될 수 있는 임상적 개선의 양의 향상된 이해는 재활을 위한 프로토콜을 확립함에 있어서 외과 의사에게 도움이 될 수도 있다. 이것은 또한 외과 의사 및 환자 둘 모두가, 불안정성, 무균성 이완(aseptic loosening), 및 감염과 같은, aTSA 및 rTSA와 관련되는 수술 고유의 위험 대 이들 이득을 비교하는 데 도움이 될 수도 있다.
몇몇 실시형태에서, 본원에서 개시되는 머신 러닝 기술은 특정한 진단에 기초하여 결과 및 개선을 예측하도록 그리고 또한 다양한 합병증에 대한 위험 요인을 갖는 환자를 예측 및/또는 식별하도록 확장될 수도 있다. 더구나, 예측 모델은 환자를 적절하게 위험 계층화하고 건강 관리 워크플로우에 대한 권장 사항, 예컨대 외래 수술 센터에서 안전하게 수술을 받을 수도 있는 환자 또는 병원에서 입원 환자(in-patient) 대 외래 환자(outpatient) 수술을 받아야 하는 환자를 식별하는 것을 제시하는 데 도움이 될 수도 있다. 예측 모델은 관절 성형 수술(arthroplasty procedure) 이후 입원 기간 동안 그들의 지속 기간 길이에 대한 특정한 환자에 대한 권장 사항을 만들 수도 있다.
몇몇 실시형태에서, 예측 모델은 결과에 영향을 끼치는 요인의 더 나은 이해를 제공할 수도 있는데, 이것은 정형외과 의사가 통증 완화, 기능, 및 이동성에 대한 환자 고유의 요건의 관점에서 각각의 환자에 대한 관리를 개인화하는 것뿐만 아니라, 환자가 예측 모델 출력을 위해 입력되고 고려되는 그 환자 고유의 특성에 기초하여 관절 성형 수술 프로시져가 그들의 요구를 얼마나 잘 충족할 수도 있는지를 더 잘 이해하는 것을 돕는 것을 지원할 수도 있다.
도 2는, 본 개시의 하나 이상의 실시형태에 따른, 나중에 그들의 수술 이후 그들 자신을 "훨씬 더 좋음" 또는 "더 나쁨"으로서 이어서 설명할 임상 결과 데이터베이스의 해부학적 전체 어깨 관절 성형술(aTSA) 환자의 수술 이전 결과를 비교하는 수술 이전 운동 범위(ROM) 점수 대 수술 이전 결과 점수를 예시하는 그래프이다.
도 3은, 본 개시의 하나 이상의 실시형태에 따른, 나중에 그들의 수술 이후 그들 자신을 "훨씬 더 좋음" 또는 "더 나쁨"으로서 이어서 설명할 임상 결과 데이터베이스의 역행적 전체 어깨 관절 성형술(aTSA) 환자의 수술 이전 결과를 비교하는 수술 이전 운동 범위(ROM) 점수 대 수술 이전 결과 점수를 예시하는 그래프이다;
도 2 및 도 3 둘 모두에서, 임상 결과 데이터베이스(62)의 aTSA 및 rTSA 환자의 수술 이전 결과는, 그들 자신을 "훨씬 더 좋음"으로 수술 이후에 평가하는 aTSA 및 rTSA 환자 대 최신 수술 이후 추적 관찰(follow-up) 동안 그들 스스로를 "더 나쁨"으로 평가하는 aTSA 및 rTSA 환자에 기초할 수도 있다는 것을 유의한다. 도 2 및 도 3 둘 모두에서 두 코호트 사이의 환자의 상대적으로 균등한 분포는, 이들 환자가 정형외과 의사에 의해 식별하기가 어려울 수도 있고 특정한 환자가 주어진 수술을 받아야 하는 경우 그 환자가 "훨씬 더 나음" 결과를 가질지 또는 "더 나쁨" 결과를 가질지를 수술 이전에 이들 파라미터에만 단독으로 기초하여 구별하기가 어려울 수도 있다는 것을 나타낸다는 것을 유의한다.
몇몇 실시형태에서, 증거 기반의 수술 이전 예측 결과 도구는 관절 성형술 이후에 달성될 환자 고유의 이득을 외과 의사가 객관적으로 확립하는 하는 데 크게 도움이 되는데, 그 이유는, 현재 이용 가능한 지식과 임상적 가이드라인, 및 공지된 위험 요인에 기초하여 어떤 환자가 나쁜 결과를 달성할 것인지 그리고 어떤 환자가 수술에 불만족스러울 것인지에 관해 관절 성형술 외과 의사가 수술 이전에 식별하는 것이 통상적으로 어렵기 때문이다.
전체 어깨 관절 성형술 이후의 환자에 대해 긍정적인 결과가 일반적일 수도 있는데, 만족하지 못한 환자(예를 들면, 그들의 비수술 상태와 비교하여 "변경 없음" 또는 "더 나쁨"을 언급하는 환자)와 비교하여, aTSA 및/또는 rTSA를 받은 환자의 경우 약 90 %의 환자가 그들의 수술에 만족한다고 보고한다(예를 들면, 그들의 비수술 상태에 비해 "좋음" 또는 "훨씬 더 좋음"을 언급하는 환자). 그러나, 이들 나쁜 결과를 달성할 환자의 예측 가능성은, 수술 이후에 "더 나빠"지게 될 환자와 비교하여 더 나아지게 될 환자와 비교하여, 수술 이전 결과의 프리젠테이션에 의해 입증되는 바와 같이 aTSA(도 2)와 rTSA(도 3) 둘 모두에 대해 덜 확실할 수도 있다.
전체 어깨 관절 성형술 이후 결과의 예측 가능성은, 수술 이후 추적 관찰의 특정한 시간에 주어진 평면에서 환자가 달성할 기능 및 운동 범위의 양에서의 개선을 고려할 때, 덜 확실할 수도 있다. 예를 들면, 대부분의 어깨 외과 의사는 rTSA 이후 능동 회전 및 능동 회전의 양의 개선은 예측 불가능하고, 그 결과, 그들은 환자에게 그들이 그들의 팔을 능동적으로 회전시키는 능력을 개선시킬지 또는 그렇지 않을지를 정확하게 조언할 수 없을 수도 있다고 생각할 수도 있다.
환자가 전체 어깨 관절 성형술 이후 전체 운동 범위를 회복하기 위한 회복 시간뿐만 아니라, 측정을 위한 다양한 환자 보고 결과 척도(PROM: 예를 들면, ASES, 상수, UCLA, 어깨 기능, 단순 어깨 테스트(Simple Shoulder Test; SST), 어깨 통증 및 불능 지수(Shoulder Pain And Disability Index; SPADI), VAS 통증, 어깨 관절 성형 스마트 점수(Shoulder Arthroplasty Smart Score), 등등)에 의해 측정되는 바와 같은 전체 결과와 관련하여, 환자가 경험할 수도 있는 대부분의 개선은 관절 성형 수술 이후 처음 6 개월 이내에 통상적으로 달성된다. 그러나, 몇몇 환자는 전체 운동 범위를 달성하는 데 또는 최대 PROM 점수를 획득하는 데 수술 이후 2 년만큼 길게 걸릴 수도 있다.
또한 전체 운동 범위 및/또는 최대 PROM 점수는, 예를 들면, 환자 인구 통계학, 공존 질환, 진단, 진단의 중증도/퇴행성 상태, 뼈/연조직 품질, 뼈 형태, 임플란트 선택 타입, 임플란트 사이징, 임플란트 위치 결정, 및/또는 수술 기법 정보를 포함하는, 그러나 이들로 제한되지는 않는 많은 상이한 요인에 기인하여, 환자 사이에서 변할 수도 있다. 따라서, 외과 의사 및 환자 기대치는 정확하지 않을 수도 있고 이들 상기에서 언급된 요인 모두에 기인하여 정렬하지 못할 수도 있고, 그 결과, 수술에 대한 증가된 불만으로 이어질 수도 있다. 따라서, 환자 및 외과 의사가 더욱 정확한 기대치, 개선된 예측 가능성, 및 개선된 충족도를 달성하는 것을 더 잘 돕기 위해서는, 모든 가능한 변수를 고려하여, 전체 어깨 관절 성형술 이후 PROM 및 ROM에 의해 정의되는 바와 같은 결과를 더 양호하게 그리고 더 정확하게 예측할 필요성이 있다.
도 4는, 본 개시의 하나 이상의 실시형태에 따른, 해부학적 전체 어깨 관절 성형술(aTSA) 환자 및 역행적 전체 어깨 관절 성형술(rTSA)에 대한 수술시 연령 분포를 예시하는 그래프이다. 도 4는 나이 많은 환자가 aTSA 수술보다는 rTSA 수술을 받을 가능성이 더 높을 수도 있고, 한편, 더 젊은 환자는 aTSA를 받을 가능성이 더 높을 수도 있다는 것을 예시한다. 환자가 rTSA를 받을 가능성이 더 높은 교차 연령은 수술 당시 64세의 나이이다. 수술 당시 75세의 나이보다 더 나이 많은 환자의 경우, aTSA와 비교하여 rTSA에 대해 비율은 4:1이다.
추가적으로, aTSA와 rTSA 사이의 적응증의 최근의 혼합에 기인하여, 그리고 또한 회전건개(rotator cuff) 관련 합병증 ― 이것은 도 4에서 도시되는 바와 같이 rTSA가 아니라 aTSA에서 지배적으로 발생함 ― 의 발생을 완화시키기 위해 나이 많은 환자에 대해 rTSA의 사용을 증가시키려는 어깨 외과 의사에 의한 추세에서의 최근의 변화에 기인하여, 어떤 관절 성형 수술이 더 나은 결과를 제공할지를 외과 의사가 더 잘 예측하는 것을 도울 필요가 있다.
본원의 실시형태는, (예를 들면, 본원에서 구현되는 머신 러닝 예측 모델을 트레이닝시키기 위해 사용될 수도 있는) 임상 결과 데이터베이스(62)로부터의 결과 데이터의 다변수 기반의 머신 러닝 분석(multivariable-based machine learning analysis)을 사용하여 관절 성형 수술 프로시져 이후 겪게 되는 관절의 운동 범위 및 결과를 예측하는 도 1의 시스템(10)에서 도시되는 바와 같은 방법, 워크플로우 및 컴퓨터 소프트웨어 시스템을 설명한다. 따라서, 수술 이전에 특정한 환자가 달성할 수도 있는 수술 이후 결과 척도를 더욱 정확하게 예측하기 위해, 트레이닝된 머신 러닝 예측 모델은, 관절 성형술을 받을 특정한 환자에 대한 환자 고유의 데이터의 것에 대한 그들의 통계적 경향 및 관계를 외삽할(extrapolate) 수도 있다.
몇몇 실시형태에서, 외과 의사는, 다양한 임플란트 타입 및 사이즈에 대한 다양한 수술 이후 시점에서 다수의 상이한 결과 메트릭에 의해 측정되는 바와 같은 결과를 식별하는 것을 돕기 위해 그리고 또한 그들 예측된 결과를 임상 결과 데이터베이스(62)로부터의 다른 유사한 환자에게 비교하여 다른 유사한 환자의 경험에 기초하여 그들의 결과를 외삽하기 위해, 이 예측 모델 유도 정보를 활용할 수도 있다.
몇몇 실시형태에서, 예측 모델은, 다양한 정의된 진단, 공존 질환, 뼈 기형, 및/또는 고려 하에 있는 관절 내의 연조직 상태에 대한 임상 결과 데이터베이스(62) 내의 다른 환자에 비교하여, 상이한 임플란트 타입(예컨대, 어깨 관절 성형술에 대한 aTSA 대 rTSA), 상이한 임플란트 사이즈, 및 상이한 임플란트 포지션을 가지고 달성되는 결과의 범위를 비교하기 위해 사용될 수도 있다. 모든 이들 고려 사항은 실제 결과의 더욱 정확한 기대치, 및 더 나은 외과 의사 대 환자 정렬을 확립 및 전달하기 위해 사용될 수도 있다.
몇몇 실시형태에서, 예측 모델은 임상 결과 데이터베이스(62)로부터의 데이터를 활용하여, 이 데이터에서의 복잡한 상호 작용을 식별하고, 데이터를 분류하고, 및/또는 수술 이후 결과에 대한 가장 중요한 기여자 및 관련성을 식별할 수도 있다. 이들 예측 알고리즘은 다양한 PROM 및 운동 범위 척도에 대한 유사한 새로운 사례에 대한 수술 이후 결과를 추가로 모델링하고 예측할 수도 있다. 예측 모델 각각은 단독으로 분석될 수도 있고 및/또는 하나의 예측 모델의 결과가 다른 새로운 예측 모델에 대한 입력일 수도 있는 시리즈로 사슬 연결될 수도 있다.
몇몇 실시형태에서, 본 개시에서 나타내어지는 예시적인 실시형태에 대해 생성되는 전체 어깨 관절 성형술에 대한 예측 모델은 8,000 명보다 더 많은 환자 및 20,000 번 이상의 수술 이후 환자 방문으로부터의 임상 결과 데이터베이스(62)로부터의 데이터를 사용하여 트레이닝되었다. 분석의 기초를 형성하는 각각의 환자에 대해 약 300 개의 수술 이전 데이터 입력이 있었다. 이 예측 분석은, 다수의 다양한 의사 결정 트리로부터의 결과를 결합하여 전체 어깨 관절 성형술과 함께 결과에 가장 관련이 있는 수술 이전 파라미터를 식별 및 순위매김하기 위해, 회귀 분석, 딥 러닝 기반의 분석, 적어도 하나의 앙상블 기반의 의사 결정 트리 학습 방법(ensemble-based decision tree learning method), 또는 이들의 임의의 조합을 수행할 수도 있다.
몇몇 실시형태에서, 이들 파라미터뿐만 아니라, 예를 들면, 환자 인구 통계학, 공존 질환, 진단, 진단의 중증도/퇴행성 상태, 뼈/연조직 품질, 뼈 형태, 임플란트 선택 타입, 임플란트 사이징, 임플란트 위치 결정, 및/또는 수술 기법 정보에 관련되는 데이터 중 가장 관련이 있는 위험 요인을 식별하고 순위매김하는 것에 의해, 예측 모델은 외과 의사가 이 대규모 임상 이력 데이터베이스를 활용하는 것에 의해 특정한 환자에 대해 가능한 최상의 결과를 제공하는 것을 도울 수도 있다. 예측 모델은 이들 파라미터 사이의 이들 복잡한 상호 작용을 식별하고 전달함에 있어서 외과 의사에게 실행 가능한(actionable) 권장 사항을 제공할 수도 있다.
몇몇 실시형태에서, 예측 모델이 외과 의사(20)에 의해 컴퓨팅 디바이스(77) 상에서 액세스될 수도 있게 하는 시스템(10)은, 외과 의사가 어떤 임플란트 타입 및 임플란트 사이즈를 선택할 수도 있는지에 대한 권장 사항을 제공하며 이들 임플란트가 어디에 배치되어야 하는지에 대한 권장 사항을 제공하는 수술 이전 계획 소프트웨어일 수도 있다.
몇몇 실시형태에서, 예측 모델이 외과 의사(20)에 의해 컴퓨팅 디바이스(77) 상에서 액세스될 수도 있게 하는 시스템(10)은, (예를 들면, 수술 프로시져 동안) 외과 의사 및/또는 병원 직원에 의한 수술 중의 소견에 기초하여 수술 이전 계획에 대한 변경을 즉석에서 허용하는 수술 중 컴퓨터 내비게이션 또는 로봇 시스템에 대한 GUI(75)를 제공할 수도 있다. 전술한 실행 가능한 지침(guidance)(예를 들면, 임플란트 타입, 임플란트 사이즈, 및/또는 임플란트 위치) 각각은 수술 중에 예측 모델에 의해 전달될 수도 있다. 반대로, 예측 모델은, 환자, 외과 의사, 또는 다른 건강 관리 전문가가 액세스할 수도 있는 다수의 상이한 소프트웨어 플랫폼 상에서 이용 가능한 독립형 소프트웨어 애플리케이션을 통해 액세스될 수도 있다.
몇몇 실시형태에서, 2004년 11월과 2018년 12월 사이에 단일 플랫폼 어깨 보철물(예를 들면, 미국 플로리다주(FL) Gainesville(게인즈빌) 소재의 Exactech Inc.의 Equinoxe 참조)을 받은 어깨 관절 성형술 환자의 임상 결과 데이터베이스(62) 상의 데이터를 분석하기 위해, 선형 회귀 기반의, 트리 기반의, 및/또는 딥 러닝 기반의 머신 러닝을 포함하는 세 개의 감독된 머신 러닝 기술이 사용될 수도 있다. 모든 어깨 관절 성형술 환자는 데이터 공유에 동의하였으며 모든 데이터는 임상 시험 심사 위원회(Institutional Review Board; IRB) 승인 프로토콜에 따라 표준화되는 양식을 사용하여 수집되었다.
몇몇 실시형태에서, 균질한 데이터세트를 보장하기 위해, 수정, 상완골 골절의 진단, 및 반관절 성형술을 받은 환자 사례는 배제되었다. 추적 관찰 기간이 3 개월 미만인 환자도 또한 배제되었다. 이들 기준은, 3 내지 6 개월, 6 내지 9 개월, 1 년[9 내지 18 개월], 2 내지 3 년[18 내지 36 개월], 3 내지 5 년[36 내지 60 개월], 및 5 년 이상[60 개월 이상]에서 ASES, UCLA, 및 상수 메트릭, 전역적 어깨 기능 점수(0 = 이동성 없음 및 10 = 정상), VAS 통증 점수(0 = 통증 없음 및 10 = 극심한 통증), 능동 외전(전두면(frontal plane)에서 0°-180° 팔 거상), 능동 전방 거상(시상면(sagittal plane)에서 0°-180° 팔 거상), 및/또는 능동 외회전(팔을 옆에 둔 상태에서 -90 내지 90°):의 수술 이후 점수를 예측하는 알고리즘을 트레이닝시키고 생성하는 데 이용 가능한 17,427 번의 수술 이후 추적 관찰 방문을 한 5,774 명의 환자로부터의 수술 이전, 수술 중, 및 수술 이후 데이터를 초래할 수도 있다. 각각의 환자의 임상 방문시 측각도계(goniometer)를 사용하여 능동 운동 범위가 측정되었다.
몇몇 실시형태에서, 예측 알고리즘은, 각각의 점수를 유도하기 위해 사용되는 개개의 질문을 포함하여, 인구 통계학적 데이터, 진단, 공존 질환, 임플란트 타입, 수술 이전 ROM, 수술 이전 방사선학적 소견, 및 수술 이전 PROM 점수(예컨대, ASES, SPADI, SST, UCLA, 및 상수 메트릭)를 사용하여 트레이닝되어 생성될 수도 있다; 총 291 개의 라벨링된 피쳐가 활용되었다. 각각의 수술 시점: 3 내지 6 개월(aTSA = 1282 및 rTSA = 2227 번의 방문), 6 내지 9 개월(aTSA = 658 및 rTSA = 1177 번의 방문), 1 년(aTSA = 1451 및 rTSA = 2445 번의 방문), 2 내지 3 년(aTSA = 1347 및 rTSA = 1882 번의 방문), 3 내지 5 년(aTSA = 1321 및 rTSA = 1482 번의 방문), 및 5 년 이상(aTSA = 1246 및 rTSA = 907 번의 방문)에서 예측 모델을 트레이닝시키고 생성하기 위해, 2,153 명의 1차 aTSA 환자(7,305 번의 방문; 평균 추적 관찰 = 26.7 개월) 및 3,621 명의 1차 rTSA 환자(10,122 번의 방문; 평균 추적 관찰 = 22.8 개월)로부터의 임상 데이터가 사용되었다. 이 데이터의 66.7 %의 랜덤 선택은 트레이닝 코호트를 정의하였고 나머지 33.3 %는 검증 테스트 코호트를 정의하였는데, 이것은 각각의 알고리즘의 예측 에러를 평가하기 위해 사용되었다.
몇몇 실시형태에서, 예측 모델은 세 개의 트레이닝된 감독 머신 러닝 기술: 1) 선형 회귀, 2) XGBoost, 및 3) 와이드 앤 딥(Wide and Deep)을 포함할 수도 있다.
이들 예측 모델의 일반적인 기술적 배경으로서, 선형 회귀 모델은 전체 트레이닝 데이터세트로부터의 수술 이전 데이터(입력 변수)와 결과 데이터(출력 변수) 사이의 선형 관계를 가정하여 모델링한다. XGBoost 모델은 다중 회귀 트리의 앙상블 방법이다. 이들 회귀 트리는, 부스팅이라 불리는 방법을 사용하여 전체 트레이닝 데이터세트를 다수의 작은 묶음(batch)으로 반복적으로 구획화하는 것에 의해 구축될 수도 있다. XGBoost는 누락된 값과 데이터 희소성을 상대적으로 잘 핸들링할 수도 있다. 와이드 앤 딥 모델은, 희소 입력을 갖는 분류 문제에 특히 유용한, 선형 회귀 모델과 딥 러닝 모델의 하이브리드이다. 임상 결과 데이터베이스(62)에서의 피쳐는 카테고리형일 수도 있고, 따라서, 와이드 앤 딥 모델은 이 기술에 매우 적합할 수도 있다.
몇몇 실시형태에서, 딥 러닝 컴포넌트는, 이전 계층으로부터의 입력에 기초하여 모델 계수를 계산하는 계층화된 함수를 활용할 수도 있고, 궁극적으로 그들 계수를 결과 예측 모델의 최상위 계층으로 전파할 수도 있다. 와이드(wide)(또는 선형 컴포넌트)는 조밀한/숫자 피쳐에 대해 사용될 수도 있고, 한편 딥(deep)(또는 피드포워드 신경망 컴포넌트)은 희소/카테고리형 피쳐에 대해 사용될 수도 있다. 연구 대조군으로서 베이스라인 평균 분석이 사용되어 각각의 예측 모델의 상대적 정확도를 평가할 수도 있다.
도 5는, 본 개시의 하나 이상의 실시형태에 따른, 전체 코호트, aTSA, 및 rTSA에 대한 각각의 결과 메트릭(척도)에 대한 최소 임상적으로 중요한 차이(MCID) 및 실질적 임상 이익(SCB) 임계치를 나타내는 테이블이다. 각각의 모델의 주요 목표는 각각의 수술 이후 시점에서 수술 이후 결과 척도를 예측하기 위해 사용될 수도 있다. 환자가 도 5를 참조하여 Simovitch(시모비치) 등등에 의해 이전에 확립된 각각의 척도에 대해 MCID 및 SCB 환자 충족도 앵커 기반의 임계치보다 더 큰 임상적 개선을 경험할 경우 2차 목표가 식별될 수도 있다. MCID는 개선에 대한 바닥 임계치를 나타낼 수도 있으며 환자가 주어진 치료에 의해 의미 있는 변화로서 인식하는 최소의 개선을 정의할 수도 있다. SCB는, 환자에 의해 인식되는 바와 같은 실질적인 이점을 달성하기 위한 개선의 목표 레벨을 나타낼 수도 있다는 점에서, MCID와는 상이할 수도 있다.
몇몇 실시형태에서, 각각의 모델의 1차 목표의 예측 성능은, 33.3 % 검증 테스트 코호트에서 aTSA 및 rTSA 환자에 대한 각각의 결과 척도에 대한 실제 값과 예측 값 사이의 평균 절대 오차(MAE)에 의해 정량화될 수도 있다. 모델 해석 가능성(model interpretability)을 돕기 위해, XGBoost 모델로부터의 F 점수가 사용되어 가장 예측 가능한 피쳐를 식별할 수도 있다. F 점수는, 특정한 피쳐가 결정 트리 알고리즘에서 분할을 위한 후보로서 사용될 수도 있는 빈도를 정량화할 수도 있다. 2 내지 3 년의 추적 관찰에서 환자가 각각의 결과 척도에 대한 MCID 및 SCB 개선 임계치를 달성할 것인지를 식별하기 위한 각각의 모델의 정확도, 또는 2차 목표의 성능은, 모델이 부정을 긍정으로서 식별하지 않는 능력을 정량화하기 위한 정밀도, 모델이 긍정을 긍정으로 식별하는 능력을 정량화하기 위한 재현(recall), 정밀도와 재현 점수 사이의 조화 평균(harmonic mean)을 정량화하기 위한 F1 점수, 정확한 예측 대 예측의 총 수의 비율을 정량화하기 위한 정확도, 및/또는 수신기 동작 곡선 아래의 면적(Area Under the Receiver Operating Curve; AUROC) ― 이들 모두는 모델의 전체 정확도를 결정할 수도 있음 ― 의 분류 메트릭을 사용하여 정량화될 수도 있다. 이들 예측 모델의 결과는 하기에서 표로 작성된다.
도 6은, 본 개시의 하나 이상의 실시형태에 따른, 미국인 어깨 및 팔꿈치 외과 의사 어깨 점수(ASES) 예측 모델과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
도 7은, 본 개시의 하나 이상의 실시형태에 따른, 캘리포니아대학교 로스앤젤레스(UCLA) 예측 모델과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
도 8은, 본 개시의 하나 이상의 실시형태에 따른, 상수 예측 모델과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
도 9는, 본 개시의 하나 이상의 실시형태에 따른, 전역적 어깨 기능 점수 예측 모델과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
도 10은, 본 개시의 하나 이상의 실시형태에 따른, 시각적 아날로그 스케일(VAS) 통증 점수 예측 모델과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
도 11은, 본 개시의 하나 이상의 실시형태에 따른, 능동 외전 예측 모델과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
도 12는, 본 개시의 하나 이상의 실시형태에 따른, 능동 전방 거상 예측 모델과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
도 13은, 본 개시의 하나 이상의 실시형태에 따른, 능동 외회전 예측 모델과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
aTSA 및 rTSA 이후 1 년, 2 내지 3 년, 3 내지 5 년, 및 5 년 이상에서 ASES(도 6), UCLA(도 7) 및 상수(도 8) PROM, 전역적 어깨 기능 점수(도 9), VAS 통증 점수(도 10), 능동 외전(도 11), 전방 거상(도 12), 및 외회전(도 13)에 대한 주요 목표 예측이 도 6 내지 도 13의 테이블에서 제시된다. 와이드 앤 딥 모델은 각각의 시점에서 모든 척도에 대해 가장 낮은 MAE를 가졌고, XGBoost 및 선형 회귀 모델이 그 뒤를 이었다. 정확도 차이에도 불구하고, 모든 세 가지 예측 결과 알고리즘은 베이스라인 평균 모델보다 더 낮은 MAE를 가졌다.
평균 가중된 MAE에 기초하여, 각각의 머신 러닝 기술은 상수 점수(±7.56 % MAE)를 예측하는 데 가장 정확하였고, 밀접하게 UCLA 점수(±8.16 % MAE)가 그 뒤를 이었고, 그리고 마지막으로 ASES 점수(±10.45 % MAE)가 그 뒤를 이었다. 분석되는 모든 수술 이후 시점에 걸쳐, 와이드 앤 딥 예측 모델의 평균 MAE는 전역적 어깨 기능 점수의 경우 ±1.2, VAS 통증 점수의 경우 ±1.9, 능동 외전의 경우 ±19.5°, 전방 거상의 경우 ±15.9°, 그리고 외회전의 경우 ±11.4°이었다. aTSA와 rTSA 환자 사이의 차이는 유사하였는데, 각각의 점수, 분석되는 각각의 운동의 평면 사이에서, 그리고 수술 이후 시점에 걸쳐 약간의 차이만이 관찰되었다. 다른 예측 모델이 이 데이터 및 기법, 예컨대 내회전 점수, 시각적 아날로그 스케일 통증(visual analogue scale pain), 및/또는 어깨 관절 성형 스마트 점수를 사용하여 생성될 수도 있다는 것을 유의한다.
도 14는, 본 개시의 하나 이상의 실시형태에 따른, F 점수에 의해 순위가 매겨지는 바와 같은 환자 보고 결과 척도(PROM)를 예측하기 위해 XGBoost 머신 러닝 알고리즘에 의해 식별되는 바와 같은 상위 다섯 개의 가장 예측 가능한 피쳐의 비교를 나타내는 테이블이다. 도 15는, 본 개시의 하나 이상의 실시형태에 따른, F 점수에 의해 순위가 매겨지는 바와 같은 통증, 기능, 및 ROM을 예측하기 위해 XGBoost 머신 러닝 알고리즘에 의해 식별되는 바와 같은 다섯 개의 가장 예측적인 피쳐의 비교를 나타내는 테이블이다.
몇몇 실시형태에서, 각각의 PROM(도 14), 및 통증, 기능, 및 ROM 척도(도 15)에 대한 XGBoost 예측 모델에 의해 활용되는 가장 예측 가능한 상위 다섯 개 피쳐가 도 14 내지 도 15의 테이블에서 제시된다. 본 개시에서 개시되는 예에서, 사용되는 291 개 피쳐에 대해, XGBoost 예측 모델은 상위 다섯 개의 F 점수 순위의 피쳐에서 우수한 일치를 산출하였지만, PROM 모델과 통증, 기능 및 ROM 모델 사이에서는 약간의 차이가 관찰되었다. 수술 이후 회복 시간의 양을 나타내는 추적 관찰 지속 기간은 모든 모델에서 사용되는 가장 예측 가능한 피쳐로서 식별되었다.
몇몇 실시형태에서, PROM과 관련하여, 능동 ROM의 네 개의 상이한 수술 이전 척도 및 두 개의 상이한 수술 이전 PROM(SPADI 및 ASES)이, 카테고리형 질문: 수술이 주로 사용하는 손(dominant hand)에 대한 것입니까?와 함께, 고도로 예측 가능한 것으로 또한 관찰되었다. 통증, 기능, 및 ROM 척도와 관련하여, 카테고리형 질문: "수술이 주로 사용하는 손에 대한 것입니까?"는 모든 모델에서 두 번째로 가장 예측 가능한 피쳐로서 식별되었다. 카테고리형 질문: "성별은 여성입니까?"는 하나를 배제한 모든 모델에서 세 번째로 가장 예측 가능한 피쳐로서 식별되었다. 다른 고도로 예측 가능한 피쳐는: 수술 이전 SPADI 점수, 능동 ROM의 두 개의 상이한 수술 이전 척도, 및 카테고리형 질문: "환자가 이전에 어깨 수술을 받은 적이 있습니까?"였다.
도 16은, 본 개시의 하나 이상의 실시형태에 따른, ASES, UCLA, 및 상수 점수 각각에 대한 MCID 임계치를 초과하는 임상적 개선을 경험한 aTSA 및 rTSA 환자를 예측하기 위한 XGBoost 알고리즘의 정확도의 비교를 나타내는 테이블이다.
도 17은, 본 개시의 하나 이상의 실시형태에 따른, 능동 외전, 전방 거상, 및 외회전 ROM 척도에 대한 전역적 어깨 기능 및 VAS 통증 점수 각각에 대한 MCID 임계치를 초과하는 임상적 개선을 경험한 aTSA 및 rTSA 환자를 예측하기 위한 XGBoost 알고리즘의 정확도의 비교를 나타내는 테이블이다.
도 18은, 본 개시의 하나 이상의 실시형태에 따른, ASES, UCLA, 및 상수 점수 각각에 대한 SCB 임계치를 초과하는 임상적 개선을 경험한 aTSA 및 rTSA 환자를 예측하기 위한 XGBoost 알고리즘의 정확도의 비교를 나타내는 테이블이다.
도 19는, 본 개시의 하나 이상의 실시형태에 따른, 전역적 어깨 기능 및 VAS 통증 점수 각각에 대한, 그리고 능동 외전, 전방 거상, 및 외회전 ROM 척도에 대한 SCB 임계치를 초과하는 임상적 개선을 경험한 aTSA 및 rTSA 환자를 예측하기 위한 XGBoost 알고리즘의 정확도의 비교를 나타내는 테이블이다.
몇몇 실시형태에서, 2 내지 3 년의 추적 관찰에서 PROM 모델(도 16) 및 통증, 기능 및 ROM 모델(도 17)에 대한 2차 목표 MCID 예측이 도 16 내지 도 17의 테이블에서 제시되어 있다. XGBoost PROM 모델은 aTSA 환자에 대해 0.87-0.94 사이의 AUROC를 가지고 MCID에서 93-95 % 정확도를 산출하였고 rTSA 환자에 대해 0.85-0.97 사이의 AUROC를 가지고 MCID에서 93-99 % 정확도를 산출하였다. 다른 실시형태에서, XGBoost 통증/기능/ROM 모델은 aTSA 환자에 대해 0.79-0.91 사이의 AUROC를 가지고 MCID에서 85-94 % 정확도를 산출하였고 rTSA 환자에 대해 0.78-0.90 사이의 AUROC를 가지고 MCID에서 90-94 % 정확도를 산출하였다.
몇몇 실시형태에서, 2 내지 3 년의 추적 관찰에서 PROM 모델(도 18) 및 통증, 기능 및 ROM 모델(도 19)에 대한 SCB 예측이 도 18 및 도 19의 테이블에서 제시되어 있다. XGBoost PROM 모델은 aTSA 환자에 대해 0.80-0.90 사이의 AUROC를 가지고 SCB에서 82-90 % 정확도를 산출하였고 rTSA 환자에 대해 0.81-0.89 사이의 AUROC를 가지고 SCB에서 87-93 % 정확도를 산출하였다. 다른 실시형태에서, XGBoost 통증/기능/ROM 모델은 aTSA 환자에 대해 0.73-0.86 사이의 AUROC를 가지고 SCB에서 76-89 % 정확도를 산출하였고 rTSA 환자에 대해 0.77-0.88 사이의 AUROC를 가지고 SCB에서 88-90 % 정확도를 산출하였다.
몇몇 실시형태에서, 예측 결과 분석은 aTSA 및 rTSA 둘 모두에 대한 수많은 수술 이후 추적 관찰 시점에서 세 개의 PROM 점수, 통증 및 기능 점수, 및 세 개의 능동 ROM 척도를 정확하게 예측하는 모델을 생성하기 위한 다수의 머신 러닝 기술의 효능을 입증할 수도 있다. PROM, 통증 완화, 및 기능에 대한 예측 정확도는 분석되는 각각의 시점에서 aTSA와 rTSA 환자 사이에서 유사하였다. 와이드 앤 딥 기법은 최상의 전체적인 예측 가능한 성능을 일관되게 보여주었다. 가장 중요하게는, 이들 모델은 나쁜 결과(예를 들면, MCID 임계치 달성의 실패)에 대한 가장 큰 위험이 있는 환자를 정확하게 식별하는 것 및 우수한 결과(예를 들면, SCB 임계치의 달성)를 달성할 가능성이 가장 높은 환자를 정확하게 식별하는 것에 의해 환자를 위험 계층화할 수도 있다.
그러나, 이들 어깨 관절 성형술 예에서 사용되는 291 개의 예시적인 가변 입력의 사용은, 외과 의사 및 환자에 대한 많은 데이터 입력 및 시간 부담을 고려하면, 정형외과 의사가 진찰실에서 사용하기에 실용적인 도구가 아닐 수도 있다. 이 분석의 F 점수 결과의 리뷰 및 전체 어깨 관절 성형술에 관련되는 광범위한 영역 지식의 적용에서, 원래의 모델 입력의 10-20 %만을 필요로 하는 약식 모델이 생성되었다. 따라서, 그러한 소프트웨어 예측 결과 도구의 임상 배치는, 모델의 예측 정확도를 희생하지 않으면서, 정형외과 의사가 진찰실에서 사용하기에 더 실용적일 수도 있다.
도 20은, 본 개시의 하나 이상의 실시형태에 따른, 전역적 어깨 기능 점수, VAS 통증 점수, 및 능동 외전, 능동 전방 거상, 및 능동 외회전을 계산하기 위한 머신 러닝 모델에 대한 예측 모델 입력의 목록을 나타내는 테이블이다.
도 21은, 본 개시의 하나 이상의 실시형태에 따른, ASES 점수를 계산하기 위한 머신 러닝 모델에 대한 추가적인 예측 모델 입력의 목록을 나타내는 테이블이다. 이들은 도 20에서 제시되는 이외의 예측 모델 입력이다.
도 22는, 본 개시의 하나 이상의 실시형태에 따른, 상수 점수를 계산하기 위한 머신 러닝 모델에 대한 추가적인 예측 모델 입력의 목록을 나타내는 테이블이다. 이들은 도 20에서 제시되는 이외의 예측 모델 입력이다. 도 20 내지 도 22의 CT 이전 계획 예측 모델 및 CT 이후 예측 모델은, 각각, 도 1의 시스템(10)에서의 초기 수술 이전 예측 MLM(50) 및 이미지 기반의 예측 MLM(52)과 동등할 수도 있다.
몇몇 실시형태에서, 3중 예측 결과 모델(1. 능동 ROM, 통증 점수, 및 전역적 어깨 기능 점수 = 19 개의 유저 입력, 2. ASES = 10 개의 추가적인 유저 입력, 및 3. 상수 = 20 개의 추가적인 유저 입력)이 공식화될 수도 있는데, 이것은 이미지 기반의(예를 들면, 3D CT 기반의) 수술 계획 단계 이전에 데이터 입력을 사용하여 초기 수술 이전 예측 모델로서 본원에서 또한 지칭되는 제1 예측 모델을 생성하는 단계, 및 이미지 기반의(예를 들면, 3D CT 기반의) 수술 계획 단계로부터 취해지는 추가적인 데이터를 포함하는 최종 수술 이전 예측 모델로서 본원에서 또한 지칭되는 제2 예측 모델을 생성한 단계의 두 단계로 분할될 수도 있다. 제1 예측 모델에서 사용되는 데이터는 환자 인구 통계학, 진단, 공존 질환, 환자 이력, 능동 운동 범위의 의사의 척도, 몇몇 고도로 예측 가능한 질문에 대한 환자 고유의 답변, 및 또한 ASES 및 상수 점수를 구성하는 질문에 대한 환자 고유의 답변을 활용할 수도 있다. 이들 3중 결과 모델에 대한 이들 질문의 전체 목록이 도 20, 도 21, 및 도 22의 테이블에서 각각 나타나 있다.
몇몇 실시형태에서, 제2 예측 모델에 사용되는 데이터는 이미지 기반의(예를 들면, 3D CT) 재건 수술 계획 단계에서 환자의 뼈 해부학적 구조에 적합시키기 위해 이상적인 임플란트 사이즈, 타입, 및 포지션의 외과 의사 유도 위치 결정으로부터의 출력을 활용할 수도 있다. 진찰실로부터 수술까지의 환자의 흐름, 및 각각의 스테이지에서 적절한 치료를 결정하기 위해 이들 예측 모델 의료 이미징 이전(CT 이전) 계획 및 의료 이미징 이후(CT 이후) 계획이 어떻게 활용될 수도 있는지를 설명하는 제안된 워크플로우가 도 23에서 설명된다.
도 23은, 본 개시의 하나 이상의 실시형태에 따른, 관절 성형 수술 프로시져의 예측 결과를 모델링하기 위한 예시적인 흐름도(100)이다. 도 1을 참조하는 예시적인 흐름도(100)는, 관절을 개선하거나 또는 교체하기 위한 관절 성형 수술 프로시져에 대해 의사(20)와 상담하기 위해 환자(25)가 진찰실에 진입하는 것(단계(105))을 포함할 수도 있다. 의사(20)는, 컴퓨팅 디바이스(77) 상에서 프로세서(45)에 의해 실행되는 환자 고유의 데이터 수집 모듈(46)에 입력될 수도 있는 수술 이전 환자 고유의 데이터를 환자(25)로부터 수집할 수도 있다. 대안적으로, 및/또는 옵션 사항으로(optionally), 환자 고유의 데이터 수집 모듈(46)은 통신 네트워크(30)를 통해 서버(15)에 의해 수신될 수도 있는 환자 고유의 수술 이전 데이터에 대해 복수의 N 개의 전자 리소스(40A 및 40B)에게 질의할 수도 있다. 수신된 데이터세트는 환자의 관절에 대해 수행될 관절 성형 수술을 위한 수술 이전 환자 고유의 데이터를 포함할 수도 있는데, 여기서 수술 이전 환자 고유의 데이터는 환자의 의학적 이력, 적어도 하나의 타입의 관절 움직임에 대한 움직임의 측정된 범위, 및 관절과 관련되는 적어도 하나의 통증 메트릭, 또는 이들의 임의의 조합을 추가로 포함할 수도 있다.
몇몇 실시형태에서, 수신된 수술 이전 환자 고유의 데이터는 본원에서 제1 머신 러닝 모델로서 또한 지칭되는 초기 수술 이전 예측 머신 러닝 모델(MLM)(115)(예를 들면, 도 1의 초기 수술 이전 예측 MLM(50))에 입력될 수도 있다.
몇몇 실시형태에서, 초기 수술 이전 예측 MLM(115)은, 관절의 적어도 하나의 제1 예측된 수술 이후 성능 메트릭을 포함하는 제1 예측된 수술 이후 관절 성능 데이터 출력을 결정할 수도 있는데, 이것은, 그 다음, 예를 들면, 컴퓨팅 디바이스(77)의 디스플레이 상에서 유저, 예컨대 의사(20)에게 디스플레이될 수도 있다.
몇몇 실시형태에서, 의사(20) 및 환자(25)는 초기 환자 상담(120)을 가질 수도 있다. 의사(20) 및/또는 환자(25)는 관절의 관절 성형 수술을 계속할 것, 또는 수술을 연기할 것을 또는 병든 관절에 대해 다른 치료(125)를 추구할 것을 결정할 수도 있다.
몇몇 실시형태에서, 의사(20)는, 환자(25)가 환자(25)에 대해 수행되는 적어도 하나의 의료 이미징 프로시져로부터 획득되는 컴퓨터 단층 촬영(CT) 스캔(130)과 같은 관절의 적어도 하나의 의료 이미지를 받을 수도 있다는 것을 요청할 수도 있다. 관절의 적어도 하나의 의료 이미지는 엑스선 이미지, 컴퓨터 단층 촬영(CT) 이미지, 자기 공명 이미지, 삼차원(3D) 이미지, 및/또는 다중 X선 이미지 기반의 3D 의료 이미지를 포함할 수도 있다. 관절의 적어도 하나의 의료 이미지는 뼈 및/또는 관절에 부착되는 및/또는 관절을 형성하는 연결 조직의 이미지를 또한 포함할 수도 있다.
몇몇 실시형태에서, 가이드식 개인 맞춤형 수술(GPS) 수술 이전 계획(135) 단계에서, 서버(15) 상의 프로세서(45)에 의해 실행되는 소프트웨어 프로그램일 수도 있는 CT 이미지 기반의 (GPS) 관절 재건 계획 모듈(48)은 GUI(75) 상에서 디스플레이되는 관절의 재건 계획을 생성할 수도 있다. CT 이미지 기반의 (GPS) 합동 재건 계획 모듈(48)은 도 20에서와 같이 본원에서 GPS 계획 소프트웨어로서 또한 지칭될 수도 있다.
몇몇 실시형태에서, 재건 계획은, 의사가 제1 예측된 수술 이후 관절 성능 데이터 출력을 보는 것에 응답하여, 의사에 의해 선택되는 적어도 하나의 관절 성형 수술 파라미터를 활용할 수도 있다. 재건 계획은, 적어도 하나의 임플란트, 적어도 하나의 임플란트 사이즈, 적어도 하나의 관절 성형 수술 프로시져, 및/또는 관절에서 적어도 하나의 임플란트를 이식하기 위한 적어도 하나의 포지션으로부터 선택되는, 그러나 이들로 제한되지는 않는, 적어도 하나의 관절 성형 수술 파라미터를 포함할 수도 있다. 재건 계획은, 관절에 이식되는 적어도 하나의 임플란트의 이미지와 함께 GUI(75) 상에서 디스플레이될 수도 있는, CT 스캔(130)과 같은, 관절의 적어도 하나의 의료 이미지의 상이한 뷰를 포함할 수도 있다. 다른 실시형태에서, 어깨 관절 성형술의 경우, 적어도 하나의 관절 성형 수술 파라미터는 도 20의 테이블에서 나타내어지는 바와 같은 GPS 계획 소프트웨어로부터의 유저 입력 중 임의의 것을 또한 포함할 수도 있다.
몇몇 실시형태에서, 적어도 하나의 관절 성형 수술 파라미터는 본원에서 제2 머신 러닝 모델로서 또한 지칭되는 최종 수술 이전 예측 모델(140)(예를 들면, 도 1의 이미지 기반의 예측 MLM(52))에 입력될 수도 있다. 적어도 하나의 관절 성형 수술 파라미터는, 예를 들면, 어깨 관절 성형술에 대한, 도 20의 테이블에서 나타내어지는 바와 같은 CT 이후 계획 예측 모델(예를 들면, 최종 수술 이전 예측 모델(140))에 대한 데이터 입력 중 임의의 것을 포함할 수도 있다. 다른 실시형태에서, 제2 머신 러닝 모델에 대한 데이터 입력은 제1 머신 러닝 모델에 대한 입력 중 임의의 것뿐만 아니라 재건 계획으로부터 추출되는 임의의 적절한 파라미터를 포함할 수도 있다. 몇몇 실시형태에서, 제1 머신 러닝 모델(예를 들면, 초기 수술 이전 예측 MLM(115)) 및 제2 머신 러닝 모델(예를 들면, 최종 수술 이전 예측 모델(140))은 동일한 머신 러닝 모델일 수도 있다.
몇몇 실시형태에서, 프로세서(45)에 의해 실행되는 관절 성형 수술 프로시져의 예측 결과를 모델링하기 위한 소프트웨어 애플리케이션은 다음의 소프트웨어 모듈 중 임의의 것 또는 모두를 포함할 수도 있다: 환자 고유의 데이터 수집 모듈(46), CT 이미지 기반의 가이드식 개인 맞춤형 수술(GPS) 공동 재건 계획 모듈(48), 초기 수술 이전 예측 머신 러닝 모델(MLM) 모듈(50), 이미지 기반의 예측 MLM 모듈(52), 머신 러닝 모델 트레이닝 모듈(54), 및/또는 GUI 관리자 모듈(56). 다른 실시형태에서, 초기 수술 이전 예측 머신 러닝 모델(MLM) 모듈(50) 및 이미지 기반의 예측 MLM 모듈(52)은 동일한 머신 러닝 모델일 수도 있다.
몇몇 실시형태에서, 관절 성형 수술 프로시져의 예측 결과를 모델링하기 위한 소프트웨어 애플리케이션은 프로세서(45)에 의해 실행될 수도 있고 GUI 관리자(56)는 서버(15)로부터 입력 및/또는 출력을 제공하기 위한 컴퓨팅 디바이스(77)에서 실행되는 GUI(75)를 원격으로 제어할 수도 있다.
몇몇 실시형태에서, 제1 예측된 수술 이후 관절 성능 데이터 출력 및/또는 제2 예측된 수술 이후 관절 성능 데이터 출력은, 수술 이전 환자 고유의 데이터, 관절의 의료 이미지, 및 예측 결과 머신 러닝 모델에 대한 관절 성형 수술 파라미터와 같은 데이터 입력에 기초하여 관절의 예측된 수술 이후 결과 메트릭의 목록을 출력하는 것과 같은, 임의의 적절한 포맷으로 GUI(75) 상에서 의사(20)에게 디스플레이될 수도 있다. 관절의 의료 이미지에 기초하여 관절에 이식되는 임플란트의 시각적 표현. 관절에 이식되는 임플란트의 시각적 표현은 GUI(75) 상에서 디스플레이될 수도 있는 관절의 원시의, 향상된, 및/또는 증강된 이미지를 포함할 수도 있다.
몇몇 실시형태에서, 제2 예측된 수술 이후 관절 성능 데이터 출력은, 외과 의사가 관절 성형 수술 파라미터를 변경하는 것에 의해 수술 이후 관절 성능을 최적화하는 것을 허용하기 위해, 수술 프로시져, 임플란트 타입, 임플란트 사이즈, 임플란트 포지션의 조합의 적어도 하나의 관절 성형 수술 권장 사항을, 각각의 조합에 대한 모델로부터의 예측된 수술 이후 결과 메트릭과 함께, GUI(75) 상에서 디스플레이하는 것을 포함할 수도 있다. 이 최적화는 수술 이전에 및/또는 수술 동안 수행될 수도 있다.
몇몇 실시형태에서, 적어도 하나의 관절 성형 수술 권장 사항은 관절 성형 수술 프로시져를 진행하지 않는 및/또는 다른 치료를 추구하는 권장 사항을 포함할 수도 있다.
몇몇 실시형태에서, 최종 수술 이전 예측 모델(140)은, 관절의 적어도 하나의 제2 예측된 수술 이후 성능 메트릭을 포함하는 제2 예측된 수술 이후 관절 성능 데이터 출력을 결정할 수도 있는데, 이것은, 그 다음, 컴퓨팅 디바이스(77)의 GUI(75) 상에서, 예를 들면, 의사(20)와 같은 유저에게 디스플레이될 수도 있다.
몇몇 실시형태에서, 의사(20)는 제2 예측된 수술 이후 관절 성능 데이터 출력을 리뷰하고 환자(25)와 최종 환자 상담(145)을 행할 수도 있다. 의사(20) 및/또는 환자(25)는 관절의 관절 성형 수술(155)의 일정을 잡을 것을, 또는 수술을 연기할 것을 또는 병든 관절에 대한 다른 치료(150)를 추구할 것을 결정할 수도 있다.
도 24는, 본 개시의 하나 이상의 실시형태에 따른, 전체 및 약식 XGBoost 머신 러닝 모델을 사용한 ASES 예측과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
도 25는, 본 개시의 하나 이상의 실시형태에 따른, 전체 및 약식 XGBoost 머신 러닝 모델을 사용한 상수 예측과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
도 26은, 본 개시의 하나 이상의 실시형태에 따른, 전체 및 약식 XGBoost 머신 러닝 모델을 사용한 전역적 어깨 기능 점수 예측과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
도 27은, 본 개시의 하나 이상의 실시형태에 따른, 전체 및 약식 XGBoost 머신 러닝 모델을 사용한 VAS 통증 점수 예측과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
도 28은, 본 개시의 하나 이상의 실시형태에 따른, 전체 및 약식 XGBoost 머신 러닝 모델을 사용한 능동 외전 예측과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
도 29는, 본 개시의 하나 이상의 실시형태에 따른, 전체 및 약식 XGBoost 머신 러닝 모델을 사용한 능동 전방 거상 예측과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
도 30은, 본 개시의 하나 이상의 실시형태에 따른, 전체 및 약식 XGBoost 머신 러닝 모델을 사용한 능동 외회전 예측과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
도 31은, 본 개시의 하나 이상의 실시형태에 따른, 다수의 상이한 결과 척도에 대한 MCID 임계치를 초과하는 임상적 개선을 경험한 aTSA 및 rTSA 환자에 대한 전체 XGBoost 모델 예측의 비교를 나타내는 테이블이다.
도 32는, 본 개시의 하나 이상의 실시형태에 따른, 다수의 상이한 결과 척도에 대한 MCID 임계치를 초과하는 임상적 개선을 경험한 aTSA 및 rTSA 환자에 대한 약식 XGBoost 모델 예측의 비교를 나타내는 테이블이다.
도 33은, 본 개시의 하나 이상의 실시형태에 따른, 다수의 상이한 결과 척도에 대한 SCB 임계치를 초과하는 임상적 개선을 경험한 aTSA 및 rTSA 환자에 대한 전체 XGBoost 모델 예측의 비교를 나타내는 테이블이다.
도 34는, 본 개시의 하나 이상의 실시형태에 따른, 다수의 상이한 결과 척도에 대한 SCB 임계치를 초과하는 임상적 개선을 경험한 aTSA 및 rTSA 환자에 대한 약식 XGBoost 모델 예측의 비교를 나타내는 테이블이다.
도 35는, 본 개시의 하나 이상의 실시형태에 따른, 다수의 상이한 결과 척도에 대한 MCID 임계치를 초과하는 임상적 개선을 경험한 aTSA 및 rTSA 환자에 대한 예측을 행하기 위해 CT 계획 데이터로부터의 입력과 약식 XGBoost 모델의 비교를 나타내는 테이블이다.
도 36은, 본 개시의 하나 이상의 실시형태에 따른, 다수의 상이한 결과 척도에 대한 SCB 임계치를 초과하는 임상적 개선을 경험한 aTSA 및 rTSA 환자에 대한 예측을 행하기 위해 CT 계획 데이터로부터의 입력과 약식 XGBoost 모델의 비교를 나타내는 테이블이다.
몇몇 실시형태에서, (예측 모델의 계획 이전 및 계획 이후 국면에서의) 모델 입력은 가장 고도로 예측 가능한 파라미터일 수도 있는데, 이것은 임상 결과 데이터베이스(62)의 모든 변수를 사용하는 경우와 유사한 매우 유사한 레벨의 예측 정확도를 제공할 수도 있다. 도 24 내지 도 30의 테이블에서 입증되는 바와 같이, 약식 모델의 결과는, 각각의 결과 메트릭에 대해, 데이터가 전체 임상 결과 데이터베이스(62)로부터 입력되는 예측 모델과 거의 동일한 정확도를 산출할 수도 있다.
몇몇 실시형태에서, aTSA와 rTSA 사이의 예측 정확도는 전체 및 약식 모델 둘 모두에 대해 유사한 것으로 관찰되었다. 추가적으로, 전체 및 약식 예측 모델 둘 모두에 대해, MAE는 더 이른 수술 이후 시점보다 더 이른 수술 이후 시점에서 약간 더 높은 것으로 밝혀졌다. 분석되는 모든 수술 이후 시점에 걸쳐, 전체 모델 예측과 약식 모델 예측 사이의 MAE에서의 평균 차이는, ASES 점수의 경우 ±0.3 MAE(±0.3 aTSA 및 ±0.4 rTSA), 상수 점수의 경우 ±0.9(±0.7 aTSA 및 ±0.8 rTSA), 전역적 어깨 기능 점수의 경우 ±0.1(±0.1 aTSA 및 ±0.1 rTSA), VAS 통증 점수의 경우 ±0.1(±0.0 aTSA 및 ±0.2 rTSA), 외전의 경우 ±1.4°(±1.1 aTSA 및 ±1.2 rTSA), 전방 거상의 경우 ±1.6°(±1.7 aTSA 및 ±1.4 rTSA), 및 외회전의 경우 ±0.4°(±0.1 aTSA 및 ±0.4 rTSA)인 것으로 밝혀졌다.
몇몇 실시형태에서, 도 31 내지 도 34의 테이블에서 입증되는 바와 같이, 약식 모델도 역시 거의 동일한 MCID 및 SCB 정확도 결과를 산출하여, 다수의 상이한 결과 메트릭에 따라 2 내지 3 년의 추적 관찰에서 개선의 크기를 변경하는 것을 달성하는 그들의 능력에 기초하여 수술 이전에 환자를 효과적으로 위험 계층화하는 이들 모델의 능력을 입증하였다.
몇몇 실시형태에서, 구체적으로 MCID와 관련하여, 전체 예측 모델은 aTSA 환자에 대해 0.75-0.97 사이의 AUROC를 가지고 MCID에서 82-96 % 정확도를 달성하였고; 반면, 약식 예측 모델은 aTSA 환자에 대해 0.70-0.95 사이의 AUROC를 가지고 MCID에서 82-96 %의 정확도를 달성하였다. 전체 예측 모델은 rTSA 환자에 대해 0.82-0.98 사이의 AUROC를 가지고 MCID에서 91-99 % 정확도를 달성하였고; 반면, 약식 예측 모델은 rTSA 환자에 대해 0.84-0.94 사이의 AUROC를 가지고 MCID에서 91-99 % 정확도를 달성하였다.
몇몇 실시형태에서, 유사하게 SCB와 관련하여, 전체 예측 모델은 aTSA 환자에 대해 0.74-0.90 사이의 AUROC를 가지고 SCB에서 79-90 % 정확도를 달성하였고; 반면, 약식 예측 모델은 aTSA 환자에 대해 0.70-0.89 사이의 AUROC를 가지고 SCB에서 76-90 % 정확도를 달성하였다. 마지막으로, 전체 예측 모델은 rTSA 환자에 대해 0.78-0.88 사이의 AUROC를 가지고 SCB에서 83-92 %의 정확도를 달성하였고; 반면, 약식 예측 모델은 rTSA 환자에 대해 0.70-0.87 사이의 AUROC를 가지고 SCB에서 81-90 % 정확도를 달성하였다. 이들 MCID 및 SCB 예측에서 사용되는 AUROC 값의 해석과 관련하여, 0.5는 랜덤인 것으로 간주되고, > 0.7은 허용 가능한 것으로 간주되고, > 0.8은 양호한 것으로 간주되며, 그리고 > 0.9는 예측 모델에 대한 우수한 구별로서 간주된다.
몇몇 실시형태에서, 약식 모델 알고리즘의 경우, 평균 MCID AUROC 값은 aTSA에 대해 0.82 및 rTSA에 대해 0.89였으며 평균 SCB AUROC 값은 aTSA에 대해 0.85 및 rTSA에 대해 0.82였는데, 최소 피쳐 세트로부터 생성되는 이들 알고리즘이 평균적으로 양호한 구별과 우수한 구별 사이를 나타내고, 최악의 경우, 수용 가능한 구별을 나타낸다는 것을 암시한다. 이들 약식 모델 예측 값은, 도 24 내지 도 30 및 도 35 및 도 36의 테이블에서 설명되는 바와 같이, 가이드식 개인 맞춤형 수술(GPS) CT 계획으로부터의 선택된 임플란트 데이터를 추가하는 것에 의해 개선될 수도 있다. 내회전 점수, 최악의 경우 시각 아날로그 통증, 및 또한 어깨 관절 성형술 스마트 점수와 같은, 본원에서 개시되는 이 데이터 및 기술을 사용하여 다른 예측 모델이 생성될 수도 있다는 것을 유의한다.
도 24는, 본 개시의 하나 이상의 실시형태에 따른, 전체 및 약식 XGBoost 머신 러닝 모델을 사용한 ASES 예측과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
도 25는, 본 개시의 하나 이상의 실시형태에 따른, 전체 및 약식 XGBoost 머신 러닝 모델을 사용한 상수 예측과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
도 26은, 본 개시의 하나 이상의 실시형태에 따른, 전체 및 약식 XGBoost 머신 러닝 모델을 사용한 전역적 어깨 기능 점수 예측과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
도 27은, 본 개시의 하나 이상의 실시형태에 따른, 전체 및 약식 XGBoost 머신 러닝 모델을 사용한 VAS 통증 점수 예측과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
도 28은, 본 개시의 하나 이상의 실시형태에 따른, 전체 및 약식 XGBoost 머신 러닝 모델을 사용한 능동 외전 예측과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
도 29는, 본 개시의 하나 이상의 실시형태에 따른, 전체 및 약식 XGBoost 머신 러닝 모델을 사용한 능동 전방 거상 예측과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
도 30은, 본 개시의 하나 이상의 실시형태에 따른, 전체 및 약식 XGBoost 머신 러닝 모델을 사용한 능동 외회전 예측과 관련되는 평균 절대 오차(MAE)의 비교를 나타내는 테이블이다.
따라서, 본원에서 설명되는 머신 러닝 예측 모델은, 전체 예측 모델보다 약식 예측 모델에 대해 75 %보다 더 많이 더 적은 유저 입력을 사용하는 것에 기초하여 관절 성형 수술 이전에 주어진 환자에 대해, aTSA 및 rTSA에 대한 동일한 예측 정확도의 임상 결과를 효과적으로 제공할 수도 있다. 유저 입력 데이터에서의 이 큰 감소는, aTSA 및 rTSA 이후 임상 결과를 정량화하기 위해 그러한 도구가 다른 일반적으로 사용되는 환자 보고 결과 메트릭과 유사한 입력의 부담을 필요로 하기 때문에, 외과 의사의 진찰실에서 그것의 사용을 가능하게 한다.
몇몇 실시형태에서, 소프트웨어 애플리케이션에서 사용되는 머신 러닝 모델은, 이전 도면의 테이블에서 입증되는 바와 같이, 계산 효율을 개선하기 위해 및/또는 서버(15)의 계산 속도를 향상시키기 위해 약식 머신 러닝 모델일 수도 있다.
다르게 말하면, 초기 수술 이전 예측 MLM(50) 및 이미지 기반의 예측 MLM(52)은, 본원에서, 각각, 제1 약식 MLM 및 제2 약식 MLM으로 지칭될 수도 있는 약식 머신 러닝 모델일 수도 있다.
몇몇 실시형태에서, 결과 메트릭 및 운동 범위 예측에 추가하여, 예측 결과 모델은 예측을 위아래로 이끄는 요인을 식별할 수도 있다. 특히, 환자에 의해 수정 가능한 그들 요인에 대해, 예측 결과 모델은, 환자가 외과 의사 대 환자 상담에 더욱 적극적으로 참가하게 만들기 위해, 결과 예측을 향상시키기 위해 그들이 할 수 있는 것에 대한 권장 사항을 환자에게 제공할 수도 있다.
몇몇 실시형태에서, 예측 결과 모델은 주어진 환자 인구 통계학, 진단, 환자 이력, 및/또는 공존 질환에 대한 aTSA 및 rTSA와 관련될 수도 있는 통상적인 합병증 비율의 룩업 테이블을 통합할 수도 있다.
몇몇 실시형태에서, 예측 결과 모델은 더 나은 예측된 결과를 달성하는 데 도움이 될 수도 있는 추가적인 피쳐를 외과 의사에게 제공할 수도 있다. 예를 들면, 사례가 탐색된 경우, 결과는 2 %만큼 향상될 수 있거나, 또는 다른 예시적인 예로서, 환자가 10도의 관절와 퇴행을 가지고 있는 경우, (편심 관절와 리밍 수술 기법(eccentric glenoid reaming surgical technique) 유무에 무관하게) 표준 컴포넌트와는 대조적으로 aTSA 및/또는 rTSA에 대한 증강된 관절와 컴포넌트를 사용하여 더 나은 결과가 예측될 수도 있다.
몇몇 실시형태에서, 외과 의사 유저가 그들의 의사 결정을 개선하는 것을 돕기 위해 임플란트 기술 사이에서 트레이드오프가 구현될 수도 있다. 예를 들면, 상이한 회전건개 파열 사이즈를 갖는 환자에 대해 aTSA를 사용할 때 대 rTSA를 사용할 때를 외과 의사에게 통지하기 위해, 상이한 Goutallier(고텔리어) 회전건개 지방 침윤 등급에 대해 aTSA를 사용할 때 대 rTSA를 사용할 때를 외과 의사에게 통지하기 위해, 상이한 관절와 기형 분류 타입(예컨대 Walch, Favard, 또는 Antuna)에 대해 또는 (퇴행, 경사, 또는 베타 각도와 같은) 특정한 관절와 마모 측정치에 대해 뼈 이식편을 사용할 때 대 증강된 관절와 컴포넌트를 사용할 때를 외과 의사에게 통지하기 위해, 관절와 마모를 교정하기 위해 편심 관절와 리밍을 수행할 때 대 축외 리밍을 수행할 때, 그리고 또한 얼마만큼 많이 사용할지를 통지하기 위해, 및/또는 표준 길이의 상완골 줄기를 사용할 때 대 짧은 상완골 줄기를 사용할 때 대 무줄기 상완골 임플란트를 사용할 때, 및 뼈 품질에 기초하여 각각의 임플란트의 어떤 사이즈를 선택할지를 통지하기 위해.
몇몇 실시형태에서, 이들 관절 성형 수술 파라미터는, 관절 성형 수술 이전에, 관절 성형 수술 동안, 또는 둘 모두에서 외과 의사(예를 들면, 유저)가 재건 계획의 적어도 하나의 관절 성형 수술 파라미터 중 임의의 것을 변경하는 것에 응답하여, 외과 의사가, 수술 이전에 또는 수술 동안, 제2 예측된 수술 이후 관절 성능 데이터 출력에서의 소프트웨어 플랫폼에 대한 이들 트레이드오프를 관찰하는 것을 허용하도록 즉석에서 변경될 수도 있다.
몇몇 실시형태에서, 2 주, 6 주, 8 주, 12 주, 4 개월, 또는 더 이전과 같은 조기 수술 이후 추적 관찰 방문으로부터의 데이터는 상이한 수술 이후 시점에서의 결과를 예측하기 위해 사용될 수도 있다. 이들 수술 이후 예측의 이점은, 그들이 환자 고유의 개선의 더욱 정확한 추정을 잠재적으로 제공할 수도 있다는 것이다. 데이터는 다른 결과 메트릭에 비해 주어진 메트릭에서의 개선을 목표로 하는 더욱 환자 고유의 재활 프로토콜을 확립하는 데 유용한 도움이 될 수도 있다.
몇몇 실시형태에서, 이 데이터 또는 추가적인 데이터(및/또는 직접적으로 환자의 전자 의료 레코드 또는 몇몇 다른 데이터베이스로부터의 통합된 추가 데이터, 예컨대, 클라우드에 저장되며 및/또는 환자의 움직임 및/또는 활동 레벨을 측정할 수도 있고, 통증 레벨에 관련되는 환자로부터의 응답을 수용할 수도 있고, 등등을 할 수도 있는 웨어러블 디바이스로부터 생성되는 데이터)는 이들 예측 모델을 추가로 개선하기 위해 그리고 추가적인 데이터를 사용하여 더욱 정확한 입력을 생성하기 위해 사용될 수도 있다. 데이터는 또한 어깨 관절 성형술에 대해 환자를 위험 계층화하는 데 그리고 외래 수술 센터에서 안전하게 수술을 받을 수도 있는 환자를 식별하는 것과 같은 건강 관리 워크플로우에 대한 권장 사항을 만드는 데 추가로 도움이 될 수도 있다. 예측 모델은 특정한 환자가 병원에서 입원 환자 수술을 받아야 하는지 대 외래 수술을 받아야 하는지의 여부에 관한 권장 사항을 만들 수도 있다. 추가적으로, 예측 모델은 특정한 환자에게 수술 이후 입원 기간에 대한 그들의 지속 기간 길이에 대한 권장 사항을 또한 제공할 수도 있다.
마지막으로, 시간이 지남에 따라 더 많은 임상 데이터가 임상 결과 데이터베이스(62)에 추가됨에 따라, 모델 트레이닝 모듈(54)은, 예측 에러를 감소시키기 위해, 그에 따라 머신 러닝 알고리즘을 업데이트하기 위해 사용될 수도 있다. 따라서, 이것은 예측 결과 알고리즘이 도구를 사용하여 새로운 데이터의 입력에 기초하여 지속적으로 학습하는 것을 가능하게 한다. 추가적으로, 미래에 새로운 파라미터가 추가될 수도 있고 현존하는 파라미터의 순위는, 직접적으로 CT 및/또는 MRI 이미지로부터의 데이터, 예를 들면, 골밀도, 골 아키텍쳐(bone architecture), 연조직 파열, 및/또는 다른 연조직 손상, 예컨대 회전건개 지방 침윤으로부터 예측 모델을 추가로 개선하기 위해, 변경될 수도 있는데, 이것은 치료 및/또는 결과 예측을 위한 임상적 의사 결정에서 의사에게 추가로 도움이 될 수도 있다.
몇몇 실시형태에서, 이들 이미지로부터, 관절와상완(glenohumeral) 또는 다른 관절 뼈 대 뼈 관계가 평가될 수도 있고, 환자 고유의 데이터는 치료 또는 결과 예측을 위한 임상적 의사 결정을 추가로 보조하는 새로운 입력으로서 예측 모델에 영향을 끼칠 수도 있다. 새로운 데이터를 통해, 예측 모델은 또한, 다른 전체 어깨 관절 성형술 시스템으로 그리고 어쩌면 심지어, 척추, 고관절, 무릎, 발목, 외상, 등등과 같은 다양한 관절 및 애플리케이션에 대한 다른 관절 성형술 시스템으로 더 잘 이식 가능할 수도 있고 일반화 가능할 수도 있다. 예측 결과 모델이 더 큰 정확도의 예측을 갖는 경우, 임플란트 타입, 사이즈 및 위치에 관련되는 더 나은 임상적 의사 결정이 이루어질 수도 있으며 이들은 결과에 대한 더욱 사실적인 기대치와 함께 개선된 환자 및 외과 의사 충족도를 초래할 것이다.
도 37은, 본 개시의 하나 이상의 실시형태에 따른, 관절 성형 수술 프로시져의 예측 결과를 모델링하기 위한 예시적인 방법(200)의 플로우차트이다. 방법은 서버(15)의 프로세서(45)에 의해 수행될 수도 있다.
방법(200)은 환자의 관절에 대해 수행될 관절 성형 수술을 위한 수술 이전 환자 고유의 데이터를 수신하는 것(210)을 포함할 수도 있다.
방법(200)은 제1 예측된 수술 이후 관절 성능 데이터 출력을 결정하기 위해, 수술 이전 환자 고유의 데이터를 적어도 하나의 제1 머신 러닝 모델에 입력하는 것(220)을 포함할 수도 있는데, 제1 예측된 수술 이후 관절 성능 데이터 출력은 관절의 적어도 하나의 제1 예측된 수술 이후 결과 메트릭을 포함한다.
방법(200)은 제1 예측된 수술 이후 관절 성능 데이터 출력을 디스플레이 상에서 유저에게 디스플레이하는 것(230)을 포함할 수도 있다.
방법(200)은 환자에 대해 수행되는 적어도 하나의 의료 이미징 프로시져로부터 획득되는 관절의 적어도 하나의 의료 이미지를 수신하는 것(240)을 포함할 수도 있다.
방법(200)은, 관절의 적어도 하나의 의료 이미지, 및 디스플레이된 제1 예측된 수술 이후 관절 성능 데이터 출력에 응답하여 유저로부터 획득되는 적어도 하나의 관절 성형 수술 파라미터에 기초하여 환자의 관절의 재건 계획을 생성하는 것(250)을 포함할 수도 있는데, 재건 계획은, 적어도 하나의 임플란트, 적어도 하나의 임플란트 사이즈, 적어도 하나의 관절 성형 수술 프로시져, 관절에서 적어도 하나의 임플란트를 이식하기 위한 적어도 하나의 포지션, 또는 이들의 임의의 조합으로부터 선택되는 적어도 하나의 관절 성형 수술 파라미터를 포함한다.
방법(200)은, 관절의 적어도 하나의 제2 예측된 수술 이후 결과 메트릭을 포함하는 제2 예측된 수술 이후 관절 성능 데이터 출력을 결정하기 위해, 적어도 하나의 관절 성형 수술 파라미터를 적어도 하나의 제2 머신 러닝 모델에 입력하는 것(260)을 포함할 수도 있다.
방법(200)은 제2 예측된 수술 이후 관절 성능 데이터 출력을 디스플레이 상에서 유저에게 디스플레이하는 것(270)을 포함할 수도 있다.
방법(200)은, 관절 성형 수술 이전에, 관절 성형 수술 동안, 또는 둘 모두에서 유저가 적어도 하나의 관절 성형 수술 파라미터 중 임의의 것을 변경하는 것에 응답하여, 적어도 하나의 관절 성형 수술 권장 사항을 포함하도록 디스플레이된 제2 예측된 수술 이후 관절 성능 데이터 출력을 업데이트하는 것(280)을 포함할 수도 있다. 이것은 외과 의사(20)가 수술 이전에 및/또는 관절 성형 수술 프로시져 동안 예측된 수술 이후 결과 메트릭 중 임의의 것을 최적화하기 위해 수술 파라미터 중 임의의 것을 즉석에서 조정하는 것을 허용할 수도 있다.
몇몇 실시형태에서, 장치는 프로세서 및 명령어를 저장하는 비일시적 메모리를 포함할 수도 있는데, 그 명령어는, 프로세서에 의해 실행될 때, 프로세서로 하여금:
환자의 관절에 대해 수행될 관절 성형 수술을 위한 수술 이전 환자 고유의 데이터를 수신하게 하고;
제1 예측된 수술 이후 관절 성능 데이터 출력을 결정하기 위해, 수술 이전 환자 고유의 데이터를 적어도 하나의 머신 러닝 모델에 입력하게 하고;
여기서 제1 예측된 수술 이후 관절 성능 데이터 출력은 관절의 적어도 하나의 제1 예측된 수술 이후 결과 메트릭을 포함할 수도 있음;
제1 예측된 수술 이후 관절 성능 데이터 출력을 디스플레이 상에서 유저에게 디스플레이하게 하고;
환자에 대해 수행되는 적어도 하나의 의료 이미징 프로시져로부터 획득되는 관절의 적어도 하나의 의료 이미지를 수신하게 하고;
관절의 적어도 하나의 의료 이미지, 및 디스플레이된 제1 예측된 수술 이후 관절 성능 데이터 출력에 응답하여 유저로부터 획득되는 적어도 하나의 관절 성형 수술 파라미터에 기초하여 환자의 관절의 재건 계획을 생성하게 하고;
관절의 적어도 하나의 제2 예측된 수술 이후 결과 메트릭을 포함하는 제2 예측된 수술 이후 관절 성능 데이터 출력을 결정하기 위해, 적어도 하나의 관절 성형 수술 파라미터를 적어도 하나의 머신 러닝 모델에 입력하게 하고;
제2 예측된 수술 이후 관절 성능 데이터 출력을 디스플레이 상에서 유저에게 디스플레이하게 한다.
몇몇 실시형태에서, 장치는 프로세서 및 명령어를 저장하는 비일시적 메모리를 포함할 수도 있는데, 그 명령어는, 프로세서에 의해 실행될 때, 프로세서로 하여금:
환자의 관절에 대해 수행될 관절 성형 수술을 위한 수술 이전 환자 고유의 데이터를 수신하게 하고;
여기서 수술 이전 환자 고유의 데이터는:
(i) 환자의 의학적 이력,
(ii) 관절의 적어도 하나의 타입의 관절 움직임에 대한 움직임의 측정된 범위, 및
(iii) 관절과 관련되는 적어도 하나의 통증 메트릭
을 포함할 수도 있음;
제1 예측된 수술 이후 관절 성능 데이터 출력을 결정하기 위해, 수술 이전 환자 고유의 데이터를 적어도 하나의 제1 머신 러닝 모델에 입력하게 하고;
여기서 제1 예측된 수술 이후 관절 성능 데이터 출력은 관절의 적어도 하나의 제1 예측된 수술 이후 결과 메트릭을 포함할 수도 있음;
제1 예측된 수술 이후 관절 성능 데이터 출력을 디스플레이 상에서 유저에게 디스플레이하게 하고;
환자에 대해 수행되는 적어도 하나의 의료 이미징 프로시져로부터 획득되는 관절의 적어도 하나의 의료 이미지를 수신하게 하고;
관절의 적어도 하나의 의료 이미지, 및 디스플레이된 제1 예측된 수술 이후 관절 성능 데이터 출력에 응답하여 유저로부터 획득되는 적어도 하나의 관절 성형 수술 파라미터에 기초하여 환자의 관절의 재건 계획을 생성하게 하고;
여기서 재건 계획은:
(i) 적어도 하나의 임플란트,
(ii) 적어도 하나의 임플란트 사이즈,
(iii) 적어도 하나의 관절 성형 수술 프로시져,
(iv) 관절에서 적어도 하나의 임플란트를 이식하기 위한 적어도 하나의 포지션, 또는
(v) 이들의 임의의 조합
으로부터 선택되는 적어도 하나의 관절 성형 수술 파라미터를 포함할 수도 있음;
관절의 적어도 하나의 제2 예측된 수술 이후 결과 메트릭을 포함하는 제2 예측된 수술 이후 관절 성능 데이터 출력을 결정하기 위해, 적어도 하나의 관절 성형 수술 파라미터를 적어도 하나의 제2 머신 러닝 모델에 입력하게 하고;
제2 예측된 수술 이후 관절 성능 데이터 출력을 디스플레이 상에서 유저에게 디스플레이하게 하고; 그리고
관절 성형 수술 이전에, 관절 성형 수술 동안, 또는 둘 모두에서 유저가 적어도 하나의 관절 성형 수술 파라미터 중 임의의 것을 변경하는 것에 응답하여, 적어도 하나의 관절 성형 수술 권장 사항을 포함하도록 디스플레이된 제2 예측된 수술 이후 관절 성능 데이터 출력을 업데이트하게 한다.
몇몇 실시형태에서, 프로세서는 적어도 하나의 전자 의료 리소스로부터 통신 네트워크를 통해 수술 이전 환자 고유의 데이터를 수신하는 것에 의해 수술 이전 환자 고유의 데이터를 수신하도록 구성될 수도 있다.
몇몇 실시형태에서, 적어도 하나의 의료 이미지는 다음의 것 중 적어도 하나를 포함할 수도 있다: (a) 엑스선 이미지, (b) 컴퓨터 단층 촬영 이미지, (c) 자기 공명 이미지, (d) 삼차원(3D) 이미지, (e) 다수의 X선 이미지로부터 생성되는 3D 의료 이미지, (f) 비디오의 프레임, 또는 이들의 임의의 조합.
몇몇 실시형태에서, 적어도 하나의 제1 예측된 수술 이후 결과 메트릭 및 적어도 하나의 제2 예측된 수술 이후 결과 메트릭은 다음의 것 중 적어도 하나에 대해 예측될 수도 있다: (a) 날짜 수, (b) 개월 수, (c) 년 수.
몇몇 실시형태에서, 프로세서는 적어도 하나의 관절 성형 수술 파라미터에 대한 권장 사항과 함께 제2 예측된 수술 이후 관절 성능 데이터 출력을 디스플레이하도록 구성될 수도 있다.
몇몇 실시형태에서, 관절은 고관절, 무릎 관절, 어깨 관절, 팔꿈치 관절, 및 발목 관절로 구성되는 그룹으로부터 선택될 수도 있다.
몇몇 실시형태에서, 관절은 어깨 관절일 수도 있다.
몇몇 실시형태에서, 수술 이전 환자 고유의 데이터는 다음의 것을 포함할 수도 있다: (a) 환자 인구 통계학, (b) 환자 진단, (c) 환자 공존 질환, (d) 환자 의학적 이력, (e) 어깨 능동적 운동 범위 척도, (f) 통증, 기능, 또는 둘 모두의 환자 자체 보고 척도, (g) 미국인 어깨 및 팔꿈치 외과 의사 어깨 점수(ASES)에 기초한 환자 점수, (h) 상수 어깨 점수(Constant Shoulder Score; CSS)에 기초한 환자 점수, 또는 이들의 임의의 조합.
몇몇 실시형태에서, 적어도 하나의 관절 성형 수술 프로시져는 해부학적 전체 어깨 관절 성형술, 역행적 전체 어깨 관절 성형술, 삼각흉근 기법, 및 상외측 기법으로 구성되는 그룹으로부터 선택될 수도 있다.
몇몇 실시형태에서, 적어도 하나의 제1 예측된 수술 이후 결과 메트릭 및 적어도 하나의 제2 예측된 수술 이후 결과 메트릭은, 미국 어깨 및 팔꿈치(ASES) 점수, 캘리포니아대학교 로스앤젤레스(UCLA) 점수, 상수 점수, 전역적 어깨 기능 점수, 시각적 아날로그 스케일(VAS) 통증 점수, 스마트 어깨 관절 성형술 점수(smart shoulder arthroplasty score), 내회전(internal rotation; IR) 점수, 외전 측정치, 전방 거상 측정치, 및 외회전 측정치로 구성되는 그룹으로부터 선택될 수도 있다.
몇몇 실시형태에서, 방법은 다음의 것을 포함할 수도 있다:
프로세서에 의해, 환자의 관절에 대해 수행될 관절 성형 수술을 위한 수술 이전 환자 고유의 데이터를 수신하는 것;
프로세서에 의해, 제1 예측된 수술 이후 관절 성능 데이터 출력을 결정하기 위해, 수술 이전 환자 고유의 데이터를 적어도 하나의 머신 러닝 모델에 입력하는 것;
여기서 제1 예측된 수술 이후 관절 성능 데이터 출력은 관절의 적어도 하나의 제1 예측된 수술 이후 결과 메트릭을 포함할 수도 있음;
프로세서에 의해, 제1 예측된 수술 이후 관절 성능 데이터 출력을 디스플레이 상에서 유저에게 디스플레이하는 것;
프로세서에 의해, 환자에 대해 수행되는 적어도 하나의 의료 이미징 프로시져로부터 획득되는 관절의 적어도 하나의 의료 이미지를 수신하는 것;
프로세서에 의해, 관절의 적어도 하나의 의료 이미지, 및 디스플레이된 제1 예측된 수술 이후 관절 성능 데이터 출력에 응답하여 유저로부터 획득되는 적어도 하나의 관절 성형 수술 파라미터에 기초하여 환자의 관절의 재건 계획을 생성하는 것;
관절의 적어도 하나의 제2 예측된 수술 이후 결과 메트릭을 포함하는 제2 예측된 수술 이후 관절 성능 데이터 출력을 결정하기 위해, 프로세서에 의해, 재건 계획을 적어도 하나의 머신 러닝 모델에 입력하는 것; 및
프로세서에 의해, 제2 예측된 수술 이후 관절 성능 데이터 출력을 디스플레이 상에서 유저에게 디스플레이하는 것.
몇몇 실시형태에서, 방법은 다음의 것을 포함할 수도 있다:
프로세서에 의해, 환자의 관절에 대해 수행될 관절 성형 수술을 위한 수술 이전 환자 고유의 데이터를 수신하는 것;
여기서 수술 이전 환자 고유의 데이터는:
(i) 환자의 의학적 이력,
(ii) 관절의 적어도 하나의 타입의 관절 움직임에 대한 움직임의 측정된 범위, 및
(iii) 관절과 관련되는 적어도 하나의 통증 메트릭
을 포함함;
프로세서에 의해, 제1 예측된 수술 이후 관절 성능 데이터 출력을 결정하기 위해, 수술 이전 환자 고유의 데이터를 적어도 하나의 제1 머신 러닝 모델에 입력하는 것;
여기서 제1 예측된 수술 이후 관절 성능 데이터 출력은 관절의 적어도 하나의 제1 예측된 수술 이후 결과 메트릭을 포함할 수도 있음;
프로세서에 의해, 제1 예측된 수술 이후 관절 성능 데이터 출력을 디스플레이 상에서 유저에게 디스플레이하는 것;
프로세서에 의해, 환자에 대해 수행되는 적어도 하나의 의료 이미징 프로시져로부터 획득되는 관절의 적어도 하나의 의료 이미지를 수신하는 것;
프로세서에 의해, 관절의 적어도 하나의 의료 이미지, 및 디스플레이된 제1 예측된 수술 이후 관절 성능 데이터 출력에 응답하여 유저로부터 획득되는 적어도 하나의 관절 성형 수술 파라미터에 기초하여 환자의 관절의 재건 계획을 생성하는 것;
여기서 재건 계획은:
(i) 적어도 하나의 임플란트,
(ii) 적어도 하나의 임플란트 사이즈,
(iii) 적어도 하나의 관절 성형 수술 프로시져,
(iv) 관절에서 적어도 하나의 임플란트를 이식하기 위한 적어도 하나의 포지션, 또는
(v) 이들의 임의의 조합
으로 선택되는 적어도 하나의 관절 성형 수술 파라미터를 포함할 수도 있음;
관절의 적어도 하나의 제2 예측된 수술 이후 결과 메트릭을 포함하는 제2 예측된 수술 이후 관절 성능 데이터 출력을 결정하기 위해, 프로세서에 의해, 재건 계획을 적어도 하나의 제2 머신 러닝 모델에 입력하는 것;
프로세서에 의해, 제2 예측된 수술 이후 관절 성능 데이터 출력을 디스플레이 상에서 유저에게 디스플레이하는 것; 및
관절 성형 수술 이전에, 관절 성형 수술 동안, 또는 둘 모두에서 유저가 재건 계획의 적어도 하나의 관절 성형 수술 파라미터 중 임의의 것을 변경하는 것에 응답하여, 프로세서에 의해, 적어도 하나의 관절 성형 수술 권장 사항을 포함하도록 디스플레이된 제2 예측된 수술 이후 관절 성능 데이터 출력을 업데이트하는 것.
몇몇 실시형태에서, 수술 이전 환자 고유의 데이터를 수신하는 것은 적어도 하나의 전자 의료 리소스로부터 통신 네트워크를 통해 수술 이전 환자 고유의 데이터를 수신하는 것을 포함할 수도 있다.
몇몇 실시형태에서, 적어도 하나의 의료 이미지는 다음의 것 중 적어도 하나를 포함할 수도 있다: (a) 엑스선 이미지, (b) 컴퓨터 단층 촬영 이미지, (c) 자기 공명 이미지, (d) 삼차원(3D) 이미지, (e) 다수의 X선 이미지로부터 생성되는 3D 의료 이미지, (f) 비디오의 프레임, 또는 이들의 임의의 조합.
몇몇 실시형태에서, 적어도 하나의 제1 예측된 수술 이후 결과 메트릭 및 적어도 하나의 제2 예측된 수술 이후 결과 메트릭은 다음의 것 중 적어도 하나에 대해 예측될 수도 있다: (a) 날짜 수, (b) 개월 수, (c) 년 수.
몇몇 실시형태에서, 제2 예측된 수술 이후 관절 성능 데이터 출력을 디스플레이하는 것은 적어도 하나의 관절 성형 수술 파라미터에 대한 권장 사항과 함께 제2 예측된 수술 이후 관절 성능 데이터 출력을 디스플레이하는 것을 포함할 수도 있다.
몇몇 실시형태에서, 관절은 고관절, 무릎 관절, 어깨 관절, 팔꿈치 관절, 및 발목 관절로 구성되는 그룹으로부터 선택될 수도 있다.
몇몇 실시형태에서, 관절은 어깨 관절일 수도 있다.
몇몇 실시형태에서, 수술 이전 환자 고유의 데이터는 다음의 것을 포함할 수도 있다: (a) 환자 인구 통계학, (b) 환자 진단, (c) 환자 공존 질환, (d) 환자 의학적 이력, (e) 어깨 능동적 운동 범위 척도, (f) 통증, 기능, 또는 둘 모두의 환자 자체 보고 척도, (g) 미국인 어깨 및 팔꿈치 외과 의사 어깨 점수(ASES)에 기초한 환자 점수, (h) 상수 어깨 점수(CSS), 어깨 관절 성형술 스마트 점수에 기초한 환자 점수, 또는 이들의 임의의 조합.
몇몇 실시형태에서, 적어도 하나의 관절 성형 수술 프로시져는 해부학적 전체 어깨 관절 성형술, 역행적 전체 어깨 관절 성형술, 삼각흉근 기법, 및 상외측 기법으로 구성되는 그룹으로부터 선택될 수도 있다.
몇몇 실시형태에서, 적어도 하나의 제1 예측된 수술 이후 결과 메트릭 및 적어도 하나의 제2 예측된 수술 이후 결과 메트릭은, 미국 어깨 및 팔꿈치(ASES) 점수, 캘리포니아대학교 로스앤젤레스(UCLA) 점수, 상수 점수, 전역적 어깨 기능 점수, 시각적 아날로그 스케일(VAS) 통증 점수, 스마트 어깨 관절 성형술 점수, 내회전(IR) 점수, 외전 측정치, 전방 거상 측정치, 및 외회전 측정치로 구성되는 그룹으로부터 선택될 수도 있다.
몇몇 실시형태에서, 관련된 디바이스를 갖는 예시적이고 독창적인, 특별하게 프로그래밍된 컴퓨팅 시스템/플랫폼은, 하나 이상의 적절한 데이터 통신 네트워크(예를 들면, 인터넷, 위성, 등등)를 통해 서로 통신하며 IPX/SPX, X.25, AX.25, AppleTalk(TM)(애플토크), TCP/IP(예를 들면, HTTP), 근거리장 무선 통신(near-field wireless communication; NFC), RFID, 협대역 사물 인터넷(Narrow Band Internet of Things; NBIOT), 3G, 4G, 5G, GSM, GPRS, WiFi, WiMax, CDMA, 위성, ZigBee, 및 다른 적절한 통신 모드와 같은, 그러나 이들로 제한되지는 않는, 하나 이상의 적절한 데이터 통신 프로토콜/모드를 활용하는 분산 네트워크 환경에서 동작하도록 구성된다. 몇몇 실시형태에서, NFC는, NFC 대응 디바이스(NFC-enabled device)가 통신하기 위해 "스와이프되는", "범핑되는", "탭핑되는" 또는 다르게는 매우 근접하게 이동되는 단거리 무선 통신 기술을 나타낼 수 있다. 몇몇 실시형태에서, NFC는 통상적으로 10 cm 이하의 거리를 필요로 하는 단거리 무선 기술의 세트를 포함할 수 있다. 몇몇 실시형태에서, NFC는 ISO/IEC 18000-3 에어 인터페이스 상에서 13.56 MHz에서 그리고 106 kbit/s에서부터 424 kbit/s까지의 범위에 이르는 레이트에서 동작할 수도 있다. 몇몇 실시형태에서, NFC는 개시자(initiator) 및 타겟을 수반할 수 있고; 개시자는 수동 타겟에 전력을 공급할 수 있는 RF 필드를 능동적으로 생성한다. 몇몇 실시형태에서, 이것은 NFC 타겟이 배터리를 필요로 하지 않는 태그, 스티커, 키 포브(key fob), 또는 카드와 같은 매우 간단한 폼팩터를 취하는 것을 가능하게 할 수 있다. 몇몇 실시형태에서, NFC의 피어 투 피어 통신은 복수의 NFC 대응 디바이스(예를 들면, 스마트폰)가 서로 매우 근접 범위 내에 있을 때 수행될 수 있다.
본원에서 개시되는 자료는 소프트웨어 또는 펌웨어 또는 그들의 조합으로 구현될 수 있거나 또는 하나 이상의 프로세서에 의해 판독 및 실행될 수도 있는 머신 판독 가능 매체 상에 저장되는 명령어로서 구현될 수도 있다. 머신 판독 가능 매체는 머신(예를 들면, 컴퓨팅 디바이스)에 의해 판독 가능한 형태로 정보를 저장하거나 또는 송신하기 위한 임의의 매체 및/또는 메커니즘을 포함할 수도 있다. 예를 들면, 머신 판독 가능 매체는 리드 온리 메모리(read only memory; ROM); 랜덤 액세스 메모리(random access memory; RAM); 자기 디스크 저장 매체; 광학적 저장 매체; 플래시 메모리 디바이스; 전기, 광학, 음향 또는 다른 형태의 전파 신호(예를 들면, 반송파, 적외선 신호, 디지털 신호, 등등), 및 기타를 포함할 수도 있다.
하드웨어 엘리먼트의 예는 프로세서, 마이크로프로세서, 회로, 회로 엘리먼트(예를 들면, 트랜지스터, 저항기, 커패시터, 인덕터, 및 등등), 집적 회로, 주문형 집적 회로(application specific integrated circuit; ASIC), 프로그래밍 가능한 로직 디바이스(programmable logic device; PLD), 디지털 신호 프로세서(digital signal processor; DSP), 필드 프로그래머블 게이트 어레이(field programmable gate array; FPGA), 로직 게이트, 레지스터, 반도체 디바이스, 칩, 마이크로칩, 칩세트, 및 등등을 포함할 수도 있다. 몇몇 실시형태에서, 하나 이상의 프로세서는 복합 명령어 세트 컴퓨터(Complex Instruction Set Computer; CISC) 또는 축약형 명령어 세트 컴퓨터(Reduced Instruction Set Computer; RISC) 프로세서; x86 명령어 세트 호환 프로세서, 멀티 코어, 또는 임의의 다른 마이크로프로세서 또는 중앙 프로세싱 유닛(central processing unit; CPU)으로서 구현될 수도 있다. 다양한 구현예에서, 하나 이상의 프로세서는 듀얼 코어 프로세서(들), 듀얼 코어 모바일 프로세서(들), 및 등등일 수도 있다.
컴퓨터 관련 시스템, 컴퓨터 시스템, 및 시스템은, 본원에서 사용될 때, 하드웨어 및 소프트웨어의 임의의 조합을 포함한다. 소프트웨어의 예는 소프트웨어 컴포넌트, 오퍼레이팅 시스템 소프트웨어, 미들웨어, 펌웨어, 소프트웨어 모듈, 루틴, 서브루틴, 함수, 메소드, 프로시져, 소프트웨어 인터페이스, 애플리케이션 프로그램 인터페이스(application program interface; API), 명령어 세트, 컴퓨터 코드, 컴퓨터 코드 세그먼트, 워드, 값, 심볼, 또는 이들의 임의의 조합을 포함할 수도 있다. 실시형태가 하드웨어 엘리먼트 및/또는 소프트웨어 엘리먼트를 사용하여 구현되는지의 여부를 결정하는 것은, 소망되는 계산 속도, 전력 레벨, 내열성(heat tolerance), 프로세싱 사이클 예산, 입력 데이터 레이트, 출력 데이터 레이트, 메모리 리소스, 데이터 버스 속도 및 다른 설계 또는 성능 제약과 같은 임의의 수의 요인에 따라 변할 수도 있다.
적어도 하나의 실시형태의 하나 이상의 양태는, 프로세서 내의 다양한 로직을 나타내는 머신 판독 가능 매체 상 저장되는 대표적인 명령어에 의해 구현될 수도 있는데, 그 명령어는, 머신에 의해 판독될 때, 머신으로 하여금 본원에서 설명되는 기술을 수행하기 위한 로직을 제조하게 한다. "IP 코어"로서 공지되어 있는 그러한 표현은 유형의 머신 판독 가능 매체 상에 저장될 수도 있고 다양한 고객 또는 제조 설비에 공급되어 로직 또는 프로세서를 만드는 제조 머신으로 로딩될 수도 있다. 당연히, 본원에서 설명되는 다양한 실시형태는 임의의 적절한 하드웨어 및/또는 컴퓨팅 소프트웨어 언어(예를 들면, C++, 오브젝티브 C, 스위프트(Swift), 자바(Java), 자바스크립트(JavaScript), 파이썬(Python), 펄(Perl), QT, 등등)를 사용하여 물론 구현될 수도 있다.
몇몇 실시형태에서, 컴퓨팅 디바이스(77)와 같은 본 개시의 예시적이고 독창적인 컴퓨터 기반의 시스템/플랫폼, 예시적이고 독창적인 컴퓨터 기반의 디바이스, 및/또는 예시적이고 독창적인 컴퓨터 기반의 컴포넌트 중 하나 이상은, 적어도 하나의 퍼스널 컴퓨터(personal computer; PC), 랩탑 컴퓨터, 울트라 랩탑 컴퓨터, 태블릿, 터치패드, 휴대용 컴퓨터, 핸드헬드 컴퓨터, 팜탑 컴퓨터, 개인 휴대형 정보 단말(personal digital assistant; PDA), 셀룰러 전화, 셀룰러 전화/PDA의 조합, 텔레비전, 스마트 디바이스(예를 들면, 스마트폰, 스마트 태블릿 또는 스마트 텔레비전), 모바일 인터넷 디바이스(mobile internet device; MID), 메시징 디바이스, 데이터 통신 디바이스, 및 등등을 포함할 수도 있거나 또는, 부분적으로 또는 전체적으로, 이들로 통합될 수도 있다.
본원에서 사용될 때, 용어 "서버"는 프로세싱, 데이터베이스, 및 통신 설비를 제공하는 서비스 포인트를 지칭하는 것으로 이해되어야 한다. 제한이 아닌 예로서, 용어 "서버"는 관련된 통신 및 데이터 스토리지 및 데이터베이스 설비를 갖는 단일의 물리적 프로세서를 지칭할 수 있거나, 또는 그것은 프로세서 및 관련된 네트워크 및 스토리지 디바이스뿐만 아니라, 운영 소프트웨어 및 서버에 의해 제공되는 서비스를 지원하는 하나 이상의 데이터베이스 시스템 및 애플리케이션 소프트웨어의 네트워크화된 또는 클러스터링된 복합체를 지칭할 수도 있다. 클라우드 서버가 그 예이다.
몇몇 실시형태에서, 본원에서 상세하게 설명되는 바와 같이, 본 개시의 예시적이고 독창적인 컴퓨터 기반의 시스템/플랫폼, 예시적이고 독창적인 컴퓨터 기반의 디바이스, 및/또는 예시적이고 독창적인 컴퓨터 기반의 컴포넌트 중 하나 이상은, 파일, 연락처, 태스크, 전자 메일, 소셜 미디어 게시물, 맵, 전체 애플리케이션(entire application)(예를 들면, 계산기), 등등과 같은, 그러나 이들로 제한되지는 않는, 임의의 적절한 형태를 가질 수 있는 임의의 디지털 오브젝트 및/또는 데이터 단위를 (예를 들면, 특정한 애플리케이션 내부에서부터 및/또는 외부에서부터) 획득, 조작, 전송, 저장, 변환, 생성, 및/또는 출력할 수도 있다. 몇몇 실시형태에서, 본원에서 상세하게 설명되는 바와 같이, 본 개시의 예시적이고 독창적인 컴퓨터 기반의 시스템/플랫폼, 예시적이고 독창적인 컴퓨터 기반의 디바이스, 및/또는 예시적이고 독창적인 컴퓨터 기반의 컴포넌트 중 하나 이상은, 다음의 것과 같은, 그러나 이들로 제한되지는 않는 다양한 컴퓨터 플랫폼 중 하나 이상에 걸쳐 구현될 수도 있다: (1) FreeBSD, NetBSD, OpenBSD; (2) 리눅스(Linux); (3) 마이크로소프트 윈도우즈(Microsoft Windows); (4) OS X(MacOS(맥OS)); (5) MacOS 11; (6) 솔라리스(Solaris); (7) 안드로이드(Android); (8) iOS; (9) 임베딩된 리눅스(Embedded Linux); (10) 타이젠(Tizen); (11) 웹OS(WebOS); (12) IBM i; (13) IBM AIX; (14) 무선용 바이너리 런타임 환경(Binary Runtime Environment for Wireless; BREW); (15) 코코아(Cocoa)(API); (16) 코코아 터치(Cocoa Touch); (17) 자바 플랫폼(Java Platforms); (18) 자바FX(JavaFX); (19) JavaFX 모바일(JavaFX Mobile); (20) 마이크로소프트 다이렉트X(Microsoft DirectX); (21) 닷넷(.NET) 프레임워크; (22) 실버라이트(Silverlight); (23) 개방형 웹 플랫폼(Open Web Platform); (24) 오라클 데이터베이스(Oracle Database); (25) Qt; (26) 이클립스 리치 클라이언트 플랫폼(Eclipse Rich Client Platform); (27) SAP 넷위버(NetWeaver); (28) 스마트페이스(Smartface); 및/또는 (29) 윈도우즈 런타임(Windows Runtime).
몇몇 실시형태에서, 본 개시의 예시적이고 독창적인 컴퓨터 기반의 시스템/플랫폼, 예시적이고 독창적인 컴퓨터 기반의 디바이스, 및/또는 예시적이고 독창적인 컴퓨터 기반의 컴포넌트 중 하나 이상은, 본 개시의 원리와 일치하는 피쳐를 구현하기 위해 소프트웨어 명령어 대신 또는 소프트웨어 명령어와 조합하여 사용될 수도 있는 하드웨어에 내장된 회로부(hardwired circuitry)를 활용하도록 구성될 수도 있다. 따라서, 본 개시의 원리와 일치하는 구현예는 하드웨어 회로부 및 소프트웨어의 임의의 특정한 조합으로 제한되지는 않는다. 예를 들면, 다양한 실시형태는, 독립형 소프트웨어 패키지, 소프트웨어 패키지의 조합과 같은 소프트웨어 컴포넌트로서 많은 상이한 방식으로 구현될 수도 있거나, 또는 그것은 더 큰 소프트웨어 제품에 "도구"로서 통합되는 소프트웨어 패키지일 수도 있다.
예를 들면, 본 개시의 하나 이상의 원리에 따라 구체적으로 프로그래밍되는 예시적인 소프트웨어는, 네트워크, 예를 들면, 웹사이트로부터, 독립형 제품으로서 또는 현존하는 소프트웨어 애플리케이션에서의 설치를 위한 애드인 패키지(add-in package)로서 다운로드 가능할 수도 있다. 예를 들면, 본 개시의 하나 이상의 원리에 따라 구체적으로 프로그래밍되는 예시적인 소프트웨어는 클라이언트-서버 소프트웨어 애플리케이션으로서, 또는 웹 대응 소프트웨어 애플리케이션으로서 또한 이용 가능할 수도 있다. 예를 들면, 본 개시의 하나 이상의 원리에 따라 구체적으로 프로그래밍되는 예시적인 소프트웨어는 하드웨어 디바이스 상에 설치되는 소프트웨어 패키지로서 또한 구체화될 수도 있다.
몇몇 실시형태에서, 본 개시의 예시적이고 독창적인 컴퓨터 기반의 시스템/플랫폼, 예시적이고 독창적인 컴퓨터 기반의 디바이스, 및/또는 예시적이고 독창적인 컴퓨터 기반의 컴포넌트 중 하나 이상은, 적어도 100 명(예를 들면, 100-999 명, 그러나 이들로 제한되지는 않음), 적어도 1,000 명(예를 들면, 1,000-9,999명, 그러나 이들로 제한되지는 않음), 적어도 10,000 명(예를 들면, 10,000-99,999명, 그러나 이들로 제한되지는 않음), 적어도 100,000 명(예를 들면, 100,000-999,999명, 그러나 이들로 제한되지는 않음), 적어도 1,000,000 명(예를 들면, 1,000,000-9,999,999 명, 그러나 이들로 제한되지는 않음), 적어도 10,000,000 (예를 들면, 10,000,000-99,999,999 명, 그러나 이들로 제한되지는 않음), 적어도 100,000,000 명(예를 들면, 100,000,000-999,999,999 명, 그러나 이들로 제한되지는 않음), 적어도 1,000,000,000 명(예를 들면, 1,000,000,000-999,999,999,999 명, 그러나 이들로 제한되지는 않음), 및 등등일 수도 있는, 그러나 이들로 제한되지는 않는 다수의 동시적 유저를 핸들링하도록 구성될 수도 있다.
몇몇 실시형태에서, 본 개시의 예시적이고 독창적인 컴퓨터 기반의 시스템/플랫폼, 예시적이고 독창적인 컴퓨터 기반의 디바이스, 및/또는 예시적이고 독창적인 컴퓨터 기반의 컴포넌트 중 하나 이상은, 본 개시의 별개의 구체적으로 프로그래밍된 그래픽 유저 인터페이스 구현예(예를 들면, 데스크탑, 웹 앱, 등등)를 출력하도록 구성될 수도 있다. 본 개시의 다양한 구현예에서, 최종 출력은 디스플레이 화면 상에서 디스플레이될 수도 있는데, 디스플레이 화면은, 컴퓨터의 화면, 모바일 디바이스의 화면, 또는 등등일 수도 있지만, 그러나 이들로 제한되지는 않는다. 다양한 구현예에서, 디스플레이는 홀로그래픽 디스플레이일 수도 있다. 다양한 구현예에서, 디스플레이는 시각적 투영(visual projection)을 수신할 수도 있는 투명한 표면일 수도 있다. 그러한 투영은 다양한 형태의 정보, 이미지, 및/또는 오브젝트를 전달할 수도 있다. 예를 들면, 그러한 투영은 모바일 증강 현실(mobile augmented reality; MAR) 애플리케이션에 대한 시각적 오버레이일 수도 있다.
본원에서 사용될 때, 용어 "모바일 전자 디바이스" 또는 등등은, 위치 추적 기능성(예를 들면, MAC 어드레스, 인터넷 프로토콜(Internet Protocol; IP) 어드레스, 또는 등등)과 대응할 수도 있는 또는 대응하지 않을 수도 있는 임의의 휴대용 전자 디바이스를 지칭할 수도 있다. 예를 들면, 모바일 전자 디바이스는, 이동 전화, 개인 휴대형 정보 단말(PDA), Blackberry™(블랙베리), Pager(페이저), 스마트폰, 또는 임의의 다른 합리적인 모바일 전자 디바이스를 포함할 수 있지만, 그러나 이들로 제한되지는 않는다.
본원에서 사용될 때, 용어 "클라우드", "인터넷 클라우드", "클라우드 컴퓨팅", "클라우드 아키텍쳐" 및 유사한 용어는 다음의 것 중 적어도 하나에 대응한다: (1) 실시간 통신 네트워크(예를 들면, 인터넷)를 통해 연결되는 많은 수의 컴퓨터; (2) 많은 연결된 컴퓨터(예를 들면, 물리적 머신, 가상 머신(virtual machine; VM)) 상에서 프로그램 또는 애플리케이션을 동시에 실행하는 능력을 제공하는 것; (3) 실제 서버 하드웨어에 의해 제공되는 것처럼 보이며, 실제로, (예를 들면, 엔드 유저에게 영향을 주지 않으면서 이동되고 즉석에서 확장(또는 축소)되는 것을 허용하는) 하나 이상의 실제 머신 상에서 실행되는 소프트웨어에 의해 시뮬레이팅되는 가상 하드웨어(예를 들면, 가상 서버)에 의해 서빙되는 네트워크 기반의 서비스.
몇몇 실시형태에서, 본 개시의 예시적이고 독창적인 컴퓨터 기반의 시스템/플랫폼, 예시적이고 독창적인 컴퓨터 기반의 디바이스, 및/또는 예시적이고 독창적인 컴퓨터 기반의 컴포넌트는, 암호화 기술(예를 들면, 개인/공개 키 쌍, 삼중 데이터 암호화 표준(Triple Data Encryption Standard; 3DES), 블록 암호 알고리즘(block cipher algorithm)(예를 들면, IDEA, RC2, RC5, CAST 및 Skipjack(스킵잭)), 암호 해시 알고리즘(cryptographic hash algorithm)(예를 들면, MD5, RIPEMD-160), RTR0, SHA-1, SHA-2, Tiger(TTH), WHIRLPOOL, RNGs) 중 하나 이상을 활용하는 것에 의해 데이터를 안전하게 저장 및/또는 송신하도록 구성될 수도 있다.
전술한 예는 물론 예시적인 것이며 제한적인 것은 아니다.
본원에서 사용될 때, 용어 "유저"는 적어도 한 명의 유저의 의미를 가질 것이다. 본원에서 사용되는 바와 같은 맥락에서, 유저는 의사, 또는 외과 의사 또는 의사, 또는 외과 의사를 대신하여 행동하는 어떤 사람, 연구소 기술자, 수술 직원, 및 등등일 수도 있다.
몇몇 실시형태에서, 본 개시의 예시적이고 독창적인 컴퓨터 기반의 시스템/플랫폼, 예시적이고 독창적인 컴퓨터 기반의 디바이스, 및/또는 예시적이고 독창적인 컴퓨터 기반의 컴포넌트는 의사 결정 트리, 부스팅, 서포트 벡터 머신, 신경망, 최근접 이웃 알고리즘, 나이브 베이즈(Naive Bayes), 배깅(bagging), 랜덤 포레스트(random forest), 및 등등으로부터 선택되는, 그러나 이들로 제한되지는 않는 하나 이상의 예시적인 AI/머신 러닝 기술을 활용하도록 구성될 수도 있다. 몇몇 실시형태에서, 그리고 옵션 사항으로, 상기에서 또는 하기에서 설명되는 임의의 실시형태의 조합에서, 예시적인 중립 네트워크 기술은, 피드포워드 신경망(feedforward neural network), 방사 기저 함수 네트워크(radial basis function network), 순환 신경망(recurrent neural network), 컨볼루션 네트워크(convolutional network)(예를 들면, U-net) 또는 다른 적절한 네트워크 중 하나일 수도 있지만, 그러나 이들로 제한되지는 않는다. 몇몇 실시형태에서, 그리고 옵션 사항으로, 상기에서 또는 하기에서 설명되는 임의의 실시형태의 조합에서, 신경망의 예시적인 구현예는 다음과 같이 실행될 수도 있다:
i) 신경망 아키텍쳐/모델을 정의함,
ii) 입력 데이터를 예시적인 신경망 모델로 전송함,
iii) 예시적인 모델을 점진적으로 트레이닝시킴,
iv) 특정한 수의 시간 단계에 대한 정확도를 결정함,
v) 새로 수신된 입력 데이터를 프로세싱하기 위해 예시적인 트레이닝된 모델을 적용함,
vi) 옵션 사항으로 그리고 병렬로, 사전 결정된 주기성을 가지고 예시적인 트레이닝된 모델을 계속 트레이닝시킴.
몇몇 실시형태에서, 그리고 옵션 사항으로, 상기에서 또는 하기에서 설명되는 임의의 실시형태의 조합에서, 예시적인 트레이닝된 신경망 모델은 적어도 신경망 토폴로지, 일련의 활성화 함수, 및 연결 가중치에 의해 신경망을 명시할 수도 있다. 예를 들면, 신경망의 토폴로지는 신경망의 노드 및 그러한 노드 사이의 연결의 구성을 포함할 수도 있다. 몇몇 실시형태에서, 그리고 옵션 사항으로, 상기에서 또는 하기에서 설명되는 임의의 실시형태의 조합에서, 예시적인 트레이닝된 신경망 모델은, 바이어스 값/함수 및/또는 집성 함수를 포함하는, 그러나 이들로 제한되지는 않는, 다른 파라미터를 포함하도록 또한 명시될 수도 있다. 예를 들면, 노드의 활성화 함수는 단계 함수, 사인 함수, 연속 또는 구분적(piecewise) 선형 함수, 시그모이드(sigmoid) 함수, 쌍곡선 탄젠트 함수, 또는 노드가 활성화되는 임계치를 나타내는 다른 타입의 수학적 함수일 수도 있다. 몇몇 실시형태에서, 그리고 옵션 사항으로, 상기에서 또는 하기에서 설명되는 임의의 실시형태의 조합에서, 예시적인 집성 함수는 입력 신호를 노드에 결합하는(예를 들면, 더하는, 곱하는, 등등을 하는) 수학적 함수일 수도 있다. 몇몇 실시형태에서, 그리고 옵션 사항으로, 상기에서 또는 하기에서 설명되는 임의의 실시형태의 조합에서, 예시적인 집성 함수의 출력은 예시적인 활성화 함수에 대한 입력으로서 사용될 수도 있다. 몇몇 실시형태에서, 그리고 옵션 사항으로, 상기에서 또는 하기에서 설명되는 임의의 실시형태의 조합에서, 바이어스는, 노드를 더 많이 또는 더 적게 활성화될 가능성이 있게 만들기 위해 집성 함수 및/또는 활성화 함수에 의해 사용될 수도 있는 일정한 값 또는 함수일 수도 있다.
본원에서 설명되는 개시는 본원에서 구체적으로 개시되지 않는 임의의 엘리먼트 또는 엘리먼트들, 제한 또는 제한들이 없는 상태에서 실시될 수도 있다. 따라서, 예를 들면, 본원의 각각의 경우에서, 용어 "포함하는(comprising)", "본질적으로 구성되는(consisting essentially of)" 및 "로 구성되는(consisting of)"은, 본원에 정의되는 바와 같은 그들 각각의 의미를 변경하지 않으면서, 나머지 두 용어 중 어느 하나로 대체될 수도 있다. 활용된 용어 및 표현은 제한의 용어가 아닌 설명의 용어로서 사용되며, 그러한 용어 및 표현의 사용에서는 도시되고 설명되는 피쳐 또는 그 일부의 임의의 등가물을 배제하는 의도는 없으며, 오히려, 본 개시의 범위 내에서 다양한 수정이 가능하다는 것이 인식된다.

Claims (20)

  1. 장치로서,
    프로세서; 및
    명령어를 저장하는 비일시적 메모리를 포함하되, 상기 명령어는, 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금:
    환자의 관절에 대해 수행될 관절 성형 수술(arthroplasty surgery)을 위한 수술 이전 환자 고유의 데이터를 수신하게 하고 - 상기 수술 이전 환자 고유의 데이터는:
    (i) 상기 환자의 의학적 이력,
    (ii) 상기 관절의 적어도 하나의 타입의 관절 움직임에 대한 움직임의 측정된 범위, 및
    (iii) 상기 관절과 연관되는 적어도 하나의 통증 메트릭
    을 포함함 -;
    제1 예측된 수술 이후 관절 성능 데이터 출력을 결정하기 위해, 상기 수술 이전 환자 고유의 데이터를 적어도 하나의 제1 머신 러닝 모델에 입력하게 하고 - 상기 제1 예측된 수술 이후 관절 성능 데이터 출력은 상기 관절의 적어도 하나의 제1 예측된 수술 이후 결과 메트릭을 포함함 -;
    상기 제1 예측된 수술 이후 관절 성능 데이터 출력을 디스플레이 상에서 유저에게 디스플레이하게 하고;
    상기 환자에 대해 수행되는 적어도 하나의 의료 이미징 프로시져로부터 획득되는 상기 관절의 적어도 하나의 의료 이미지를 수신하게 하고;
    상기 관절의 상기 적어도 하나의 의료 이미지, 및 상기 디스플레이된 제1 예측된 수술 이후 관절 성능 데이터 출력에 응답하여 상기 유저로부터 획득되는 적어도 하나의 관절 성형 수술 파라미터에 적어도 부분적으로 기초하여 상기 환자의 상기 관절의 재건 계획을 생성하게 하고 - 상기 재건 계획은:
    (i) 적어도 하나의 임플란트,
    (ii) 적어도 하나의 임플란트 사이즈,
    (iii) 적어도 하나의 관절 성형 수술 프로시져,
    (iv) 상기 관절에서 상기 적어도 하나의 임플란트를 이식하기 위한 적어도 하나의 포지션, 또는
    (v) 이들의 임의의 조합
    으로부터 선택되는 상기 적어도 하나의 관절 성형 수술 파라미터를 포함함 -;
    상기 관절의 적어도 하나의 제2 예측된 수술 이후 결과 메트릭을 포함하는 제2 예측된 수술 이후 관절 성능 데이터 출력을 결정하기 위해, 상기 적어도 하나의 관절 성형 수술 파라미터를 적어도 하나의 제2 머신 러닝 모델에 입력하게 하고;
    상기 제2 예측된 수술 이후 관절 성능 데이터 출력을 상기 디스플레이 상에서 상기 유저에게 디스플레이하게 하고; 그리고
    상기 관절 성형 수술 이전에, 상기 관절 성형 수술 동안, 또는 둘 모두에서 상기 유저가 상기 적어도 하나의 관절 성형 수술 파라미터 중 임의의 것을 변경하는 것에 응답하여, 적어도 하나의 관절 성형 수술 권장 사항을 포함하도록 상기 디스플레이된 제2 예측된 수술 이후 관절 성능 데이터 출력을 업데이트하게 하는, 장치.
  2. 제1항에 있어서,
    상기 프로세서는 적어도 하나의 전자 의료 리소스로부터 통신 네트워크를 통해 상기 수술 이전 환자 고유의 데이터를 수신하는 것에 의해 상기 수술 이전 환자 고유의 데이터를 수신하도록 구성되는, 장치.
  3. 제1항에 있어서,
    상기 적어도 하나의 의료 이미지는: (a) 엑스(X)선 이미지, (b) 컴퓨터 단층 촬영 이미지, (c) 자기 공명 이미지, (d) 삼차원(three-dimensional; 3D) 이미지, (e) 다수의 X선 이미지로부터 생성되는 3D 의료 이미지, (f) 비디오의 프레임, 또는 이들의 임의의 조합 중 적어도 하나를 포함하는, 장치.
  4. 제1항에 있어서,
    상기 적어도 하나의 제1 예측된 수술 이후 결과 메트릭 및 적어도 하나의 제2 예측된 수술 이후 결과 메트릭은: (a) 날짜 수, (b) 개월 수, 및 (c) 년 수 중 적어도 하나에 대해 예측되는, 장치.
  5. 제1항에 있어서,
    상기 프로세서는 상기 적어도 하나의 관절 성형 수술 파라미터에 대한 권장 사항과 함께 상기 제2 예측된 수술 이후 관절 성능 데이터 출력을 디스플레이하도록 구성되는, 장치.
  6. 제1항에 있어서,
    상기 관절은 고관절, 무릎 관절, 어깨 관절, 팔꿈치 관절, 및 발목 관절로 구성되는 그룹으로부터 선택되는, 장치.
  7. 제1항에 있어서,
    상기 관절은 어깨 관절인, 장치.
  8. 제7항에 있어서,
    상기 수술 이전 환자 고유의 데이터는: (a) 환자 인구 통계학, (b) 환자 진단, (c) 환자 공존 질환, (d) 환자 의학적 이력, (e) 어깨 능동적 운동 범위 척도, (f) 통증, 기능, 또는 둘 모두의 환자 자체 보고 척도, (g) 미국인 어깨 및 팔꿈치 외과 의사 어깨 점수(American Shoulder and Elbow Surgeons Shoulder Score; ASES)에 기초한 환자 점수, (h) 상수 어깨 점수(Constant Shoulder Score; CSS)에 기초한 환자 점수, 또는 이들의 임의의 조합을 포함하는, 장치.
  9. 제7항에 있어서,
    상기 적어도 하나의 관절 성형 수술 프로시져는 해부학적 전체 어깨 관절 성형술(anatomic total shoulder arthroplasty), 역행적 전체 어깨 관절 성형술(reverse total shoulder arthroplasty), 삼각흉근 기법(deltopectoral technique), 및 상외측 기법(superior-lateral technique)으로 구성되는 그룹으로부터 선택되는, 장치.
  10. 제7항에 있어서,
    상기 적어도 하나의 제1 예측된 수술 이후 결과 메트릭 및 상기 적어도 하나의 제2 예측된 수술 이후 결과 메트릭은, 미국 어깨 및 팔꿈치(ASES) 점수, 캘리포니아대학교 로스앤젤레스(University of California, Los Angeles; UCLA) 점수, 상수 점수(constant score), 전역적 어깨 기능 점수(global shoulder function score), 시각적 아날로그 스케일(Visual Analogue Scale; VAS) 통증 점수, 스마트 어깨 관절 성형술 점수(smart shoulder arthroplasty score), 내회전(internal rotation; IR) 점수, 외전 측정치(abduction measurement), 전방 거상 측정치(forward elevation measurement), 및 외회전 측정치(external rotation measurement)로 구성되는 그룹으로부터 선택되는, 장치.
  11. 방법으로서,
    프로세서에 의해, 환자의 관절에 대해 수행될 관절 성형 수술을 위한 수술 이전 환자 고유의 데이터를 수신하는 단계 - 상기 수술 이전 환자 고유의 데이터는:
    (i) 상기 환자의 의학적 이력,
    (ii) 상기 관절의 적어도 하나의 타입의 관절 움직임에 대한 움직임의 측정된 범위, 및
    (iii) 상기 관절과 연관되는 적어도 하나의 통증 메트릭
    을 포함함 -;
    상기 프로세서에 의해, 제1 예측된 수술 이후 관절 성능 데이터 출력을 결정하기 위해, 상기 수술 이전 환자 고유의 데이터를 적어도 하나의 제1 머신 러닝 모델에 입력하는 단계 - 상기 제1 예측된 수술 이후 관절 성능 데이터 출력은 상기 관절의 적어도 하나의 제1 예측된 수술 이후 결과 메트릭을 포함함 -;
    상기 프로세서에 의해, 상기 제1 예측된 수술 이후 관절 성능 데이터 출력을 디스플레이 상에서 유저에게 디스플레이하는 단계;
    상기 프로세서에 의해, 상기 환자에 대해 수행되는 적어도 하나의 의료 이미징 프로시져로부터 획득되는 상기 관절의 적어도 하나의 의료 이미지를 수신하는 단계;
    상기 프로세서에 의해, 상기 관절의 상기 적어도 하나의 의료 이미지, 및 상기 디스플레이된 제1 예측된 수술 이후 관절 성능 데이터 출력에 응답하여 상기 유저로부터 획득되는 적어도 하나의 관절 성형 수술 파라미터에 기초하여 상기 환자의 상기 관절의 재건 계획을 생성하는 단계 - 상기 재건 계획은:
    (i) 적어도 하나의 임플란트,
    (ii) 적어도 하나의 임플란트 사이즈,
    (iii) 적어도 하나의 관절 성형 수술 프로시져,
    (iv) 상기 관절에서 상기 적어도 하나의 임플란트를 이식하기 위한 적어도 하나의 포지션, 또는
    (v) 이들의 임의의 조합
    로부터 선택되는 상기 적어도 하나의 관절 성형 수술 파라미터를 포함함 -;
    상기 관절의 적어도 하나의 제2 예측된 수술 이후 결과 메트릭을 포함하는 제2 예측된 수술 이후 관절 성능 데이터 출력을 결정하기 위해, 상기 프로세서에 의해, 상기 재건 계획을 적어도 하나의 제2 머신 러닝 모델에 입력하는 단계;
    상기 프로세서에 의해, 상기 제2 예측된 수술 이후 관절 성능 데이터 출력을 상기 디스플레이 상에서 상기 유저에게 디스플레이하는 단계; 및
    상기 관절 성형 수술 이전에, 상기 관절 성형 수술 동안, 또는 둘 모두에서 상기 유저가 상기 재건 계획의 상기 적어도 하나의 관절 성형 수술 파라미터 중 임의의 것을 변경하는 것에 응답하여, 상기 프로세서에 의해, 적어도 하나의 관절 성형 수술 권장 사항을 포함하도록 상기 디스플레이된 제2 예측된 수술 이후 관절 성능 데이터 출력을 업데이트하는 단계를 포함하는, 방법.
  12. 제11항에 있어서,
    상기 수술 이전 환자 고유의 데이터를 수신하는 단계는 적어도 하나의 전자 의료 리소스로부터 통신 네트워크를 통해 상기 수술 이전 환자 고유의 데이터를 수신하는 단계를 포함하는, 방법.
  13. 제11항에 있어서,
    상기 적어도 하나의 의료 이미지는: (a) 엑스(X)선 이미지, (b) 컴퓨터 단층 촬영 이미지, (c) 자기 공명 이미지, (d) 삼차원(three-dimensional; 3D) 이미지, (e) 다수의 X선 이미지로부터 생성되는 3D 의료 이미지, (f) 비디오의 프레임, 또는 이들의 임의의 조합 중 적어도 하나를 포함하는, 방법.
  14. 제11항에 있어서,
    상기 적어도 하나의 제1 예측된 수술 이후 결과 메트릭 및 적어도 하나의 제2 예측된 수술 이후 결과 메트릭은: (a) 날짜 수, (b) 개월 수, 및 (c) 년 수 중 적어도 하나에 대해 예측되는, 방법.
  15. 제11항에 있어서,
    상기 제2 예측된 수술 이후 관절 성능 데이터 출력을 디스플레이하는 단계는 상기 적어도 하나의 관절 성형 수술 파라미터에 대한 권장 사항과 함께 상기 제2 예측된 수술 이후 관절 성능 데이터 출력을 디스플레이하는 단계를 포함하는, 방법.
  16. 제11항에 있어서,
    상기 관절은 고관절, 무릎 관절, 어깨 관절, 팔꿈치 관절, 및 발목 관절로 구성되는 그룹으로부터 선택되는, 방법.
  17. 제11항에 있어서,
    상기 관절은 어깨 관절인, 방법.
  18. 제17항에 있어서,
    상기 수술 이전 환자 고유의 데이터는: (a) 환자 인구 통계학, (b) 환자 진단, (c) 환자 공존 질환, (d) 환자 의학적 이력, (e) 어깨 능동적 운동 범위 척도, (f) 통증, 기능, 또는 둘 모두의 환자 자체 보고 척도, (g) 미국인 어깨 및 팔꿈치 외과 의사 어깨 점수(ASES)에 기초한 환자 점수, (h) 상수 어깨 점수(CSS)에 기초한 환자 점수, 또는 이들의 임의의 조합을 포함하는, 방법.
  19. 제17항에 있어서,
    상기 적어도 하나의 관절 성형 수술 프로시져는 해부학적 전체 어깨 관절 성형술, 역행적 전체 어깨 관절 성형술, 삼각흉근 기법, 및 상외측 기법으로 구성되는 그룹으로부터 선택되는, 방법.
  20. 제17항에 있어서,
    상기 적어도 하나의 제1 예측된 수술 이후 결과 메트릭 및 상기 적어도 하나의 제2 예측된 수술 이후 결과 메트릭은, 미국 어깨 및 팔꿈치(ASES) 점수, 캘리포니아대학교 로스앤젤레스(UCLA) 점수, 상수 점수, 전역적 어깨 기능 점수, 시각적 아날로그 스케일(VAS) 통증 점수, 스마트 어깨 관절 성형술 점수, 내회전(IR) 점수, 외전 측정치, 전방 거상 측정치, 및 외회전 측정치로 구성되는 그룹으로부터 선택되는, 방법.
KR1020227040172A 2020-04-17 2021-04-16 관절 성형 수술 프로시져의 예측 결과를 모델링하기 위한 방법 및 시스템 KR20230003533A (ko)

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
KR20230003533A true KR20230003533A (ko) 2023-01-06

Family

ID=78081067

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227040172A KR20230003533A (ko) 2020-04-17 2021-04-16 관절 성형 수술 프로시져의 예측 결과를 모델링하기 위한 방법 및 시스템

Country Status (7)

Country Link
US (2) US11490966B2 (ko)
EP (1) EP4135620A4 (ko)
JP (1) JP2023521912A (ko)
KR (1) KR20230003533A (ko)
AU (1) AU2021257275A1 (ko)
CA (1) CA3180513A1 (ko)
WO (1) WO2021212040A1 (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022192222A1 (en) * 2021-03-08 2022-09-15 Agada Medical Ltd. Planning spinal surgery using patient-specific biomechanical parameters
US20230149090A1 (en) * 2021-11-12 2023-05-18 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
JP5180953B2 (ja) 2006-03-23 2013-04-10 イグザクテック・インコーポレイテッド 逆型肩関節用浅窩プレートおよびプロテーゼ
EP3185809A4 (en) 2014-08-01 2018-04-18 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
WO2017075657A1 (en) * 2015-11-05 2017-05-11 360 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
EP3833271A1 (en) * 2018-08-07 2021-06-16 Smith & Nephew, Inc. Force-indicating retractor device and methods of use
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
JP2023521912A (ja) 2023-05-25
WO2021212040A1 (en) 2021-10-21
EP4135620A4 (en) 2024-06-12
CA3180513A1 (en) 2021-10-21
EP4135620A1 (en) 2023-02-22
US20210322100A1 (en) 2021-10-21
AU2021257275A1 (en) 2022-11-17
US20230139531A1 (en) 2023-05-04
US11490966B2 (en) 2022-11-08

Similar Documents

Publication Publication Date Title
US11490966B2 (en) Method and system for modeling predictive outcomes of arthroplasty surgical procedures
AU2019398314B2 (en) Bone density modeling and orthopedic surgical planning system
Helm et al. Machine learning and artificial intelligence: definitions, applications, and future directions
US11854683B2 (en) Patient-specific medical procedures and devices, and associated systems and methods
Myers et al. Artificial intelligence and orthopaedics: an introduction for clinicians
Makhni et al. Artificial intelligence for the orthopaedic surgeon: an overview of potential benefits, limitations, and clinical applications
Lee et al. Artificial intelligence in diagnosis of knee osteoarthritis and prediction of arthroplasty outcomes: a review
Karnuta et al. Can a machine learning model accurately predict patient resource utilization following lumbar spinal fusion?
WO2021113168A1 (en) Machine-learned models in support of surgical procedures
US20230149090A1 (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
US20240065763A1 (en) System and process for preoperative surgical planning
US20240189037A1 (en) Patient-specific implant design and manufacturing system with a regulatory and reimbursement manager
Lorenz et al. Digitalization in MedTech: Understanding the Impact on Total Knee Arthroplasty
US20230138162A1 (en) Spinal implants and surgical procedures with reduced subsidence, and associated systems and methods
Tokgoz et al. Artificial Intelligence, Deep Learning, and Machine Learning Applications in Total Knee Arthroplasty
Shapiro et al. Health policy in hand surgery: evaluating what works
Tote et al. A Role of Machine Learning and Deep Learning Techniques for Preoperative Prediction in Shoulder Arthroplasty: Survey
Pereverzev et al. Artificial intelligence for predicting various conditions in spine surgery: a systematic review

Legal Events

Date Code Title Description
A201 Request for examination