Nowoczesne metody przewidywania wyników leczenia skoliozy

Era medycyny spersonalizowanej przyniosła rewolucyjne zmiany w przewidywaniu wyników leczenia skoliozy. Postępy w uczeniu maszynowym doprowadziły do powstania narzędzi oferujących zindywidualizowane przewidywania wyników dla deformacji kręgosłupa u dorosłych¹. Moc predykcyjna narzędzi wspomagania decyzji skoncentrowanych na pacjencie szybko się poprawia dzięki postępom w sztucznej inteligencji, w tym uczeniu maszynowym¹.

Wykorzystanie narzędzi wspomagania decyzji w chirurgii kręgosłupa przeszło od ogólnych kalkulatorów ryzyka chirurgicznego do narzędzi specyficznych dla kręgosłupa i ma potencjał oferowania modeli spersonalizowanych dla pacjenta². Te zaawansowane systemy analizują kompleksowe zestawy danych, uwzględniając nie tylko tradycyjne parametry radiologiczne, ale także czynniki demograficzne, kliniczne i funkcjonalne.

Algorytmy uczenia maszynowego w skoliozie

Algorytmy uczenia maszynowego generują specyficzne dla pacjenta prawdopodobieństwa wyników, w tym poważnych powikłań, ponownych operacji i ponownych przyjęć w przypadku deformacji kręgosłupa u dorosłych¹. Klasyfikacja modelu dla wszystkich trzech miar wyników była lepsza niż przypadek dla wszystkich (AUC = MC 0,6, RA 0,6, RO 0,6)¹.

Modele predykcyjne deformacji kręgosłupa u dorosłych dla poważnych powikłań, ponownych przyjęć i ponownych operacji wypadały lepiej niż przypadek w kohorcie pacjentów z dorosłą skoliozą lędźwiową, chociaż jednorodność tej grupy wpłynęła na kalibrację i dokładność¹. Każdy model wypadł lepiej niż przypadek, z AUC około 0,6 i wynikami Briera poniżej 0,25².

Przewidywanie wyników rehabilitacji pediatrycznej

W przypadku pediatrycznych pacjentów ze skoliozą idiopatyczną młodzieży, która dotyka 14% nastolatków, opracowano zaawansowane modele przewidywania wyników rehabilitacji po operacji deformacji kręgosłupa³. Skala SRS-22R, instrument jakości życia związany ze zdrowiem dla skoliozy idiopatycznej młodzieży, pozwolił ortopedom mierzyć subiektywne wyniki pacjentów przed i po operacji korekcyjnej poza obiektywnymi pomiarami radiograficznymi³.

Badania ujawniły, że nie ma znaczącej korelacji między stopniem korekcji w głównych parametrach radiograficznych a poprawą wyników zgłaszanych przez pacjentów, co utrudnia włączenie tych wyników do spersonalizowanego planowania chirurgicznego³. Dodatkowo wykazano skuteczność proponowanej metody przewidywania w przewidywaniu innych wyników rehabilitacji pacjentów na podstawie minimalnych klinicznie istotnych różnic i wskaźników korekcji w trzech horyzontach czasowych³.

Klasyfikacja oparta na danych 3D

Grupowanie K-średnich izotropowo przeskalowanych trójwymiarowych krzywych kręgosłupa zapewnia skuteczną, opartą na danych metodę klasyfikacji pacjentów⁴. To podejście, po zastosowaniu do większego heterogenicznego zestawu danych pacjentów, może dodatkowo wyizolować kluczowe parametry modyfikowalne przez chirurga i ostatecznie prowadzić do modelu predykcyjnego specyficznego dla pacjenta opartego na ograniczonej liczbie czynników możliwych do określenia przed operacją⁴.

Podstawowym założeniem tego podejścia jest to, że zmiany biomechaniczne wywołane podczas operacji można opisać za pomocą kombinacji trójwymiarowego kształtu kręgosłupa we wczesnym okresie pooperacyjnym i lokalizacji poziomów kręgowych, które są unieruchomione za pomocą metalowego pręta i zostają zrośnięte w ciągu dwóch lat po operacji, zmieniając w ten sposób zachowanie mechaniczne kręgosłupa w sekcji instrumentowanej⁵.

Modele lasu losowego w przewidywaniu progresji

Model lasu losowego został opracowany i zwalidowany w celu identyfikacji najważniejszych cech prognostycznych dla progresji krzywizny i przewidywania końcowego głównego kąta Cobba⁶. Możliwe jest przewidywanie wartości końcowego głównego kąta Cobba w błędzie 5 stopni na podstawie cech radiograficznych 2D⁷.

Obecne badanie jest pierwszym, które przewiduje wielkość końcowego głównego kąta Cobba (ze średnim błędem bezwzględnym 4,64 stopnia) do klinicznie akceptowalnego błędu na podstawie cech radiograficznych 2D przy początkowej prezentacji krzywizny⁷. Proponowany model predykcyjny przewyższał istniejące modele pod względem wyższej dokładności, interpretowalności, większej wielkości próby zapobiegającej nadmiernemu dopasowaniu oraz łatwości użycia⁸.

Kalibracja i ograniczenia modeli

Modele przeceniały prawdopodobieństwa ponownych przyjęć (obserwowane = 20,7%, przewidywane średnie = 30,1%) i ponownych operacji (obserwowane 17,2%, przewidywane średnie = 28,5%)². Linia kalibracji pokazuje, że modele niedoszacowują ryzyko dla pacjentów niskiego ryzyka i przeszacowują ryzyko dla pacjentów wysokiego ryzyka².

Ograniczenia obecnej pracy obejmują jednoośrodkowy i mały zestaw danych pacjentów⁹. Optymalizacja modeli wymaga próbek z pełnym zakresem wyników (0%-100%), wspierając potrzebę ciągłego gromadzenia danych, ponieważ spersonalizowane modele predykcyjne mogą poprawić podejmowanie decyzji zarówno dla pacjenta, jak i chirurga¹⁰.

Wspomaganie decyzji klinicznych

W erze medycyny spersonalizowanej proponowany system wspomagania decyzji klinicznych oparty na odpowiedzialnej sztucznej inteligencji może ułatwić poradnictwo przedoperacyjne i wspólne podejmowanie decyzji w rzeczywistych warunkach klinicznych¹¹. Na podstawie analizy związków sugeruje się dodatkową uwagę na parametry strzałkowe (np. lordoza, strzałkowa oś pionowa) i samoocenę pacjenta poza głównymi kątami Cobba w celu poprawy podejmowania decyzji chirurgicznych dla pacjentów ze skoliozą idiopatyczną młodzieży¹¹.

Bardzo niewiele badań szczegółowo analizowało czynniki, które odróżniają najlepsze wyniki kliniczne od najgorszych dla pacjentów pediatrycznych poddawanych operacji tylnego zespolenia¹¹. Istniejące badania analizy statystycznej wykazały, że wskaźnik korekcji nie koreluje ze stopniem poprawy w kwestionariuszu SRS-22R u pacjentów ze skoliozą idiopatyczną młodzieży, którzy przeszli tylne zespolenie i instrumentację¹¹.

Przyszłość modeli predykcyjnych

Ramy zaproponowane tutaj mają ważne implikacje w chirurgii robotycznej, gdzie można ustalić bardziej kwantyfikowalny cel chirurgiczny⁹. Ilościowa analiza kontrolna wyrównania kręgosłupa w związku z tymi procedurami chirurgicznymi jest przedmiotem innego badania⁹.

Hipoteza głosi, że kombinacja trójwymiarowej krzywizny kręgosłupa przed operacją i biomechanicznego wpływu operacji na wyrównanie kręgosłupa (wczesny pooperacyjny trójwymiarowy kształt kręgosłupa plus poziomy zespolenia) może znacząco określić trójwymiarowy kształt kręgosłupa przy dwuletniej kontroli w populacji ze skoliozą idiopatyczną młodzieży⁵.

Przyszłe badania powinny skupić się na rozwoju wieloośrodkowych baz danych, standaryzacji protokołów badawczych oraz walidacji modeli w różnych populacjach. Integracja danych genetycznych, biochemicznych i funkcjonalnych z tradycyjnymi parametrami radiologicznymi może dodatkowo poprawić dokładność przewidywań i umożliwić jeszcze bardziej spersonalizowane podejście do leczenia skoliozy.