Bu çalışma, revizyon kalça artroplastisinde uzman cerrahi vaka veri tabanı erişimine dayalı yeni bir yapay zeka preoperatif planlama yaklaşımı önermektedir. Ek olarak, teknik başlangıçta beş hastada uygulandı ve ameliyat süresinde ve intraoperatif kanamada bir azalma gösterdi.

Revizyon kalça artroplastisinde ameliyat öncesi planlamanın doğru yapılması başarılı sonuçlar elde etmek için çok önemlidir. Asetabular kemik defekti şiddetinin sezgisel değerlendirmesini geliştirmek ve revizyon kalça artroplastisinde önceki başarılı deneyimlerden yararlanmak için bu çalışma, uzman cerrahi vaka veri tabanı alımına dayalı yeni bir yaklaşım önermektedir ve ilk olarak klinik uygulamada uygulanmaktadır. Bu çalışmada, revizyon kalça artroplastisi gereken beş hasta, uzman vaka veri tabanı cerrahi planlama sistemini kullanmak üzere preoperatif olarak planlandı. Hastanın görüntüleme verileri sisteme girildi ve uzman vaka veri tabanındaki vakalarla eşleştirildi. Uzmanın cerrahi deneyimine dayanarak, bir revizyon ameliyat planı önerildi. Uygun vaka bulunamazsa, hastaya özgü rekonstrüksiyon sonuçlarına göre protezin modeli ve pozisyonu planlandı. Bu çalışmaya, yaş ortalaması 50.6 olan dört erkek ve bir kadın olmak üzere toplam beş hasta dahil edildi. Kalça artroplastisi sonrası tanı aseptik protez gevşemesi idi. Ortalama ameliyat süresi 123.2 dk ve ortalama intraoperatif kanama 672 mL idi. Vasküler veya sinir yaralanması gibi intraoperatif komplikasyon gözlenmedi. Örneğin, Vaka 2'de, bu yenilikçi planlama şemasının uygulanması, cerrahın bu hasta için ameliyat öncesi dönemde revizyon cerrahi planını tanımlamasını sağladı ve böylece ameliyat süresini ve intraoperatif kanamayı azalttı. Ayrıca, hastalar benzer vakaların sonuçları hakkında önceden bilgilendirilebilir. Kapsamlı vaka veri tabanımız aracılığıyla büyük veri analizi yaklaşımından yararlanmak, tüm süreç boyunca eşleşen uzman tedavi planlarının otomatik olarak tanımlanmasını sağlar. Bu, özellikle deneyimsiz ortopedi cerrahlarına, uygun protez boyutlarını ve montaj pozisyonlarını seçmelerine yardımcı olmak için cerrahi stratejiler konusunda doğru rehberlik sağlayarak fayda sağlar. Ek olarak, eşleşen sonuçlar, hastalara tahmini ameliyat sonrası sonuçları gösteren görselleştirmeler sunabilir.

Primer total kalça artroplastisinin (TKA) artan prevalansı, aseptik gevşeme, enfeksiyon, tekrarlayan çıkık ve periprostetik kırık gibi bir dizi faktöre bağlı olarak revizyon artroplastisi gerekliliğinde buna bağlı bir artışa yol açmıştır¹. Primer kalça artroplastisi ile karşılaştırıldığında, revizyon kalça cerrahisi teknik olarak daha karmaşık ve klinik olarak zorlu bir prosedürdür, daha yüksek mortalite oranları², daha yüksek sağlık hizmetleri maliyetleri³ ve daha fazla komplikasyon riski⁴ vardır.

Revizyon kalça artroplastisinde asetabular kemik kaybının rekonstrüksiyonu ve protez seçimi ameliyatın başarısını belirlemede çok önemlidir. Ortopedi cerrahının, yeni implante edilen asetabular kabın¹ yeterli başlangıç stabilitesini hedefleyerek artık kemik stokunu ve değişen anatomiyi değerlendirmesi gerekir. Sonuç olarak, mevcut tedavi seçeneklerini yönlendirmek için hassas bir ameliyat öncesi planlama çok önemlidir.

Şu anda, ortopedi cerrahları, preoperatif görüntüleme bulgularına ve kendi cerrahi deneyimlerine dayanarak revizyon artroplastisinin kapsamlı bir değerlendirmesini ve planlamasını yapmaktan sorumludur. Bununla birlikte, bu deneyimsiz cerrah için önemli bir zorluk teşkil edecektir.

Yapay zeka (AI) teknolojisinin gelişmesiyle birlikte, ortopedik cerrahide, öncelikle görüntü segmentasyonu, patolojilerin ve implantların teşhisi ve sınıflandırılması için giderek daha fazla kullanılmaktadır⁵. Bu arada, AI, birincil THA^6'ya yardımcı olmada ilk başarıyı elde etmeye başlıyor. Bununla birlikte, revizyon kalça artroplastisi için akıllı preoperatif planlama boş bir sayfa olarak kalmaktadır. AI, kalça revizyon cerrahisinde, özellikle kemik kusurlarının değerlendirilmesinde umut verici bir geleceğe sahiptir. Bu kusurlar her hasta için benzersizdir ve belirli kalıplar sergilerken, geleneksel Paprosky sınıflandırma yöntemi bunları tam olarak karakterize etmek için gereken hassasiyetten yoksundur. Bununla birlikte, AI, görüntü verilerinden daha ayrıntılı bilgi çıkarma yeteneğine sahiptir ve kemik kusuru değerlendirmesinin doğruluğunu ve hassasiyetini artırmak için umut verici bir yol sunar. Ortopedi cerrahlarının revizyon artroplastisi hakkındaki kararlarına rehberlik etmek için uzman cerrahi vaka veri tabanı alımına dayalı yeni bir yapay zeka destekli ameliyat öncesi planlama sistemi geliştirdik.

İlk olarak asetabular kemik defekti rekonstrüksiyonu, asetabular kemik defektlerinin nicelleştirilmesi ve tiplendirilmesi için yeni bir yöntem oluşturduk. Daha sonra, üst düzey bir ulusal uzmandan 200 kalça revizyonu cerrahi vakasına ilişkin klinik ve görüntüleme verilerini toplayarak bir kalça revizyonu vaka veri tabanı oluşturduk. Veri tabanı ameliyat öncesi bilgisayarlı tomografi (BT), ameliyat öncesi röntgen, ameliyat sonrası röntgen ve hasta demografik özelliklerinden oluşmaktadır. Ameliyat için planlanan hastaların mevcut kemik defekti özelliklerine dayalı olarak veri tabanındaki vakaları eşleştirebilir ve cerraha ameliyat öncesi referans sağlamak için en benzer vaka senaryolarını bulabiliriz. Bu yaklaşım, cerrahın asetabular revizyon protokolü hakkında ameliyat öncesi bir fikre sahip olmasını sağlayarak intraoperatif deneme yanılma süresini azaltır.

Çalışma, Henan Eyaleti Luoyang Ortopedik-Travmatoloji Hastanesi Etik Komitesi'nden izin aldı. Ek olarak, bu çalışma görüntüleme verilerine dayanıyordu ve gönüllülere zarar vermeyecek veya bilgilerini ifşa etmeyecekti. Bu nedenle, ulusal mevzuat ve kurumsal gereklilikler gereği, katılımcıların veya yasal vasilerinin/yakın akrabalarının bilgilendirilmiş bir onam formu imzalamasına gerek yoktu.

1. Görüntü içe aktarma

1. Hastanın bilateral total kalçasının orijinal BT verilerini içe aktarın. Tıbbi görüntü işleme yazılımını açın, Verileri İçe Aktar'ı seçin ve hastanın orijinal BT verilerini içe aktarmak için Yerel Veri'ye tıklayın. Şekil 1'de görüntü içe aktarma arayüzü gösterilmektedir.

2. Etkilenen taraftaki asetabular kemik defektinin iyileşmesi

1. Hastanın tek taraflı veya iki taraflı bir lezyonu olup olmadığını belirleyin. Ölçüm aracını seçin ve fareyi kullanarak görüntünün üzerine dikdörtgen bir kutu çizin, doğrudan kalça kemiği bölgesinin HU (Hounsfield Birimi, HU) değerini ölçün. HU değeri 1000'i aştığında mevcut metali düşünün ve bu alanı etkilenen kalça eklemi olarak belirleyin.

3. Görüntü segmentasyonu ve yeniden yapılandırma

1. Planlamak için hastanın görüntü verilerini seçin. Otomatik Segmentasyon seçeneğine tıklayın, kalça kemiği kaba segmentasyonu için varsayılan olarak 400 CT değeri seçilidir.
2. Her katmanın her bir parçasının segmentasyon sonuçlarını manuel olarak ayarlamak için Düzenle düğmesini seçin. Ardından, hastanın bulunduğu yerin 3B rekonstrüksiyon hesaplamasını tamamlamak için 3B Yeniden Yapılandırma seçeneğini seçin. Yeniden yapılandırılmış 3D model esas olarak sol/sağ kalça kemiklerini ve sol/sağ uyluk kemiği bölgelerini içerir. Şekil 2'de gösterildiği gibi, farklı parçalar farklı renklerle görüntülenir.

4. Asetabular kemik defekti bölme ve defekt miktarı hesaplaması

1. Tek taraflı kalça ameliyatı olan hastalar için Sağlıklı Tarafın 3D Modelini seçin. Etkilenen tarafın anatomik yapısıyla hizalamak için ayna işlevini kullanın. Bu, kalça eklemi restorasyon modelinin rekonstrüksiyonunu tamamlayacaktır.
2. İki taraflı kalça ameliyatı olan hastalar için standart model kitaplığını açın ve restorasyon modeli olarak hastanın anatomisine en çok benzeyen Kalça Modelini seçin.
3. 2. adımda yeniden yapılandırılan kalça kusurunun (etkilenen taraf) 3B modelini ve 3. adımda geri yüklenen kalçanın 3B modelini bölmek için Bölme seçeneğini tıklayın. Ardından, asetabular defekti hesaplamak için iki bölümlü kalça kemiği modelinde fark işlemini gerçekleştirmek için Fark İşlemi seçeneğine tıklayın. Kalça kemiği modeli, Şekil 3'te gösterildiği gibi Qin'in yöntem^7'sine göre farklı bölgelere ayrılacaktır.
   NOT: Asetabular kabın asetabular duvar sınırları içinde 3 nokta fiksasyonuna (rami ischii, rami ossis pubis ve asetabulumun anterosuperior kısmı) odaklanılması nedeniyle, asetabular medial duvar hariç kranial çatı, ön kolon ve arka kolon olarak tanımlanan her 120°'de bir 3 eşit parçaya bölündü. Cerrahi prosedürlere rehberlik etmek için, alt katmanları asetabulum çapına göre imal edin. Erkeklerde iç katmanın 54 mm ile 62 mm arasında, dış katmanın ise 62 mm ile 70 mm arasında olması gerektiği belirlenmiştir. Kadınlar için iç katman 50 mm ile 58 mm arasında, dış katman ise 58 mm ile 66 mm arasındadır.

5. Uzman kalça revizyonu veritabanı araması - asetabular defekt planlaması

1. Uzman vaka tabanını açın ve yukarıda açıklandığı gibi hesaplanan asetabular kusur hacmini geri alma için girdi olarak kullanın. Alınan olguların preoperatif ve postoperatif röntgen filmleri üzerinde ilgili planlama parametrelerinin değerlendirilmesi için ölçüm araçlarını seçer ve planlama verilerini elde eder.
2. Uzman vaka tabanını açın ve otomatik geri alma için kalça kusurunun türünü ve miktarını girin. Benzer vakaların ameliyat öncesi ve sonrası görüntüleri ve doktorun planlama parametreleri (implant boyutu, pozisyonu vb.) dahil olmak üzere veri tabanındaki ilgili vakaların bilgileri elde edilecektir.
3. Arama sonuçları, benzerlik sırasına göre en yüksekten en düşüğe doğru sunulacaktır. Doktorun en benzer vakaları seçmesine izin verin. Prosedürün tamamı Şekil 4'te gösterilmiştir.
4. Yukarıdaki veritabanında benzer bir durum bulunamazsa, asetabular kabın merkezi olarak sağlam asetabuluumun merkezini kullanarak 2. adımdaki model rekonstrüksiyonunun sonucunu benimseyin. Varsayılan olarak, asetabular kabın ante versiyon açısı 20 ° 'dir ve abdüksiyon açısı 40 ° 'dir (bu kural klinik olarak tanımlanmıştır).
   NOT: Planlamadan sonra, cerrah cerrahi prosedürü önceden tahmin edebilir ve protezi ve destekleyici aletleri daha hassas bir şekilde hazırlayabilir. Bu yaklaşım, operasyon sırasında doğru protezin bulunmaması gibi bir durumla karşılaşma olasılığını ortadan kaldırır. Ayrıca, önerilen çözüm doğrudan operasyon sırasında kullanılır ve alternatif çözümlere, dolambaçlı yollara veya uzun süreli deneme yanılma süreçlerine olan ihtiyacı ortadan kaldırır.

Şu anda revizyon kalça artroplastisi yapılan dört erkek ve bir kadın olmak üzere beş hastada bu yöntemi uygulamaktayız. Yaşları 42 ile 67 arasında değişiyordu. Kalça artroplastisi sonrası aseptik protez gevşemesi tanısı konuldu ve Paprosky sınıflamasına göre sınıflandırıldı⁸. Beş hasta için ortalama ameliyat süresi 123.2 dakika ve ortalama intraoperatif kan kaybı 672 mL idi. Ameliyat süresi, femur sap protez revizyonu da dahil olmak üzere toplam süredir. Hastaların detayları Tablo 1'de, rekonstrüksiyon sonuçları ise Şekil 5'te gösterilmektedir.

Örnek olarak ikinci vakayı ele alalım: Hasta 13 yıl önce THA geçiren 67 yaşında bir kadındır. Ocak 2024'te 3 yıldır devam eden kalça ağrısı ve dismobilite şikayeti ile hastaneye başvurdu. Tanı TKA sonrası protez gevşemesi, Paparosky'nin tip IIC olarak sınıflandırılması ve revizyon kalça artroplastisi önerildi. Hastanın ameliyat öncesi BT verilerini sisteme aktardık ve Kasım 2017'de görülen ve oldukça benzer bir asetabular kemik defekti sergileyen 58 yaşındaki bir erkek hastanınkiyle eşleştirdik. O zamanlar, cerrahi prosedür, kompresyon kemik greftleme tekniği ile birlikte Jumbo cup kullanılarak gerçekleştirildi ve bu da tam başlangıç stabilitesi, 5 yıllık takipte olumlu sonuçlar ve güvenilir protez stabilitesi ile sonuçlandı. Bu hasta için tutarlı bir cerrahi plan (kompresyon kemik greftleme tekniği ile Jumbo cup) uygulandı. İşlemin, intraoperatif planlama için harcanan zamanın yanı sıra çeşitli ped ve jumbo kap türlerini almak ve değiştirmek için harcanan zamanı azalttığı gösterilmiştir. Sonuç olarak, kanamayı ve enfeksiyon riskini azalttığı gösterilmiştir. Kök tarafının eş zamanlı revizyonu gerekliliği nedeniyle intraoperatif kanama 690 mL'ye ulaştı, ancak intraoperatif asetabular stabilite tatmin ediciydi. Hasta 8 aydır gözlem altında olup, bu süre zarfında güvenilir sonuçlar elde edilmiş ve etkilenen kalça iyi işlevsellik göstermiştir (Şekil 6). Hastada ağrı, disfonksiyon, protezin yerinde olduğunu gösteren görüntüleme, normal inflamatuar belirteçler dahil olmak üzere herhangi bir komplikasyon gelişmedi ve enfeksiyon veya protezde sekonder gevşeme belirtisi yoktu.

Şekil 1: Sistemin görüntü içe aktarma arayüzü. Sistem hem yerel hem de PACS içe aktarma işlevlerini içerir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 2: Yeniden yapılandırılmış 3D model. Farklı parçalar farklı renklerde gösterilir. Mavi: sağ asetabular; Kırmızı: sağ uyluk kemiği; Sarı: sol asetabular; Yeşil: Sol uyluk kemiği. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 3: Qin'in asetabular defektleri bölümleme yöntemi. Asetabulum üç kusurlu sektöre ayrılır (kraniyal çatı, ön sütun ve arka sütun). Sektörler bir iç katmana ve bir dış katmana bölünmüştür. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 4: Revizyon kalça artroplastisi planlama prosedürü. Asetabular kemik defektleri için tam rekonstrüksiyon, değerlendirme ve planlama prosedürü. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 5: Hastaların asetabular rekonstrüksiyon sonuçları. Şekil, ilgili veri tabanı vakaları ve postoperatif sonuçları ile birlikte dört hasta için rekonstrüksiyon sonuçlarını sunmaktadır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 6: Vaka eşleştirme örneği. (A) ikinci vakanın ameliyat öncesi görüntüsü. (B) Durum 2'de asetabular kemik defektlerinin rekonstrüksiyonu. (C) İkinci vakanın ameliyat sonrası görüntüsü. (D) Eşleşen uzman vakanın ameliyat öncesi görüntüsü. (E) Eşleşen uzman vakada asetabular kemik defektlerinin rekonstrüksiyonu. (F) eşleşen uzman vakasının ameliyat sonrası görüntüsü. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Tablo 1: Vaka özeti ve karşılaştırma.

Önemli anatomik hasar, kalça artroplastisi sonrası karmaşık yumuşak doku durumu ve genellikle metal implantlarla ilişkili ciddi metal artefaktların varlığı nedeniyle, deneyimli tıp uzmanlarının, hastalarda belirli kemik kusurlarını değerlendirmek ve ardından uygun asetabular protezleri planlamak için görüntüleme sonuçlarını ve klinik belirtileri kapsamlı bir şekilde analiz etmek için 3D rekonstrüksiyonu kullanmaları sıklıkla gereklidir^{9, 10}. Bununla birlikte, bir hasta modeli yeniden yapılandırıldığında bile, ameliyat öncesi planlama, özellikle ciddi asetabular kusurları olan hastalarla uğraşırken, klinisyenlerin uzmanlığına hala büyük ölçüde dayanmaktadır. Sonuç olarak, genç doktorlar bu tür hastaları tedavi ederken önemli zorluklarla karşı karşıyadır. Asetabular kemik defektlerinin derecesini daha doğru bir şekilde değerlendirmek ve karmaşık kalça eklemi preoperatif planlamasında önceki deneyimlerden doktorlar için bir referans olarak yararlanmak için, bu çalışmada hastaları belirli kriterlere göre kategorize ederken neredeyse tüm klinik kalça eklemi defektlerini kapsayan bir uzman vaka veritabanı kullanılmıştır. Doktorlar, bu veri tabanındaki asetabular kemik kusurlarının değerlendirmelerini kullanarak, kalça ekleminin cerrahi sonrası stabilitesini ve fonksiyonel iyileşmesini sağlamak için uygun asetabular protezleri ve cerrahi protokolleri seçebilirler.

Primer kalça artroplastisi iyi bilinen bir prosedür^olmasına rağmen11, asetabular kemik defektlerinin değerlendirilmesi revizyon kalça artroplastisinin başarısını ve stabilitesini sağlamada kritik bir rol oynamaktadır. Asetabular kemik defektlerini değerlendirmek için X-ışınları, manyetik rezonans görüntüleme (MRI) ve BT gibi görüntüleme teknikleri yaygın olarak kullanılır. Bu teknikler, kemik durumu, defekt boyutu ve yeri dahil olmak üzere asetabulumun yapısı hakkında ayrıntılı bilgi sunar. Ayrıca, asetabulum kalınlığını hesaplamak ve ısı haritaları ^12,13,14 aracılığıyla kusurları görselleştirmek için bazı tıbbi görüntü analiz yazılımları kullanılabilir. Bununla birlikte, preoperatif görüntülerde metal protez artefaktlarının varlığı asetabular segmentasyonun doğruluğunu etkileyebilir. Bu çalışmada, eserlerin sonraki işlemler için sisteme alınmadan önce kaldırılması için üçüncü taraf yazılım algoritmaları kullanılmıştır. Sanattan arındırma adımlarının iyileştirilmesi, gelecekteki çalışmalarda araştırılması gereken bir konudur. Ağ, eğitim setini oluşturan gerçek artefakt görüntüleri ve ağ eğitimi için etiket setini oluşturan artefaktlardan yoksun son işlenmiş görüntülerle eğitilmiştir. Bu yaklaşım, metal artefaktların giderilmesinde tatmin edici sonuçlar vermiştir. Daha sonra, orijinal görüntüleri üç boyutlu olarak otomatik olarak bölümlere ayırmak ve yeniden oluşturmak için bir U-Net sinir ağı kullanıldı. Kalça kemikleri ve diğer dokular arasındaki farklı yoğunluk değerlerinden yararlanan bu çalışma, kalça eklemi için %95 gibi etkileyici bir segmentasyon doğruluk oranı elde etti. Derin öğrenme teknolojisinin uygulanması, model rekonstrüksiyon süresini önemli ölçüde azaltır ve klinik verimliliği artırırken cerrahi planlamaya yardımcı olur. Sonuç olarak, önemli bir pratiklik ve klinik değere sahiptir.

Asetabular kemik defektlerinin morfolojisinin ve kapsamının kapsamlı bir şekilde kavranması, uygun bir rekonstrüksiyon planının geliştirilmesiyle birleştiğinde, kalça revizyon cerrahisinin başarısı için çok önemlidir¹⁵. Diferansiyel hesaplama prensibi nedeniyle, asetabulumun şekli ve boyutu her hasta için farklıydı. Bu doğrultuda, hastanın tek taraflı defekt ile başvurduğu durumlarda, bu çalışmada sağlıklı taraftaki asetabuluma uygun olarak ayna işlemi uygulanmıştır. Daha sonra, rekonstrüksiyon modeli olarak aynalı asetabulum modeli kullanıldı ve kusurlu asetabulum ile rijit kayıt yapıldı. Son olarak, kemik defektlerinin miktarını elde etmek için yeniden yapılandırılmış tam asetabulum ile orijinal defekt modeli arasındaki fark hesaplandı. Bu çalışmada kemik kusurlarının derecesini hesaplamak için, her bir bölümdeki kemik kusurlarının derecesini belirlemek için Qin⁷ tarafından önerilen asetabular bölümleme yöntemi kullanılmıştır. Bu daha sonra uzman veri tabanındaki vakalarla ilişkilendirildi. Hastanın iki taraflı kusurları varsa, rekonstrüksiyon yöntemi, sonraki kusurların hesaplanması için bir dizi ortalama model elde etmek için, PCA temel bileşen analizi istatistiksel hesaplamasına dayalı olarak, önceden çok sayıda tam ve sağlıklı asetabulum verisi aracılığıyla istatistiksel bir şekil modeli kullanmaktır.

Doğru preoperatif planlama, ameliyat süresini kısaltabilir, intraoperatif kan kaybını azaltabilir ve cerrahi sonuçları iyileştirebilir¹⁶. Primer THA'da 3D preoperatif planlamanın uygulanmasının, konvansiyonel 2D planlamaya kıyasla asetabular kap ve femur kök boyutlarının yanı sıra protez implantasyon pozisyonu hakkında daha kesin tahminler sağladığı gösterilmiştir. Bu ilerleme, THA cerrahisinin başarısına önemli ölçüde katkıda bulunmaktadır^17,18. Yapay zeka teknolojisinin gelişmesiyle birlikte, yapay zeka tabanlı THA 3D planlama, gelişmiş doğruluk ve verimlilik göstermiştir¹⁹. Bununla birlikte, revizyon kalça artroplastisinde 3 boyutlu preoperatif planlamanın potansiyeli ve AI teknolojisinin önemli klinik uygulamaları henüz tam olarak gerçekleştirilmemiştir. Bu çalışmada, kalça artroplastisinin klinik revizyonuna 3 boyutlu preoperatif planlama ve yapay zeka teknolojisi uygulandı. Olguların uygulanması sınırlı olmasına (sadece 5 olgu) ve protez eşleştirme boyutunun doğruluğunu değerlendirmek henüz mümkün olmamasına rağmen, benzer olguların otomatik olarak eşleştirilmesi cerraha cerrahi planlar için öneriler sağlayabilir. Bu arada, önerilen plana göre revizyon cerrahisi geçiren hastalar tatmin edici fonksiyonel iyileşme gösterdi. Ayrıca daha önceki çalışmalarda revizyon cerrahisinin ortalama süresi 200-300 dk olup, intraoperatif ortalama kan kaybı 800-2000 mL^idi 20,21,22. Beş hastadan oluşan bu çalışma kohortunda ortalama ameliyat süresi 123.2 dakika olup, intraoperatif kanama 672 mL idi. Revizyon kalça artroplastisinde yeni yaklaşımımızın kullanılmasının ameliyat süresini ve intraoperatif kanamayı azalttığı gösterilmiştir.

Revizyon kalça artroplastisinde asetabular kemik defektlerinin rekonstrüksiyonu ve preoperatif planlaması için uzman bir vaka veri tabanının kullanılması önemli avantajlar göstermiştir. Özellikle deneyimsiz tıp uzmanları için revizyon kalça artroplastisinde önceki deneyimlerden yararlanmak, ameliyat öncesi planlamanın doğruluğunu artırmak için değerli bilgiler ve referanslar sağlayabilir. Karmaşık revizyon ameliyatlarıyla karşı karşıya kalındığında, uzman vakalardan benzer cerrahi planların benimsenmesi, doktorların gerekli ayarlamaları yapmasına ve hatta bunları hasta koşullarına göre yeniden kullanmasına olanak tanır, böylece ameliyat öncesi planlama süresini azaltır ve klinik verimliliği artırır. Aynı zamanda, hastalar uzman vaka veri tabanı aracılığıyla ameliyat sonrası sonuçlar hakkında önceden bilgi edinebilirler. Bununla birlikte, kısıtlı erişim yetenekleri ve hastalar için sınırlı takip süreleri nedeniyle uzman veri tabanına erişimde hala sınırlamalar mevcuttur, tedavi etkinliğini değerlendirmek için daha uzun süreli takipler gerekmektedir. Ayrıca revizyon kalça artroplastimizin planlamasına lateral femoral dahil değildir. Bu nedenle, femoral lateral revizyonun zorluklar yarattığı durumlarda, genel cerrahi süre kısaltılamayabilir. Her aşamada cerrahi sürenin evrimi hakkında fikir edinmek için, bir takip çalışması, ameliyatın toplam süresini bölümler halinde kaydedecektir. Bu, farklı aşamalarda cerrahi zamandaki değişikliklerin istatistiksel analizini ve karşılaştırılmasını sağlayacaktır.

Son
Asetabular kemik defekti rekonstrüksiyonu ve uzman bir vaka veri tabanından elde etmeyi içeren preoperatif planlama yöntemi, tıp uzmanları için cerrahi planlamaya yeni bir yaklaşım sunmaktadır. Vaka veri tabanında saklanan uzmanlıktan yararlanmak, karmaşık kalça ameliyatlarının hızlı ve hassas bir şekilde yürütülmesini kolaylaştırır.

Yazar Xiaolu Xi, Ke Yuan ve Qiang Xie, Wuhan United Imaging Surgical Co., Ltd. tarafından istihdam edilmektedir. Kalan yazarlar rekabet eden çıkarları olmadığını beyan ederler.

Bu çalışmadaki AI ameliyat öncesi planlama sistemi, Wuhan United Imaging Surgical Co., Ltd. tarafından desteklenmiştir.