25dkou447 10.3205/25dkou447 urn:nbn:de:0183-25dkou4478 Meeting Abstract Rupp Rupp Marco-Christopher MC

Technische Universität München, Sektion Sportorthopädie, Klinikum rechts der Isar, München, Deutschland

author von Schacky von Schacky Claudio C

Technische Universität München, Abteilung für Radiologie, Klinikum rechts der Isar, München, Deutschland

author Lindner Lindner Felix F

Technische Universität München, Sektion Sportorthopädie, Klinikum rechts der Isar, München, Deutschland

author Feucht Feucht Matthias M

Albert-Ludwigs-Universität Freiburg, 4. Abteilung für Orthopädie und Unfallchirurgie, Universitätsklinikum Freiburg, Freiburg, Deutschland

author Ehmann Ehmann Yannick Y

Technische Universität München, Sektion Sportorthopädie, Klinikum rechts der Isar, München, Deutschland

author Fritsch Fritsch Lorenz L

Technische Universität München, Sektion Sportorthopädie, Klinikum rechts der Isar, München, Deutschland

author Hinterwimmer Hinterwimmer Florian F

Technische Universität München, Abteilung für Orthopädie und Sportorthopädie, Klinikum rechts der Isar, München, Deutschland

author Jung Jung Matthias M

Medizinische Fakultät, Abteilung für Radiologie, Universitätsklinikum, Freiburg, Deutschland

author Burgkart Burgkart Rainer R

Technische Universität München, Abteilung für Orthopädie und Sportorthopädie, Klinikum rechts der Isar, München, Deutschland

author von Eisenhart-Rothe von Eisenhart-Rothe Rüdiger R

Technische Universität München, Abteilung für Orthopädie und Sportorthopädie, Klinikum rechts der Isar, München, Deutschland

author Siebenlist Siebenlist Sebastian S

Technische Universität München, Abteilung für Orthopädie und Sportorthopädie, Klinikum rechts der Isar, München, Deutschland

author Wilhelm Wilhelm Nikolas N

Technische Universität München, Munich Institute of Robotics and Machine Intelligence, München, Deutschland

author German Medical Science GMS Publishing House

Düsseldorf

610 20251031 germ This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). M0634 447 Deutsche Gesellschaft für Orthopädie und Unfallchirurgie Deutsche Gesellschaft für Orthopädie und Orthopädische Chirurgie Deutsche Gesellschaft für Unfallchirurgie Berufsverband für Orthopädie und Unfallchirurgie Deutscher Kongress für Orthopädie und Unfallchirurgie (DKOU 2025) Abstracts | Digitalisierung 1 Berlin 20251028 20251031 AB70-3267 TextZielsetzung und Fragestellung: Die präoperative Planung durch Orthopäden(OR) ist entscheidend für den Erfolg einer Osteotomie, jedoch arbeitsintensiv und fehleranfällig. Künstliche Intelligenz (KI) bietet hier erhebliches Potenzial, OS bei der präzisen und zuverlässigen Behandlung zu unterstützen. Ziel der Studie war die Entwicklung eines Deep-Learning(DL)-Systems, das eine hohe tibiale Osteotomie (HTO) auf anterior-posterior(a.p.) Ganzbein-Röntgenbildern vollständig autonom plant und dessen klinische Genauigkeit, Zuverlässigkeit und Bearbeitungszeit im Vergleich zu erfahrenen OS an multizentrischen Testdatensätzen zu validieren.Material und Methoden: Retrospektiv wurden 594 Patienten (Alter 41,1±13,2 Jahre, 182 weiblich) einbezogen, die zwischen 01/2010 und 01/2021 eine Osteotomie erhielten. An den a.p. Ganzbein-Röntgenaufnahmen erfolgte die manuelle Annotation der Beinachsen und HTO Landmarken. Die Datensätze wurden in Trainings- (60%, n=399), Validierungs- (10%, n=59) und Hold-out-Testdatensatz (30%, n=136) unterteilt, ergänzt durch einen externen Datensatz (n=100). Ein DL-System, bestehend aus 12 Experten-Netzwerken, wurde trainiert, relevante Landmarken für die HTO-Planung zu identifizieren. Anschließend erfolgte eine vollautomatische Planung einer medial öffnenden HTO, basierend auf 1) dem gewünschten postoperativen Schnittpunkt der mechanischen Achse mit dem Tibiaplateau (%-basiert) und 2) dem angestrebten femorotibialen Winkel (°-basiert). Die Genauigkeit, Zuverlässigkeit und Bearbeitungszeit wurden mit drei erfahrenen OR verglichen.Ergebnisse: Die Übereinstimmung zwischen den von den OS und dem DL-Modell annotierten Landmarken betrug 0,94±0,02(Sørensen-Dice). In der präoperativen Achsanalyse lag die Genauigkeit der OR im Vergleich zur Ground Truth zwischen 0,13±0,10° und 1,06±1,4° (klin. akzeptable Genauigkeit: 72–100%, ICC: 0,84–1,0), während das DL-Modell Werte von 0,22±0,18° bis 1,04±1,28° erreichte (klin. akzeptable Genauigkeit: 91–100%, ICC: 0,93–1,0). Für die Planung des Osteotomie-Spalts ergaben sich bei OR Genauigkeiten von 0,46±0,65 mm bis 0,5±0,88 mm (%-basiert) und 0,43±0,55 mm bis 0,52±0,75 mm (°-basiert) sowie ICC-Werte von 0,9–0,96 bzw. 0,95–0,97 (klin. akzeptable Genauigkeit: 93,6–96,0% und 89,8–93,9%). Das DL-Modell zeigte hierbei Genauigkeiten von 0,53±0,63 mm (%-basiert) und 0,44±0,53 mm (°-basiert), eine ICC von 0,99 sowie klinisch akzeptable Genauigkeiten von 98,1% (%-basiert) und 96,2% (°-basiert). Zudem übertraf das DL-Modell die OR signifikant in Intrarater-Zuverlässigkeit (0,88 vs. 1,0) und Verarbeitungszeit (25,3±0,8s vs. 148,7±10,1s, p<0,01).Diskussion und Schlussfolgerung: Das entwickelte DL-Modell ermöglicht die vollautomatische Planung einer HTO auf a.p. Ganzbein-Röntgenbildern mit einer Präzision, Zuverlässigkeit und Robustheit auf dem Level erfahrener OR. Durch die signifikante Überlegenheit in Bearbeitungszeit bietet der Einsatz solcher DL-Modelle vielversprechende Perspektiven, um die Osteotomieplanung in der klinischen Praxis zu optimieren. 0 0 0 0