26dkou069 10.3205/26dkou069 urn:nbn:de:0183-26dkou0690 Meeting Abstract Riediger Riediger Christian C

Orthopädische Universitätsklinik Magdeburg, Magdeburg, Deutschland

author Halm-Pozniak Halm-Pozniak Agnieszka A

Orthopädische Universitätsklinik Magdeburg, Magdeburg, Deutschland

author Ferl Ferl Mark M

Orthopädische Universitätsklinik Magdeburg, Magdeburg, Deutschland

author Lohrengel Lohrengel Martin M

Orthopädische Universitätsklinik Magdeburg, Magdeburg, Deutschland

author Illiger Illiger Sebastian S

Orthopädische Universitätsklinik Magdeburg, Magdeburg, Deutschland

author Schönrogge Schönrogge Maria M

Orthopädische Universitätsklinik Magdeburg, Magdeburg, Deutschland

author Lohmann Lohmann Christoph H. CH

Orthopädische Universitätsklinik Magdeburg, Magdeburg, Deutschland

author German Medical Science GMS Publishing House

Düsseldorf

610 20261020 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). M0659 069 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 2026) Abstracts | KI in O&U Berlin 20261020 20261023 DKOU26_Abs_117 TextZielsetzung und Fragestellung: Die präoperative Identifikation implantierter Knieendoprothesen ist essenziell für eine erfolgreiche Revisionsendoprothetik. Fehlende Implantatpässe oder OP-Berichte stellen im klinischen Alltag ein häufiges Problem dar. Während Convolutional Neural Networks (CNNs) eine sehr hohe Genauigkeit in der radiologischen Implantaterkennung erreichen, ist der potenzielle klinische Nutzen generativer KI-Modelle wie ChatGPT bislang kaum untersucht. Ziel dieser Arbeit war es, den klinischen Nutzen generativer Künstlicher Intelligenz (KI) am Beispiel von ChatGPT mit etablierten Convolutional Neural Networks (CNNs) zur radiologischen Implantatidentifikation zu vergleichen.Material und Methoden: Es handelt sich um eine retrospektive klinische Untersuchung. Klassische Identifikationsstrategien (Implantatpass, OP-Bericht, Röntgenanalyse) wurden mit KI-basierten Verfahren verglichen. CNNs und ChatGPT wurden anhand der Kriterien Genauigkeit, Flexibilität, Kontextintegration und Messbarkeit bewertet. Zusätzlich wurden 80 konsekutive Patientenfälle mit bikondylären Knieendoprothesen analysiert (je 20 Implantate: BalanSys-Knee, Persona®, Innex™, Natural-Knee® II). Die Implantaterkennung erfolgte getrennt für a.-p. und laterale Röntgenaufnahmen. Erkennungsraten und Konfidenzniveaus wurden erfasst. Zur Bewertung der Reproduzierbarkeit wurde eine simulierte Inter-Rater-Reliabilitätsanalyse durchgeführt (Fleiss’ Kappa).Ergebnisse: CNN-basierte Verfahren erreichten eine Erkennungsgenauigkeit von über 99% und bestätigten damit ihre Rolle als Goldstandard. In der klinischen Fallserie waren a.-p. Aufnahmen über alle Implantatsysteme hinweg signifikant überlegen gegenüber lateralen Projektionen. Die Konfidenz der generativen KI lag im moderaten Bereich (Median 0,55–0,72), wobei häufig beide Projektionen zur Identifikation erforderlich waren.ChatGPT zeigte Vorteile in der kontextuellen Interpretation, lieferte jedoch keine quantifizierbaren Genauigkeitsmetriken. Die Inter-Rater-Analyse ergab eine moderate bis substanzielle Übereinstimmung (Fleiss’ κ = 0,52–0,74).Diskussion und Schlussfolgerung: CNNs stellen weiterhin den Goldstandard der automatisierten Implantatidentifikation dar. Generative KI kann diese Verfahren sinnvoll ergänzen, indem sie kontextuelle Entscheidungsunterstützung bietet. Ein hybrider Ansatz könnte die präoperative Planung in der Revisionsendoprothetik verbessern. 0 0 0 0