¹Universität Duisburg-Essen, Lehrstuhl für Orthopädie und Unfallchirurgie, Essen, Deutschland
²Universität Duisburg-Essen, Lehrstuhl für Mechanik und Robotik, Duisburg, Deutschland
³Klinik für Orthopädie, Unfall- und Wiederherstellungschirurgie, St. Marien Hospital Mülheim, Mülheim, Deutschland

Text

Fragestellung: Die derzeitige Umstrukturierung des Gesundheitswesens führt zu einer Beschleunigung der Kernprozesse und erfordert eine Entlastung aller beteiligten Arbeitsgruppen, um die Aufrechterhaltung einer hohen Versorgungsqualität zu gewährleisten. Präzise, objektive Informationen zum Gesundheitszustand endoprothetischer Patienten vor Operation und während den Rehabilitationsphasen können neue Möglichkeiten im personalisierten Gesundheitswesen hervorbringen.

Orthopädische Scores (Harris-Hip-Score – HHS, Knee-Society-Score – KSS) repräsentieren ein etabliertes Tool zur Bewertung des Patientenzustandes sowie des Operationserfolges, welches jedoch subjektiv geprägt ist und einem erfahrenen Kliniker bedarf [1], [2]. Hierbei kann die instrumentelle Bewegungsanalyse in Kombination mit modellbasierten Vorhersagemethoden Abhilfe schaffen, um das Assessment zu automatisieren und objektivieren [3].

Methodik: 110 klinische Untersuchungen von Patienten mit endoprothetischem Gelenkersatz (60 Knie, 50 Hüfte) wurden zu definierten Zeitpunkten durchgeführt (Score: HHS oder KSS- knee score (-ks); instrumentelle Ganganalyse):

präoperativ Ø4,7 Tage

postoperativ 1. (im stationärem Aufenthalt) Ø4,9 Tage

postoperativ 2. (nach Reha-Aufenthalt) Ø7,1 Wochen

postoperativ 3. (nach abschließender Untersuchung) Ø5,7 Monate

Anhand eines repräsentativen Gangzyklus [4] jedes Patienten und dem vortrainierten Modell aus [3] wurde der jeweilige instrumentelle Score (iHHS oder iKSS-ks) berechnet. Zur Untersuchung der Vorhersagegenauigkeit wurden Parameter der deskriptiven Statistik, die Interrater-Varianz, wie in [2] beschrieben, und das Bestimmtheitsmaß herangezogen.

Ergebnisse: Mit dem vortrainierten Modell [3] konnte bei der Anwendung auf Patienten zu unterschiedlichen Behandlungs- bzw. Rehabilitationszeitpunkten eine Vorhersagegenauigkeit von R² = 79,1% (HHS) / R² = 56,2% (KSS-ks) bestimmt werden (Abbildung 1 [Abb. 1]). Auf Basis des 95% Referenzintervalls erzielt die Vorhersage für vermessene Patienten einen Score innerhalb von 13,4 (HHS) bzw. 21,5 (KSS-ks) Punkten Abweichung vom tatsächlichen Score (Tabelle 1 [Tab. 1]).

Schlussfolgerung: Die Genauigkeit der Vorhersage liegt im Bereich der Messvarianz durch unterschiedliche Bewerter [2], bietet jedoch im Vergleich zu den in [3] erzielten Ergebnissen (Patienten nur postoperativ 1.) ein immenses Verbesserungspotential. Die Vorhersagegenauigkeit verringert sich nach Miteinbeziehen der weiteren Messzeitpunkte (präoperativ, postoperativ 2, postoperativ 3) um 13,3% (HHS)/24,2% (KSS-ks). Dies ist auf das Training des Vorhersagemodells zurückzuführen, welches bisher lediglich mit Patienten der Gruppe „postoperativ 1.“ durchgeführt wurde. Ein besser generalisiertes Vorhersagemodell in Kombination mit innovativen Systemen zur mobilen Bewegungserfassung und telemedizinischen Feedbackanwendungen repräsentiert ein innovatives Konzept, um Kliniker zukünftig zu entlasten und neue Möglichkeiten für eine ressourcenschonende und bedarfsgerechte Gesundheitswirtschaft zu schaffen.

References

[1] Söderman P, Malchau H. Is the Harris hip score system useful to study the outcome of total hip replacement? Clin Orthop Relat Res. 2001 Mar;(384):189-97. DOI: 10.1097/00003086-200103000-00022
[2] Liow RY, Walker K, Wajid MA, Bedi G, Lennox CM. The reliability of the American Knee Society Score. Acta Orthop Scand. 2000 Dec;71(6):603-8. DOI: 10.1080/000164700317362244
[3] Raab D, Heitzer F, Liaw JC, et al. Do we still need to screen our patients?—Orthopaedic scoring based on motion tracking. International Orthopaedics (SICOT). 2023;47:921–8. DOI: 10.1007/s00264-022-05670-0
[4] Schweizer K, Cattin PC, Brunner R, Müller B, Huber C, Romkes J. Automatic selection of a representative trial from multiple measurements using Principle Component Analysis. J Biomech. 2012 Aug 31;45(13):2306-9. DOI: 10.1016/j.jbiomech.2012.06.012