25dkou001 10.3205/25dkou001 urn:nbn:de:0183-25dkou0013 Meeting Abstract Roos Roos Jonas J

Klinik für Orthopädie und Unfallchirurgie, Universitätsklinikum Bonn, Bonn, Deutschland

author Zellner Zellner Alberto Alfieri AA

Klinik für Orthopädie und Unfallchirurgie, Universitätsklinikum Bonn, Bonn, Deutschland

author Babasiz Babasiz Mari M

Klinik für Orthopädie und Unfallchirurgie, Universitätsklinikum Bonn, Bonn, Deutschland

author Jaenisch Jaenisch Max M author Endler Endler Christoph C

Klinik für Diagnostische und Interventionelle Radiologie, Universitätsklinikum Bonn, Bonn, Deutschland

author Strauss Strauss Andreas A 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 001 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) Poster | Digitalisierung Berlin 20251028 20251031 AB11-2489 TextZielsetzung und Fragestellung: Die Deutsche Gesellschaft für Endoprothetik (AE) fordert eine verpflichtende Zertifizierung für Kliniken, die Hüft- und Knieprothesen implantieren, um flächendeckend hohe Qualitätsstandards zu gewährleisten und unnötige Operationen zu vermeiden. Ein zentraler Bestandteil der Qualitätssicherung ist die präoperative Planung der Prothesen sowie die postoperative Überprüfung ihrer Position. Bei Knieendoprothesen umfasst dies die Beurteilung der Beinachse durch die Bestimmung des mechanischen Hüft-Kniegelenkwinkels (HKA). Ziel dieser Studie war es zu untersuchen, ob Deep-Learning (DL) zur automatisierten Bestimmung dieses Winkels geeignet ist und somit zur Automatisierung des Qualitätsprozesses beitragen kann.Material und Methoden: In dieser retrospektiven Studie wurden die Daten von Primärimplantationen und Revisionseingriffen von 08/2024–12/2024 analysiert. Die Daten umfassten demografische Daten, Eingriffstyp, den mechanischen Hüft-Kniegelenkwinkel sowie das Vorhandensein einer ipsilateralen Hüftprothese. Die Ergebnisse des Deep-Learning (Gleamer, Paris, France) wurden mit den unabhängigen Messungen von zwei Orthopäden verglichen.Ergebnisse: Insgesamt wurden 48 Patienten (31,3% männlich; Durchschnittsalter 63,7 ± 14,3 Jahre) eingeschlossen, von denen 14 wegen fehlender Messungen nicht berücksichtigt werden konnten. Die meisten Patienten (78,1%) erhielten eine Primärimplantation. 2 Patienten hatten zusätzlich eine Hüftprothese einliegend. Die Messungen zum HKA ergaben für die 3 Gruppen ORT1: 2,68 ± 2,06°; ORT2: 2,86° ± 1,99° und DL 2,77° ± 2,15°. Insgesamt zeigte sich somit kein signifikanter Unterschied zwischen den 3 Gruppen (p = 0,68).Diskussion und Schlussfolgerung: Die Studie liefert wichtige Erkenntnisse über das Potenzial und die Einschränkungen von DL-gestützten Messungen in der Orthopädie. Die hohe Messgenauigkeit spricht für einen vielversprechenden Ansatz zur automatisierten Messung. Allerdings ist der Einsatz derzeit aufgrund der zahlreichen nicht durchgeführten Messungen noch begrenzt. Ein entscheidender Faktor für korrekte Messungen bleibt die Bildqualität der Röntgenaufnahmen. Weitere Entwicklungen sowie Vergleiche mit anderen DL-Methoden sind erforderlich, um eine breite klinische Anwendung zu ermöglichen. 0 0 0 0