Onderzoekers van de Washington University in St. Louis hebben een machine learning (ML)-aanpak ontwikkeld om de herstelresultaten na een lumbale wervelkolomoperatie te voorspellen. Zij deden dit met behulp van gegevens uit wearables en andere bronnen. Het onderzoeksteam is er daarmee in geslaagd om postoperatieve resultaten te voorspellen. Die voorspelling is van cruciaal belang voor het verbeteren van klinische besluitvorming en het personaliseren van behandelingen na orthopedische chirurgie.
"We combineerden onder meer wearables en klinische dossiers om een breed scala aan informatie over de patiënten te kunnen vastleggen. Voorbeelden hiervan zijn: fysieke activiteiten, subjectieve rapporten van pijn en geestelijke gezondheid en klinische kenmerken”, zegt Chenyang Lu, PhD, de Fullgraf Professor aan de McKelvey-universiteit van de universiteit. School of Engineering. Volgens de onderzoekers is er sprake van een groeiende belangstelling voor hoe voorspellende analyses de gezondheidszorg kunnen verbeteren. Daarbij worden ArtificiaI Intelligence en Machine Learning steeds vaker ingezet om de risico’s te kunnen inschatten en de patiëntresultaten te verbeteren.
Emotionele en sociale toestand
Dit onderzoek verbond de gegevens die via de Fitbit werden gemeten met de gegevens over ecologische momentele beoordeling (EMA). Deze informatie, die de emotionele en sociale toestand van de deelnemers vastlegde, werd vastgelegd met behulp van smartphones. Om deze aanpak te verbeteren werd Machine Learning ingezet. “Door de uitkomsten vóór de operatie te voorspellen, kunnen we helpen om bepaalde voorspellingen te kunnen doen voor na de operatie. Ook kunnen we inschatten hoe groot de kans is dat er moet worden ingegrepen op basis van de hoge risicofactoren”, aldus de eerste auteur van het onderzoek, Ziqi Xu, een promovendus in het laboratorium van Lu.
Variërende uitkomsten
De uitkomsten van wervelkolomoperaties kunnen aanzienlijk variëren, afhankelijk van de structurele ziekte van een patiënt. Ook de fysieke en de mentale gezondheidskenmerken, waaronder overmatige stress in de aanloop naar een operatie of fysiologische problemen, zijn van invloed op de uitkomsten.
De onderzoekers merkten verder op dat bestaande modellen om de uitkomsten van wervelkolomoperaties te voorspellen doorgaans afhankelijk zijn van door de patiënt gerapporteerde uitkomstmaten (PROM's). Deze zijn beperkt in hun vermogen om inzichten vast te leggen in de toestand van een patiënt op de lange termijn voorafgaand aan de operatie.
Voorspellende instrumenten
Uit onderzoek blijkt ook dat veel voorspellende instrumenten gericht zijn op enkelvoudig chirurgische uitkomsten. Maar herstel is juist multidimensionaal en bestaat uit verschillende onderscheidende maar wel gerelateerde uitkomsten, zoals fysiek functioneren, pijnintererferentie en kwaliteit van herstel. Door de komst van draagbare apparaten en smartphones is het mogelijk om patiëntgegevens effectiever vast te leggen buiten de klinische setting. Eerder werk van de onderzoekers op dit gebied heeft aangetoond dat PROM's en draagbare gegevens de voorspellingen van postoperatieve uitkomsten verbeterden.
De onderzoekers zijn van plan om hun aanpak te blijven verfijnen waardoor deze betere voorspellingen kan doen. Volgens de onderzoekers zorgt dat ervoor dat artsen beter begrijpen welke soorten factoren mogelijk kunnen worden aangepast om de resultaten op langere termijn te verbeteren.
Trainingsapp orthopedie
Osso VR heeft onlangs nog een medische trainingsapp gelanceerd voor de Apple Vision Pro mixed reality-headset. De app kan worden gebruikt voor een operatietraining. Hiermee kunnen gebruikers virtueel de stappen van twee orthopedische procedures doorlopen. Het gaat om een totale knievervanging en om een zogeheten carpaletunnel-loslating.
