Ved å bruke data fra Norge og Danmark, ønsker studien å tilpasse utfall til individuelle risikoprofiler. Selv om modellene er lovende, viser de både potensial og områder for forbedring.
- Kyle Martin er doktorgradsstipendiat ved Oslo Sports Trauma Research Center.
- Den 4. juni vil han forsvare sin avhandling: "Forutsi utfall av rekonstruksjon av fremre korsbånd: Maskinlæringsanalyse av nasjonale registrer for kneligamenter".
- Les avhandlingen på engelsk (nva.sikt.no)
- Lær mer om prosjektet.
- Se disputasen direkte på NIH sin YouTube-kanal.
Om studien
Når pasienter skader et fremre korsbånd, et viktig stabiliserende ligament i kneet, anbefales vanligvis kirurgi for å gjenopprette stabilitet og returnere til en aktiv livsstil. I denne situasjonen er pasienter ofte nysgjerrige på hvordan de vil klare seg etter operasjonen, og stiller spørsmål som, “hva er sjansene for suksess eller mislykkethet med operasjonen?”
Når leger svarer på disse spørsmålene, generaliserer de ofte og gjør estimater basert på sin erfaring og kunnskap fra tidligere forskningsstudier. Imidlertid passer ikke én størrelse for alle ved rekonstruksjon av korsbånd, og pasienter kan ha svært forskjellige risikoprofiler når det gjelder det endelige utfallet.
Denne avhandlingen søkte å overvinne denne begrensningen ved å bruke maskinlæring – en del av kunstig intelligens – for å utvikle risikokalkulatorer som kan estimere risikoen for visse utfall etter rekonstruksjon av korsbånd på et pasientspesifikt nivå. Det primære utfallet av interesse var sannsynligheten for at en pasient trenger en revisjonskirurgi (en ny operasjon for en mislykket rekonstruksjon) innen 5 år. De norske og danske nasjonale registrene for kneligamenter, som samler data om hver rekonstruksjon av korsbånd utført i disse respektive landene, fungerte som informasjonskilden som ble brukt til å trene maskinlæringsalgoritmene.
Resultater
Denne avhandlingen besto av 6 studier som utviklet og testet gyldigheten av flere prediksjonsmodeller og førte til opprettelsen av de første nettbaserte kalkulatorene basert på maskinlæring som klinikere kunne bruke i kontormiljøet for å estimere utfall for sine pasienter. Nøyaktigheten til disse modellene var moderat totalt sett – bedre enn tilfeldig gjetning, men med rom for forbedring. Samlet sett demonstrerer disse studiene potensialet til nye verktøy basert på kunstig intelligens for prediksjon av kliniske utfall, samtidig som de fremhever de tilknyttede utfordringene og begrensningene.
Komité
Professor Jorunn Sundgot-Borgen, Norges idrettshøgskole (NIH), leder
Professor Kristoffer Weisskirchner Barfod, Københavns Universitet, Danmark
Førsteamanuensis Jacobien Oosterhoff, University Medical Centre Groningen, avdeling for ortopedisk kirurgi, Groningen, Nederland
Veiledere
Hovedveileder: Gilbert Moatshe MD PhD, NIH, UiO, OSTRC
Medveiledere: Roald Bahr MD PhD, NIH, OSTRC
Lars Engebretsen MD PhD, NIH, OSTRC, UiO
Disputasen blir ledet av professor Truls Raastad
Program
10.15-11.00: Prøveforelesning
13.00-16.00: Avhandlingsforelesning etterfulgt av diskusjon
Praktisk informasjon
Disputasen er åpen for alle og vil bli strømmet på NIH sin YouTube-kanal.