Sono tante le componenti protesiche di anca disponibili sul mercato ma non tutte garantiscono esiti di ottima qualità: come individuare le componenti meno efficienti? Studiare i registri è una via. Uno studio ha testato nuovi strumenti di analisi, compresa l’intelligenza artificiale.
Se con l’aumentare dell’età media della popolazione si assiste a un costante aumento dei volumi di attività mondiali per l’artroplastica di anca, non si è ancora raggiunto uno standard di qualità per le protesi impiantate.
Pertanto, è importante utilizzare i registri internazionali per individuare impianti o parti di impianti che sono anomali e portano, per esempio, a revisioni anticipate: solo così sarà possibile eliminarli dal mercato, o migliorarli, per assicurare a tutti i pazienti sottoposti ad artroplastica esiti di qualità. Le componenti che maggiormente falliscono sono le componenti acetabolari o lo stelo femorale.
Individuare i valori anomali all’interno di registri così ampi non è certo cosa facile: per questo un recente studio del College of Science and Engineering del Medical Device Research Institute della Flinders University, in Australia, ha messo a confronti con i metodi tradizionali due ulteriori approcci, uno basato su machine learning e l’altro su un misto di machine learning e regressione Cox. Il registro preso in considerazione è l’Australian Orthopaedic Association National Joint Replacement Registry (AOANJRR). Il campione preso in esame è composto da 213 componenti di protesi di anca coinvolte in più di 160 mila artroplastiche primarie.
Gli autori hanno preso in considerazione anche altre variabili, a partire da covariabili del paziente, trattate come possibili fattori di confusione: età, genere, BMI, score dell’American Society of Anesthesiologists. Altre variabili sono la dimensione della testa del femore e la superficie di appoggio.
Analisi dei dati
Gli autori si sono affidati a un random survival forest (RSF) come modello di machine learning, mentre il secondo strumento preso in esame è una combinazione tra machine learning e un metodo ben conosciuto di regressione convenzionale. Vediamo ora quali risultati ha ottenuto il team con i due metodi in esame e con quello convenzionale.
Il metodo convenzionale ha individuato 3 componenti acetabolari e 7 steli femorali come elementi anomali, per un totale di 10. Il modello di machine learning selezionato dal team è riuscito a individuare 8 delle stesse componenti, nello specifico 2 acetabolari e 6 femorali. Simili gli esiti ottenuti con la strategia combinata.
Tuttavia, è interessante osservare che i due modelli sotto esame hanno evidenziato anomalie aggiuntive a quelle già indicate dal metodo convenzionale: s tratta di 10 componenti che si associano a un tasso di revisione 1,5 volte maggiore della media.
Il RSF sembra più efficace della regressione Cox
In definitiva, il modello di IA adottato sembra essere quello più rispondente al metodo gold standard definito dalla AOANJRR. Tuttavia, gli autori sottolineano come, per sua natura, questo modello rischia di individuare molti falsi positivi. Inoltre, non ci sono effetti confondenti documentati che lo riguardano.
Al contrario, la regressione Cox presenta molti vantaggi dal punto di vista computazionale e nell’interpretazione della forza delle variabili, avendo, al contempo, una buona documentazione di effetti confondenti.
Quello presentato è solo un primo lavoro e richiede ulteriori approfondimenti per individuare strumenti di analisi delle anomalie presenti nei registri di artroplastica. Un lavoro tanto complesso, quanto importante.
Lo studio: Ghadirinejad, K.; Graves, S.; de Steiger, R.; Pratt, N.; Solomon, L.B.; Taylor, M.; Hashemi, R. Can Machine Learning Algorithms Contribute to the Initial Screening of Hip Prostheses and Early Identification of Outliers? Prosthesis 2024, 6, 744-752. https://doi.org/10.3390/prosthesis6040052
