Forschungspreis Digitalisierung in Orthopädie und Unfallchirurgie
Die Arbeitsgruppe Digitalisierung der Deutschen Gesellschaft für Orthopädie und Unfallchirurgie (DGOU) vergibt jährlich den „Forschungspreis Digitalisierung in Orthopädie und Unfallchirurgie“. Der Preis wird durch die Firma Compremium AG unterstützt und ist mit 2.500 Euro dotiert. Die Preisverleihung erfolgt auf dem Deutschen Kongress für Orthopädie und Unfallchirurgie (DKOU).
Der Preis dient der Förderung der Forschung zu Digitalisierung im Gebiet der Orthopädie und Unfallchirurgie. Er kann für herausragende abgeschlossene wissenschaftliche Arbeiten vergeben werden, die sich mit der Umwandlung von analogen in digitale Formate, mit der Beforschung digitaler Innovationen und Verfahren der Künstlichen Intelligenz für klinische Fragestellungen oder mit der Verarbeitung bzw. Speicherung von Daten in einem digitaltechnischen System beschäftigen und dabei einen Bezug zur Orthopädie und Unfallchirurgie aufweisen. Er wird an Forschende des In- und Auslandes verliehen.
Preisträger
2024
Prof. Dr. Kaywan Izadpanah, Klinik für Orthopädie und Unfallchirurgie, Universitätsklinikum Freiburg
Dr.-Ing. Elin Theilen, Fraunhofer Institute for Digital Medizin MEVIS, Bremen
„Validation of a Finite Element Simulation for predicting Individual Knee Joint Kinematics“
Die Arbeit stellt einen in-vivo validierten Finite-Elemente-Simulationsansatz (FE-Simulationsansatz) zur Vorhersage der individuellen Kniegelenkkinematik vor. Das Verständnis für die komplexe individuelle Anatomie und mögliche Pathologien soll verbessert und physiologische Kinematiken rekonstruiert werden.
Mittels einer statisch-dynamischen MRT konnte eine individuelle Kniegelenkskinematik erstellt werden. Die Vorhersagefähigkeit des Modells wurde anhand von MR-Bildern der Knie von elf gesunden Probanden in speziellen Kniestellungen, die mit einem maßgeschneiderten MR-kompatiblen pneumatischen Belastungsgerät erzielt wurden, validiert. Die FE-Simulatoren erreichen eine durchschnittliche Translationsgenauigkeit von 2 mm und eine durchschnittliche Winkelgenauigkeit von 1° im Vergleich zur Referenzposition in einem klinischen Set-up. Aufgrund der hohen Genauigkeit kann das individuelle FE-Modell bei der Entscheidungsfindung zur Wiederherstellung der Stabilität und Funktionalität des Kniegelenks nach verschiedenen Knieverletzungen eingesetzt werden.
2023
Dr. Marco-Christopher Rupp und Nikolas J. Wilhelm, M.Sc., Abteilung für Orthopädie und Sportorthopädie, Klinikum rechts der Isar der TU München
„Multicentric Development and Validation of a Multi-Scale and Multi-Task Deep Learning Model for a Comprehensive Orthopedic Lower Extremity Alignment Analysis in a Simulated Clinical Setting“
Kniegelenkarthrose gehört zu den häufigsten Ursachen kniebedingter körperlicher Einschränkungen und erfordert eine umfassende Beurteilung der mechanischen Ausrichtung der unteren Extremitäten mithilfe von Röntgenaufnahmen des belasteten Beins (LLR). Die gegenwärtigen Analysemethoden sind allerdings zeitaufwendig und fehleranfällig; klinisch einsetzbare Anwendungen künstlicher Intelligenz gibt es kaum.
Ziel der vorliegenden multizentrischen Studie war die Entwicklung und Validierung einer neuartigen künstlichen Intelligenz (Deep Learning) zur vollautomatischen Beurteilung der Beinachsenstellung auf Röntgenbildern, um die Zuverlässigkeit von Analyse und präoperativer Planung zu erhöhen und die Analysezeit zu reduzieren. Im Zuge der Validierung wurden Genauigkeit, Verlässlichkeit und Geschwindigkeit des Algorithmus mit drei spezialisierten orthopädischen Chirurgen (OS) unter Benutzung zweier unabhängiger Datensätze verglichen. Das Deep-Learning-Model wies eine Leistung auf, die vergleichbar mit derer der Orthopäden war und übertraf menschliche Prüfer in Bezug auf Durchführungszeit und Verlässlichkeit und hat daher das Potenzial, die Effizienz und Präzision klinischer Arbeitsabläufe zu verbessern.
2022
Dr. Alexander M. Keppler und cand. med. Moritz Kraus, Muskulosklettales Universitätszentrum München, LMU Klinikum Campus Großhadern
Ziel dieser Studie war es, die Fähigkeit von Ganganalysedaten, die während des Timed-Up-and-Go-Tests (TUG) erhoben wurden, mit dem SARC-F und dem TUG-Test zur Einschätzung der Physical Frailty zu vergleichen, wobei Algorithmen des maschinellen Lernens eingesetzt wurden.
Eine auf Algorithmen des maschinellen Lernens basierende Ganganalyse, die mobile Sensorsohlen verwendet, ist dem SARC-F und dem TUG-Test überlegen, um physical frailty bei orthogeriatrischen Patienten zu erkennen.
Die Wissenschaftler konnten zeigen, dass Gangparameter ein geeignetes Ziel für Therapien der Physical Frailty sein kann und eine gezielte Physiotherapie und Beratung zur Minimierung des Sturzrisikos der Physical Frailty entgegenwirken und dadurch die gesundheitsbezogene Lebensqualität der Patienten verbessern kann.
2021
Dr. Florian Dittrich, Gelenkzentrum Bergisch Land, Remscheid
Ziel dieser Studie war es, am Beispiel der Sprunggelenks-App, Evidenzen zum Entwicklungsprozess einer Gesundheitsapp zu schaffen und Pitfalls sowie einhergehende Chancen und Risiken zu identifizieren. Die Qualität der App wurde anhand des MARS-Score durch Ärzte und Athleten evaluiert.
Die Gesamtbewertung der App mit 4,4 von 5 Punkten im MARS-Score sprechen für eine hohe App-Qualität. Das mit einer Datenbank kommunizierende hybride App-Konzept, eine hohe Zielgruppenkonformität, die vorab definierte Zweckbestimmung und der multidisziplinäre Ansatz erscheinen erfolgversprechend.
Die gewonnenen Evidenzen zeigen, dass simple mHealth-basierte Rehabilitationsprogramme durch Vermittlung von allgemeinverständlicher aktueller medizinischer Literatur, Videos und einer Tagebuchfunktion ein nützliches Instrument zur Verbesserung des Patientenengagements darstellen.