PROBLÉMATIQUE

En chirurgie orthopédique, la planification préopératoire est une étape incontournable et un moyen efficace pour les chirurgiens de prévoir les éventuelles difficultés opératoires et commencer à cibler le choix des implants. Or, afin de s’assurer de la meilleure solution possible, ces derniers doivent prendre en compte de nombreux critères : tableau clinique du patient, type d’intervention, choix du modèle de prothèse, implantation de la prothèse…

Dans de nombreux cas de figures, les caractéristiques anatomiques osseuses spécifiques des patients les contraignent à commander une multitude de prothèses pour être sûr de disposer du matériel adéquat pendant l’opération. Ce mode de fonctionnement est problématique : Il nécessite d’immobiliser des ressources matérielles dont le chirurgien ne se servira pas et qui pourraient être utilisées à d’autres fins. Cette procédure oblige à la stérilisation de toutes les pièces avant et après opération, même pour les pièces inutilisées, ce qui mobilise les équipes médicales et entraînent une surcharge de travail évitable. Toutes les tailles de prothèses sont testées lors de l’opération chirurgicale, rallongeant le temps d’intervention. Le chirurgien doit passer un temps conséquent à analyser la manière la plus optimale de placer la prothèse afin d’assurer le correct fonctionnement des membres entre eux.

Comment limiter les surcoûts et optimiser la gestion des ressources médicales ? Comment s’assurer que la technique chirurgicale et l’implant soit les plus efficaces possibles ?

CLIENT

WRIGHT MEDICAL Paris (FRANCE)

SOLUTION APPORTÉE

Neovision a conçu une solution de planification pré-opératoire afin d’aiguiller les chirurgiens dans leurs choix techniques grâce au machine learning et au deep learning. Cette solution propose des recommandations pour le type d’intervention préconisée, les choix des prothèses et leur implantation (orientation).

BÉNÉFICE CLIENT

En s’appuyant sur une base de données de cas cliniques, les suggestions de matériels et d’implantation permettent d’optimiser le temps de travail des équipes médicales. Cela permet en outre de réaliser des économies en évitant d’immobiliser inutilement du matériel coûteux. D’un point de vue organisationnel, cela simplifie largement les processus, les équipes médicales n’ayant plus à stériliser ni renvoyer les implants (souvent accompagnés par des outils spécifiques pour la pose).

RÉALISATION

Notre solution a été déclinée pour répondre à plusieurs applications :

• Chirurgie orthopédique épaule : prédiction du type d’implant pour choisir entre TSA (Total Shoulder Arthroplasty ou implant Anatomique) et RSA (Reverse Shoulder Arthroplasty ou implant inversé)

Afin de pouvoir proposer une solution pertinente en termes de recommandation, nous avons aidé notre client à constituer une base de données de cas clinique représentatifs : une vingtaine de chirurgiens a été consultée, et ces derniers ont évalué une centaine de cas de manière conjointe (technique chirurgicale, type, taille et position de l’implant) grâce à des données tabulaire, scanner et IRM (servant principalement à préciser l’état des tendons et la qualité des os). Notre IA a ensuite été entraînée pour proposer des recommandations personnalisées en se basant sur les retours de ces chirurgiens. Grâce à une analyse fine des résultats, plusieurs variables ont été identifiées comme pertinentes, à savoir qu’elles auront un poids significatif dans le choix d’une ou de l’autre technique opératoire.

• Chirurgie orthopédique épaule : prédiction de la longueur de la tige humérale

Il existe une multitude de tailles et formes de tiges humérales. Il n’existait pas de prédiction possible lors de la planification. Cela obligeait les chirurgiens à tester toutes les prothèses lors de l’intervention pour choisir la plus adaptée, entraînant une perte de temps conséquente et une immobilisation de matériel importante. Notre solution permet en amont de l’opération de recommander le type de prothèse le plus adapté (à partir d’images 3D, et grâce à des coupes sagittale, axiale et coronale). Le modèle a été entraîné sur plusieurs bases de données pour la segmentation d’images médicales (IRM, CT).

Crédits images : Wikimedia – Wikimedia

• Prédiction des paramètres permettant l’auto-planning

Au-delà du choix de l’implant, la manière dont ce dernier est posé est primordiale : il faut veiller à tout prix au confort du patient ainsi qu’au maintien de la mobilité. Pour cela, nous avons développé une fonctionnalité permettant l’auto-planning (à savoir planifier les positions / orientations / paramètres des implants). Nous avons sélectionné et entraîné des méthodes de machine learning qui nous ont permis d’obtenir de bons résultats de prédiction. Cela a permis de réduire considérablement le temps de planification alloué par les chirurgiens.

TECHNOLOGIES & EXPERTISES ASSOCIÉES

COMPUTER VISION, MACHINE LEARNING, DEEP LEARNING

TÉMOIGNAGE

« Wright is the leader in digital surgery in orthopedic extremities and focused to provide innovative and transformative software-enabled surgery platforms and solutions. Wright has selected Neovision to support our artificial intelligence algorithms to improve surgical planning and support improved patient outcomes. »

Jean Chaoui, Vice-Président et Chief Software Technology Officer Chez Wright Medical