Vorhersage von irregulären Operationsdauern bei Knietotalendoprothesen mit Daten aus dem Endoprothesenregister Deutschland und EndoCert

Die Zahl der primären Knietotalendoprothesen (KTEP) wird voraussichtlich kontinuierlich steigen. Die frühzeitige Erkennung von Risikofaktoren wird für den einzelnen Patienten sowie für das Gesundheitssystem immer wichtiger werden. Die bisherigen Vorhersagemodelle sind für den klinischen Einsatz nicht praktikabel, sodass neue Ansätze dringend notwendig sind. Machine Learning (ML) hat sich bereits in verschiedenen medizinischen Disziplinen bewährt, ist in der Orthopädie jedoch bisher noch weitgehend ungenutzt. Anhand von Daten aus dem Endoprothesenregister Deutschland (EPRD) und EndoCert wurde ein Machine-Learning-Algorithmus zur Vorhersage von unregelmäßigen Operationsdauern bei KTEP untersucht. Es wurden 864 Fälle primärer KTEP von 2016 bis 2019 an unserem Institut analysiert. Hierbei kam der XGBoost-Algorithmus sowie mehrere Modifikationen zur Anwendung, um mit unausgewogenen und begrenzten Daten umzugehen. Dieser Algorithmus demonstrierte eine Accuracy von 0,93, eine Sensitivität von 0,74, eine Spezifität von 0,96 und eine „area under the curve“ (AUC) von 91,6 % für die Vorhersage unregelmäßiger Operationsdauern. Während die klassische statistische Auswertung (Korrelationskoeffizient) keine signifikante Korrelation aufdeckte, zeigte die Feature Importance des Machine-Learning-Algorithmus eine Reihe von nichtlinearen Korrelationen. Zusammenfassend konnte ein praktikables ML-Modell zur Vorhersage unregelmäßiger Operationsdauern bei der primären TKA entwickelt werden, das vielversprechende Ergebnisse zeigte. Die interdisziplinäre Bewertung dieser Ergebnisse durch einen Datenwissenschaftler und einen orthopädischen Chirurgen ist entscheidend, um die klinischen Anwendbarkeit der Ergebnisse zu verstehen.