抜去強度に基づく決定木分析を用いたペディクル・スクリュー・インストルメントの評価

Evaluating Pedicle-Screw Instrumentation Using Decision-Tree Analysis Based on Pullout Strength.

抄録

研究デザイン:

ペディクル・スクリューの引き抜き強度に関する生体力学的研究。

STUDY DESIGN: A biomechanical study of pedicle-screw pullout strength.

目的:

ペディクル・スクリュー・インスツルメントを評価するための、引き抜き強度に基づいた決定木を開発すること。

PURPOSE: To develop a decision tree based on pullout strength for evaluating pedicle-screw instrumentation.

文献の概要:

臨床的には、外科医がペディクル・スクリューの保持力を理解するのは、スクリューを挿入しながら周術期の直感（挿入トルクのようなもの）に基づくものである。これは術者の技量や経験に依存する主観的な感覚である。ロボット手術の出現により、患者さんに合わせた手術計画システムの構築が急務となっています。様々な要因に対するペディクル・スクリューの保持力の感度を理解するために、学習ベースの予測モデルが必要である。

OVERVIEW OF LITERATURE: Clinically, a surgeon's understanding of the holding power of a pedicle screw is based on perioperative intuition (which is like insertion torque) while inserting the screw. This is a subjective feeling that depends on the skill and experience of the surgeon. With the advent of robotic surgery, there is an urgent need for the creation of a patient-specific surgical planning system. A learning-based predictive model is needed to understand the sensitivity of pedicle-screw holding power to various factors.

方法:

硬質ポリウレタンフォームを用い、極度の骨粗鬆症から正常な骨まで、様々な挿入深さと角度で、ペディクルスクリューの引き抜き試験を行った。これらの実験結果を用いて、機械学習アプローチによる引き抜き強度予測器と決定木を構築した。

METHODS: Pullout studies were carried out on rigid polyurethane foam, representing extremely osteoporotic to normal bone for different insertion depths and angles of a pedicle screw. The results of these experimental studies were used to build a pullout-strength predictor and a decision tree using a machine-learning approach.

結果:

分散分析に基づき、研究対象のすべての因子が、ペディクルスクリューの保持力に有意な影響（p <0.05）を与えることが判明した。様々な機械学習手法のうち、ランダムフォレスト回帰モデルは、引き抜き強度の予測および決定木の作成において良好な結果を示した。性能を評価した結果、実測値と予測値の間に0.99の相関係数が得られた。また，本モデルを用いた確認実験における規格化された予測引抜強度の平均値および標準偏差は，1.01±0.04であった。

RESULTS: Based on analysis of variance, it was found that all the factors under study had a significant effect (p &lt;0.05) on the holding power of a pedicle screw. Of the various machine-learning techniques, the random forest regression model performed well in predicting the pullout strength and in creating a decision tree. Performance was evaluated, and a correlation coefficient of 0.99 was obtained between the observed and predicted values. The mean and standard deviation of the normalized predicted pullout strength for the confirmation experiment using the current model was 1.01±0.04.

結論:

ランダムフォレスト回帰モデルを用いて、引抜強度予測因子と決定木を構築した。このモデルは、選択した範囲の密度、挿入深さ、挿入角度のどのような組み合わせに対しても、ペディクルスクリューの保持力を予測することが可能であった。この決定木モデルは、患者別の手術計画や脊椎固定術の決定支援システムに応用することができる。

CONCLUSIONS: The random forest regression model was used to build a pullout-strength predictor and decision tree. The model was able to predict the holding power of a pedicle screw for any combination of density, insertion depth, and insertion angle for the chosen range. The decision-tree model can be applied in patient-specific surgical planning and a decision-support system for spine-fusion surgery.