Künstliche Intelligenz KI-gestützte Forschung steigert Erfolg bei Hüftoperationen

Ein Forschungsprojekt kombiniert biomechanische Daten und künstliche Intelligenz, um die Bewegungsabläufe vor und nach einer Hüftoperation zu analysieren. Die gewonnenen Erkenntnisse sollen die Behandlungsergebnisse für Hüftarthrose-Patienten verbessern sowie eine personalisierte Medizin und bessere Rehabilitation versprechen. Potenziell kann das KI-Modell auch auf andere Gelenke und Erkrankungen übertragen werden.

Das Einsetzen von künstlichen Hüftgelenken gehört in Deutschland zu den häufigsten orthopädischen Eingriffen in deutschen Kliniken. In den meisten Fällen ist dies aufgrund einer Hüftgelenksarthrose, einen Verschleiß der Knorpeloberfläche von Hüftpfanne und Hüftkopf, notwendig. Doch die betroffenen Patienten reagieren auf den Einsatz einer Hüfttotalendoprothese unterschiedlich, was Beweglichkeit und Schmerzfreiheit betrifft.

Diese Unterschiede besser zu verstehen, ist Ziel des von der Deutschen Forschungsgemeinschaft (DFG) geförderten Kooperationsprojekts „Verbesserung der operativen Behandlungsergebnisse bei Hüftgelenksarthrose auf der Grundlage biomechanischer und biochemischer Erkenntnisse“ an der Klinik für Unfallchirurgie und Orthopädie der Universitätsmedizin Frankfurt und am Institut für Sport und Sportwissenschaft (IfSS) des Karlsruher Institut für Technologie (KIT).

Biomechanische Datenanalyse als Grundlage für verbesserte Therapien

Die Forscher am KIT haben dazu auf Grundlage von Daten der Gangbiomechanik von Personen mit Hüftgelenksarthrose vor und nach der Operation ein KI-Modell entwickelt, um die Bewegungsabläufe zu untersuchen. Die Daten hat die Universitätsmedizin Frankfurt erhoben, aufbereitet und dem KIT für die KI-basierte Analyse zur Verfügung gestellt.

„Biomechanische Daten, die Bewegungen biologischer Systeme mit Methoden der Mechanik, Anatomie und Physiologie beschreiben, sind hochkomplex“, sagt Dr. Bernd J. Stetter, Leiter der Forschungsgruppe Muskuloskelettale Gesundheit und Technologie am IfSS des KIT und korrespondierender Autor der Studie, in der die Forscher über ihre Ergebnisse in der Zeitschrift Arthritis Research & Therapy berichten. „Mit unserem KI-Modell machen wir die Daten für Anwendungen nutzbar. Dies ist ein Schritt hin zur personalisierten Medizin.“

Wie Stetter erläutert, ist das Modell auf den Einsatz eines künstlichen Hüftgelenks trainiert und ausgerichtet. Für die Zukunft ist es denkbar, es auf andere Gelenke und Erkrankungen zu übertragen. So kann ein derartiges KI-Modell als Entscheidungshilfe für Ärzte dienen und den betroffenen Patienten realistische Erwartungen vermitteln. Überdies lässt sich damit die Rehabilitation nach der Operation individuell anpassen.

Drei Gangmuster bei Hüftarthrose-Patienten identifiziert

Für die Studie analysierten die Forscher die Gangbiomechanik von 109 Patienten mit einseitiger Hüftgelenksarthrose vor dem Einsatz einer Hüfttotalendoprothese. 63 Personen aus dieser Gruppe untersuchten sie nach der Operation erneut. Zusätzlich dienten 56 gesunde Menschen als Kontrollgruppe. Von allen Teilnehmern wurden dreidimensionale Gelenkwinkel und Gelenkbelastungen anhand muskuloskelettaler Modellierung bestimmt.

Die KI-basierte Analyse ergab, dass Menschen mit Hüftgelenksarthrose sich in drei Gruppen mit verschiedenen Mustern von Gangveränderungen einteilen lassen. Bestimmte biomechanische Gangparameter, wie Winkel und Belastungen im Hüftgelenk, erwiesen sich als besonders aussagekräftig dafür, zu welcher Gruppe eine Person gehörte. Die drei Gruppen unterschieden sich zudem in Alter, Größe, Gewicht, Gehgeschwindigkeit sowie Schwere der Arthrose.

Auf die Operation reagierten die drei Gruppen unterschiedlich: Bei manchen Patienten verbesserte sich die Gangbiomechanik durch das künstliche Hüftgelenk mehr, bei anderen weniger. Das bedeutet, manche Personen konnten danach fast normal gehen, andere zeigten weiterhin klare Abweichungen von der Kontrollgruppe. „Mit unserem Modell lässt sich voraussagen, wer von der Operation besonders profitieren wird – und wer danach zusätzlich intensive Therapie benötigen wird“, führt Stetter die Ergebnisse aus. „Da die Algorithmen erklärbar sind und Transparenz bieten, versprechen wir uns von dem Modell eine hohe Akzeptanz im klinischen Bereich.“

Originalpublikation:

Bernd J. Stetter, Jonas Dully, Felix Stief, Jana Holder, Hannah Steingrebe, Frank Zaucke, Stefan Sell, Stefan van Drongelen & Thorsten Stein: Explainable machine learning for orthopedic decision-making: predicting functional outcomes of total hip replacement from gait biomechanics. Arthritis Research & Therapy, 2025. DOI: 10.1186/s13075-025-03709-2

(ID:50688922)