Cerca de duzentas mil pessoas recebem, todos os anos, uma prótese da anca na Alemanha. O procedimento, um dos mais comuns em hospitais ortopédicos do país, destina-se sobretudo a tratar a osteoartrose, uma degenerescência das superfícies cartilagíneas. Acontece que, apesar de a operação ser padronizada, a resposta dos doentes não o é: há quem recupere totalmente a mobilidade e quem mantenha limitações funcionais. Compreender estas diferenças foi o ponto de partida do projecto HOBBID, financiado pela Fundação Alemã de Investigação e conduzido em colaboração entre o KIT e a clínica de traumatologia e ortopedia da Universitätsmedizin Frankfurt.

Os investigadores do KIT alimentaram um algoritmo com dados biomecânicos recolhidos antes e depois da cirurgia. Esses dados, obtidos em Frankfurt a partir de modelação músculo-esquelética, permitiram medir ângulos articulares e cargas tridimensionais durante a marcha. Não é tarefa simples: “Os dados biomecânicos que descrevem o movimento em sistemas biológicos são extremamente complexos”, explicou Bernd J. Stetter, que lidera um grupo de investigação em saúde musculoesquelética no Instituto de Desporto e Ciências do Desporto (IfSS) do KIT, sendo o autor correspondente do estudo. Com o modelo de IA, a equipa tornou esses dados aplicáveis na prática clínica. “É um passo em direcção ao tratamento personalizado”, acrescentou.

Participaram no estudo 109 doentes com osteoartrose unilateral da anca. A marcha foi analisada antes da colocação da prótese; 63 desses doentes repetiram a avaliação depois da operação, e os resultados foram comparados com os de um grupo de controlo composto por 56 indivíduos saudáveis. A inteligência artificial identificou três grupos distintos, com padrões de alteração da marcha que não eram iguais para todos. Factores como a idade, a altura, o peso, a velocidade da caminhada e o grau da artrose ajudaram a determinar em que categoria cada pessoa se encaixava.

A resposta à cirurgia também variou consoante o grupo. Nuns, a melhoria foi acentuada, aproximando-se do padrão normal; noutros, as diferenças em relação ao grupo de controlo mantiveram-se evidentes. A vantagem do modelo, sublinhou Stetter, é justamente a possibilidade de prever, antes da operação, quem irá beneficiar mais e quem poderá necessitar de um acompanhamento terapêutico mais intensivo depois. “Como os algoritmos são explicáveis e transparentes, acreditamos que o modelo terá um elevado nível de aceitação clínica”, afirmou.

Os autores do trabalho consideram que a metodologia, agora aplicada à anca, poderá vir a ser adaptada a outras articulações e patologias. A ideia é que, no futuro, ferramentas deste tipo auxiliem os médicos na tomada de decisão e ajudem a gerir as expectativas dos doentes quanto ao pós-operatório.

Publicação original:
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

NR/HN/AlphaGalileo