La paralysie cérébrale (PC) entraîne des troubles de la marche pouvant être caractérisés par une flexion excessive du genou. La chirurgie d’allongement des ischio-jambiers (AIJ) diminue la flexion du genou au contact initial (FGCI), mais peut avoir des effets sur l’antéversion du bassin. L’objectif de ce travail est de prédire le résultat postopératoire de l’AIJ, dans un contexte de chirurgie multi-sites, sur la FGCI et sur l’antéversion du bassin au contact initial (ABCI). Les paramètres postopératoires sont estimés, en fonction de la cinématique et de l’examen clinique préopératoires ainsi que du programme chirurgical testé, en utilisant des méthodes d’apprentissage supervisé (o Machine Learning O).
Matériel et méthode
Parmi des données cinématiques (15 paramètres cinématiques ipsi- et controlatéraux mesurés au contact initial) et cliniques (angle poplité) de 191 membres inférieurs (MI) correspondants à 99 enfants atteints de PC, les variables d’entrée les plus pertinentes sont sélectionnées avec la méthode de la variable de sonde. Après sélection de ces données, des régressions non linéaires sont réalisées par des réseaux de neurones à perceptrons multicouches, pour prédire les FGCI et ABCI postopératoires. La performance des prédictions est évaluée par le calcul de la root mean square error (RMSE) entre la valeur prédite et la valeur réellement mesurée en postopératoire.
Résultats
En test, la RMSE moyenne par MI est de 9° pour la FGCI, avec 63 % des MI ayant une RMSE 8804 + 10°. Pour l’ABCI, la RMSE moyenne est de 5° et 90 % des MI sont prédits avec une RMSE 8804 + 10°. Cinquante-huit pour cent des MI ont une RMSE 8804 + 10° à la fois pour la FGCI et l’ABCI.
Discussion et conclusion
Pour la première fois la FGCI et l’ABCI postopératoires sont prédites en fonction de la cinématique et des données cliniques préopératoires, ainsi que du type de chirurgie. L’erreur de prédiction est indépendante des paramètres préopératoires étudiés. La performance de l’estimation de l’ABCI est supérieure à celle de la FGCI. Des multiples perspectives de développement et d’optimisation du système sont en cours. Cette démarche associant machine learning et analyse du mouvement ouvre des perspectives majeures pour l’optimisation des indications chirurgicales.
