Senter for idrettsskadeforskning

Introduksjon

Kyle Martin forsvarer sin doktorgrad " Predicting Anterior Cruciate Ligament Reconstruction Outcome - Machine Learning Analysis of National Knee Ligament Registries"

Dato for disputas: Onsdag 4. Juni 2025

Sted: Auditorium Innsikt, Norges Idrettshøgskole

Klokkeslett prøveforelesning: 10.15 – 11.00: (tittel kommer 21. Mai)

Klokkeslett forsvar av avhandling : 13.15 – 16-15: " Predicting Anterior Cruciate Ligament Reconstruction Outcome - Machine Learning Analysis of National Knee Ligament Registries"

Språk: Engelsk

KOMITÈ;

Leder: Professor Jorunn Sundgot-Borgen, PhD FACSM, Institutt for Idrettsmedisinske fag, Norges Idrettshøgskole

Førestopponent: Professor Kristoffer Barfod MD PhD, Consultant, University of Copenhagen, Section for Sports Traumatology, Bispebjerg Hospital, Danmark

Andreopponent: Jacobien Oosterhoff MD PhD, Researcher, Department of Orthopaedic Surgery, University Medical Centre Groningen, Nederland

Veiledere:

Hovedveileder: 

Professor Gilbert Moatshe MD PhD, Ortopedisk avdeling, Oslo Universitetssykehus, Norge

Biveildere: 

Professor Roald Bahr MD PhD, Institutt for Idrettsmedisinske fag, Norges Idrettshøgskole, Norge

Professor emeritus Lars Engebretsen MD PhD, Ortopedisk avdeling, Oslo Universitetssykehus, Norge

Bakgrunn for prosjektet (korte trekk):

Når pasienter ryker korsbåndet, et viktig stabiliserende leddbånd i kneet, anbefales vanligvis operasjon for å gjenopprette stabiliteten og komme tilbake til en aktiv livsstil. I dette scenariet er pasientene ofte nysgjerrige på hvordan det vil gå etter operasjonen, og stiller spørsmål som «hva er sjansene for å lykkes eller mislykkes med operasjonen?». Når legene skal svare på disse spørsmålene, generaliserer de ofte og gjør estimater basert på sin erfaring og kunnskap om tidligere forskningsstudier. Men når det gjelder korsbåndsrekonstruksjon, finnes det ikke én størrelse som passer alle, og pasienter kan ha svært ulike risikoprofiler med hensyn til utfall.

Denne avhandlingen forsøkte å overkomme denne begrensningen ved å bruke maskinlæring - en undergruppe av kunstig intelligens - til å utvikle risikokalkulatorer som kan estimere risikoen for visse utfall etter korsbåndsrekonstruksjon på et pasientspesifikt nivå. Det primære utfallet av interesse var sannsynligheten for at en pasient måtte gjennomgå en revisjonsoperasjon (en ny operasjon for en mislykket rekonstruksjon) innen fem år. De norske og danske nasjonale kneledds registrene, som samler inn data om alle korsbåndsrekonstruksjoner som utføres i de respektive landene, ble brukt som informasjonskilde for å trene opp maskinlæringsalgoritmene.

Denne avhandlingen besto av seks studier som utviklet og testet validiteten til flere prediksjonsmodeller og førte til utviklingen av de første maskinlæringsbaserte nettbaserte kalkulatorene som klinikere kunne bruke på kontoret for å estimere utfall for pasientene sine. Nøyaktigheten til disse modellene var generelt moderat - bedre enn tilfeldigheter, men også med rom for forbedringer. Samlet sett viser disse studiene potensialet som ligger i nye AI-baserte verktøy for prediksjon av kliniske resultater, samtidig som de også belyser de tilhørende utfordringene og begrensningene.