Özet
Bu makale, ameliyat öncesi veriler kullanılarak total omuz protezi için tamamen otomatik ve hastaya özgü sonlu eleman analizine yönelik bir iş akışı sunmaktadır. BT taramalarından skapula kemiği yüzeyini elde etmek ve rotator manşet kaslarının dejenerasyonunu değerlendirmek amacıyla derin öğrenme tabanlı bir segmentasyon modeli uygulanmıştır. Ameliyat öncesi planlama dosyası, omuz protezinin konumlandırılması ve kemiğin buna göre hazırlanması için kullanılmıştır. Yükleme koşulları, derin öğrenme tabanlı bir kas-iskelet modeli kullanılarak belirlenmiştir. Sonlu eleman giriş dosyası oluşturulmuş, analiz gerçekleştirilmiş ve son işleme uygulanmıştır. Algoritma Python ile geliştirilmiş olup ücretsiz olarak kullanılabilir. İş akışı, anatomik protez kullanan beş hasta ve ters protez kullanan beş hastadan elde edilen verilerle gösterilmiştir. Bu tamamen otomatik çerçeve, analizlerin geniş hasta kohortlarında tekrarlanmasına ve alternatif cerrahi müdahalelerin değerlendirilmesine olanak tanıyarak daha ileri istatistiksel analizleri mümkün kılmaktadır.
1 Giriş
Total omuz protezi (TSA), artrit ve manşet yırtığı artropatisi de dahil olmak üzere ileri evre omuz hastalıkları olan hastalar için önemli bir cerrahidir (Goetti ve diğerleri, 2021; Twomey-Kozak ve diğerleri, 2023). İki ana yaklaşım kullanılmaktadır: anatomik (ATSA) ve ters (RTSA). ATSA glenohumeral anatomiyi yeniden oluştururken, RTSA eklem yüzeylerinin eğriliğini tersine çevirir; burada metal yarım küre humerus tarafında değil, glenoid tarafında yer alır. Başlangıçta rotator manşet yırtığı olan hastalar için endike olan RTSA, giderek daha geniş bir endikasyon yelpazesi için kullanılmaktadır. TSA ağrıyı azaltır, hareketliliği geri kazandırır ve yaşam kalitesini artırır. Kullanımı dünya çapında artmaktadır (Lübbeke ve diğerleri, 2017; Best ve diğerleri, 2021). Kısa vadeli sonuçlar mükemmel olsa da, uzun vadeli implant sağkalımı devam eden bir endişedir; aseptik glenoid gevşemesi ve instabilite de dahil olmak üzere komplikasyon oranları ATSA için %10.7, RTSA için ise %8.9’dur (Goldenberg ve diğerleri, 2020; Parada ve diğerleri, 2021).
ATSA ve RTSA’nın çeşitli yönlerini incelemek için birçok sonlu eleman (SE) modeli kullanılmıştır. ATSA’da SE yöntemi, glenoid gevşemesini anlamak için glenohumeral stabiliteyi analiz etmiştir (Terrier ve diğerleri, 2018; Sabesan ve diğerleri, 2019; Bola ve diğerleri, 2022; Yongpravat ve diğerleri, 2013); bu analizler 2D/3D modeller, kemik özellikleri ve kemik-implant arayüzü gibi faktörlerde farklılık göstermektedir. RTSA’da ise SE yöntemi aşınmayı (Terrier ve diğerleri, 2009; Ribeiro ve diğerleri, 2011), bileşen konumlandırmasını (Nalbone ve diğerleri, 2014; Permeswaran ve diğerleri, 2017; Zhang ve diğerleri, 2019), stabiliteyi (Chae ve diğerleri, 2016) ve fiksasyonu (Bonnevialle ve diğerleri, 2020) değerlendirmiştir.
Temel zorluk, hastaya özgü anatomiyi ve cerrahi planlamayı SE analizine entegre etmektir; bu, cerrahi tekniklerin optimize edilmesine, risk faktörlerinin belirlenmesine ve sonuçların iyileştirilmesine yardımcı olabilir (Huang ve diğerleri, 2021). Ayrıca, bu hastaya özgü SE modellemesini otomatikleştirmek de büyük önem ve zorluk taşıyan bir başka meydan okumadır. Otomatik hastaya özgü SE, büyük klinik veri setleri üzerinde simülasyonları mümkün kılarak implant başarısını etkileyen faktörlere dair içgörüler sağlar (Isvilanonda ve diğerleri, 2024; Nikkhoo ve diğerleri, 2020). Bunun yanı sıra otomasyon, manuel ve hataya açık görevleri ortadan kaldırır ve model oluşturma sürecini hızlandırır (Baldwin ve diğerleri, 2010). Son olarak, otomatik SE modelleri ameliyat öncesi değerlendirmeleri destekleyerek cerrahların sonuçları tahmin etmesine ve komplikasyon risklerini azaltmasına yardımcı olur. Şu anda böyle bir otomatik sistem mevcut değildir.
Bu nedenle, amacımız rutin olarak elde edilebilen ameliyat öncesi verilerden ATSA ve RTSA için hastaya özgü SE modelleri oluşturmak üzere tamamen otomatik bir çerçeve geliştirmek ve bunu küçük bir hasta kohortunda ilk konsept kanıtı olarak teknik olarak test etmekti.
3 Sonuçlar
Bu çalışma esas olarak iş akışının kendisini sunduğu için, sonuçların klinik yönlerinden ziyade metodolojik yönlerine odaklanıyoruz.
Sonlu eleman ağ yakınsaklık analizi, incelenen nicelikte %1’in altında değişimler ile sonuçlandı. Optimal bir ağ boyutunu belirlemek için beş ağ inceltmesi test edildi (ortalama 400.000 eleman ve 2.000.000 serbestlik derecesi, düğüm noktaları arasında 0.35 mm mesafe); bu boyut, hesaplama verimliliği ile çözüm doğruluğu arasında bir denge kurmaktadır (Ek Materyaldeki Ek Şekil S1). ±±%10 belirsizlik nicelleştirmesi de test edilen iki parametrenin kararlı bir davranış sergilediğini gösterdi. Her ikisi için de test edilen ±±%10’luk belirsizlik, referans değerin %10’unu aşmayan kararlı bir etkiyle sonuçlandı (Ek Materyaldeki Ek Şekiller S2 ve S3).
Bireysel farklılıklara rağmen kümülatif hacim dağılımları ATSA ve RTSA arasında karşılaştırılabilir düzeydeydi (Şekil 2). %1’in üzerinde gerinime sahip göreceli kemik hacminin medyanı ve IQR’sı ATSA için %2.8 ve 5.6 yüzde puanı (pp), RTSA için ise %1.9 ve 5.1 pp idi. ATSA’da yüksek kemik gerinimi esas olarak keel etrafında yer alırken, RTSA’da merkezi ve üst vidaların etrafında bulunuyordu (Ek Materyaldeki Ek Şekiller S4 ve S5).
4 Tartışma
Temel Bulgular ve Genel Değerlendirme
Beyanlar
Üretken Yapay Zeka beyanı
Yazar(lar), bu makalenin oluşturulmasında üretken yapay zekanın kullanılmadığını beyan etmiştir.
Bu makaledeki şekillerin yanında sağlanan herhangi bir alternatif metin (alt metin), Frontiers tarafından yapay zeka desteğiyle oluşturulmuştur ve yazarlar tarafından mümkün olduğunca incelenmek de dahil olmak üzere doğruluğu sağlamak için makul çabalar gösterilmiştir. Herhangi bir sorun tespit ederseniz lütfen bizimle iletişime geçin.
Yayıncının notu
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kuruluşların, yayıncının, editörlerin ve hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya onaylanmaz.
Özet
Anahtar Kelimeler
sonlu eleman modellemesi, kas-iskelet modellemesi, hastaya özgü modelleme, cerrahi planlama, total omuz protezi
Atıf
Eghbali P, Goetti P, Lante E, Becce F, Satir OB, Pistorius L, Büchler P, Pioletti DP ve Terrier A (2026) Total omuz protezinde hastaya özgü sonlu eleman modellerinin otomatik oluşturulması için bir iş akışı. Front. Bioeng. Biotechnol. 14:1986849. doi: 10.3389/fbioe.2026.1986849
Alındı
02 Eylül 2026
Revize edildi
15 Ekim 2026
Kabul edildi
26 Ekim 2026
Yayınlandı
17 Kasım 2026
14 – 2026
Shubham Gupta, Queen Mary University of London, Birleşik Krallık
Varatharajan Prasannavenkadesan, Queen Mary University of London, Birleşik Krallık
Debabrata Auddya, University of Oxford, Birleşik Krallık
© 2026 Eghbali, Goetti, Lante, Becce, Satir, Pistorius, Büchler, Pioletti ve Terrier.
Bu, Creative Commons Atıf Lisansı (CC BY) şartları altında dağıtılan açık erişimli bir makaledir. Orijinal yazar(lar) ve telif hakkı sahibi(leri) belirtilip bu dergideki orijinal yayın kabul edilen akademik uygulamalara uygun olarak atıfta bulunulması koşuluyla, diğer platformlarda kullanımı, dağıtımı veya çoğaltılması mümkündür. Bu şartlara uymayan hiçbir kullanım, dağıtım veya çoğaltma izni verilmemektedir.
*Yazışma: Alexandre Terrier, alexandre.terrier@epfl.ch
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kuruluşların, yayıncının, editörlerin ve hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya onaylanmaz.

