Optimización asistida por inteligencia artificial de vástago femoral corto personalizado

• Autor: Moscol Albañil, Isabel del Pilar
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad de Piura
• Repositorio: UDEP-Institucional
• Lenguaje: español
• OAI Identifier: oai:pirhua.udep.edu.pe:11042/5834
• Enlace del recurso: https://hdl.handle.net/11042/5834
• Nivel de acceso: acceso abierto
• Materia: Inteligencia artificial en medicina -- Aplicación -- Prótesis; Cadera -- Prótesis -- Diseño; 610.28; https://purl.org/pe-repo/ocde/ford#2.02.03

La tesis tiene como objetivo evaluar la capacidad de los algoritmos de inteligencia artificial en la personalización y optimización del vástago femoral. Se inicia con la adquisición de modelos virtuales de fémur a partir de las TC de dos pacientes de anatomía diferente. Se implementó la misma metodología para diseñar un primer modelo de vástago corto para cada paciente, denominado límite máximo. A partir de ese modelo se elaboraron otros, cuyos parámetros y la respuesta mecánica del fémur en locaciones anatómicas, definidas con algoritmos de clustering, sirvieron para elaborar sus respectivos datasets. Esto permitió comparar diferentes técnicas de regresión en la estimación del apantallamiento de las deformaciones equivalentes. Dichos modelos de machine learning utilizaron factores adimensionales como entradas, por lo que posteriormente fue viable utilizar un mismo algoritmo de optimización para adquirir los parámetros que mejor se adapten a las propiedades físicas y mecánicas del fémur de cada paciente. Las métricas del error para cuantificar el sesgo y la varianza se utilizaron para seleccionar la técnica más adecuada ante el comportamiento de los datos. Se seleccionó random forest, cuyos modelos tuvieron error cuadrático medio entre 0.00004 y 0.00093 para los casos individuales y entre 0.00019 y 0.00128 para los modelos entrenados con la información combinada de ambos pacientes. Aunque sus resultados fueron próximos a los de stacking, random forest consume menos recursos computacionales y fue más robusto ante el entrenamiento con información de dos pacientes en simultáneo. Se concluye que la optimización por algoritmos genéticos logró reducir hasta el 40.13% y 96.44% el apantallamiento de las deformaciones equivalentes respecto al caso de referencia para el primer y segundo paciente. La reducción varió acorde a la locación anatómica del fémur, sin embargo, para ambos el algoritmo genético otorgó parámetros de vástago que, en su interacción con el fémur, consiguieron ubicar dentro de la zona de equilibrio de formación ósea a todas las zonas delimitadas del fémur, asegurando la estabilidad a largo plazo del implante optimizado.