Identification of Distal Radius Fractures and Evaluation of Conservative Treatment Criteria With the Support of Deep Learning Models.

Abstract

Giriş ve Amaç: Günümüzde yapay zekâ (YZ) ve derin öğrenme teknolojilerinin sağlık alanındaki etkileri giderek artmaktadır. Özellikle ortopedi ve travmatoloji gibi klinik branşlarda, bu teknolojilerin tanı ve tedavi süreçlerini kolaylaştırma potansiyeli dikkat çekmektedir. Distal radius kırıkları, el bileği bölgesinde sık karşılaşılan travmatik yaralanmalar arasında yer almakta olup, doğru tanı ve uygun tedavi yöntemlerinin belirlenmesi büyük önem taşımaktadır. Bu çalışmada, distal radius kırıklarının Frykman sınıflamasına göre gruplandırılması ve kapalı redüksiyon ile alçılama yapılan hastaların radyolojik görüntülerinin konservatif tedavi kriterlerine uygunluğunun derin öğrenme modelleri ile değerlendirilmesi amaçlanmıştır. Yapay zekâ ve derin öğrenme modellerinin, kırık tanısı ve tedavi takibinde klinisyenlere yardımcı olabileceği düşünülmektedir. Çalışma, distal radius kırıklarının tanı ve tedavi süreçlerinde yapay zekâ destekli modellerin potansiyelini ortaya koymayı hedeflemiştir. Materyal ve Metod: Çalışma ortopedi ve travmatoloji polikliniğine başvuran, primer tanısı distal radius kırığı olan ve konservatif tedavi ile takip edilen 328 hastanın 1354 radyolojik görüntüsü üzerinde gerçekleştirilmiştir. Görüntüler Frykman sınıflamasına göre gruplandırılmış ve kırık tipleri ekstra-artiküler (EA), radiokarpal (RC), radio-ulnar (RU) ve her iki ekleme uzanan kırıklar (BJ) olarak sınıflandırılmıştır. Ayrıca, radial inklinasyon, volar eğim, eklem basamaklanması ve dorsal korteks parçalanması gibi konservatif tedavi kriterleri değerlendirilmiştir. Elde ettiğimiz radyografilerin sınıflandırılması ve ölçüm gerektiren parametrelerin değerlendirilmesi 3 ortopedi uzmanı tarafından yapılmıştır. Görüntüler, Roboflow platformu kullanılarak işaretlenmiş ve derin öğrenme modelleri ile analiz edilmiştir. Model performansını değerlendirmek amacıyla doğruluk, duyarlılık ve ortalama doğruluk değeri (mAP50) gibi istatistiksel ölçütler kullanılmıştır. Bulgular: Çalışmada, derin öğrenme modellerinin kırık sınıflandırma ve konservatif tedavi kriterlerini değerlendirme performansı incelenmiştir. Frykman sınıflamasına göre yapılan gruplandırmada, ekstra-artiküler kırıklar %70 oranında doğru tespit edilmiştir. Ancak, radio-karpal ve radio-ulnar kırıklar gibi daha az örneklem içeren gruplarda başarı oranı %30 seviyesinde kalmıştır. Eklem basamaklanmasının değerlendirilmesinde model %75 doğruluk oranı ile başarılı sonuçlar vermiştir. Radial inklinasyon ve volar eğim ölçümlerinde ise modelin doğruluk oranı sırasıyla %92 ve %72 olarak bulunmuştur. Sonuç: Derin öğrenme modelleri, distal radius kırıklarının tanı ve tedavi süreçlerinde klinisyenlere yardımcı olabilecek potansiyele sahiptir. Özellikle kırık sınıflandırması ve konservatif tedavi kriterlerinin değerlendirilmesinde umut verici sonuçlar elde edilmiştir. Ancak, daha büyük veri setleri ve farklı modellemelerle yapılacak çalışmalar, bu teknolojinin klinik kullanıma entegrasyonunu daha da geliştirebilir. Çalışma, yapay zekâ destekli modellerin ortopedi ve travmatoloji alanında kullanımına yönelik literatüre katkı sağlamaktadır.Introduction and Objective: The impact of artificial intelligence (AI) and deep learning technologies in healthcare is increasing. These technologies have significant potential to facilitate diagnostic and therapeutic processes, particularly in clinical fields such as orthopedics and traumatology. Distal radius fractures are among the most common traumatic injuries in the wrist area, and determining an accurate diagnosis and appropriate treatment methods is crucial. This study aims to evaluate the radiological images of patients who underwent closed reduction and casting for distal radius fractures, according to the Frykman classification, using deep learning models, to assess their compliance with conservative treatment criteria. It is thought that AI and deep learning models can assist clinicians in diagnosing fractures and monitoring treatment. The study aims to reveal the potential of AI-assisted models in the diagnostic and therapeutic processes of distal radius fractures. Materials and Methods: The study was conducted on 328 patients with a primary diagnosis of distal radius fracture, who were followed up with conservative treatment in the orthopedics and traumatology clinic. A total of 1354 radiological images were analyzed. The images were categorized according to the Frykman classification, and the fracture types were classified as extra-articular (EA), radiocarpal (RC), radio-ulnar (RU), and fractures involving both joints (BJ). Furthermore, conservative treatment criteria such as radial inclination, volar tilt, joint step-off, and dorsal cortex fragmentation were evaluated. The classification of the radiographs and the assessment of the parameters requiring measurement were performed by three orthopedic specialists. The images were labeled using the Roboflow platform and analyzed with deep learning models. Statistical measures such as accuracy, sensitivity, and mean average precision (mAP50) were used to assess model performance. Results: The performance of the deep learning models in classifying fractures and evaluating conservative treatment criteria was investigated. In the classification based on the Frykman system, extra-articular fractures were correctly identified with an accuracy of 70%. However, in groups with fewer samples, such as radiocarpal and radio-ulnar fractures, the accuracy rate remained at around 30%. In evaluating joint step-off, the model achieved a success rate of 75%. The accuracy rates for measuring radial inclination and volar tilt were found to be 92% and 72%, respectively. Conclusion: Deep learning models have the potential to assist clinicians in the diagnosis and treatment processes of distal radius fractures. Promising results were obtained, particularly in fracture classification and the evaluation of conservative treatment criteria. However, further studies with larger datasets and different modeling approaches could enhance the clinical integration of this technology. This study contributes to the literature on the use of AI-assisted models in the field of orthopedics and traumatology.