Künstliche Intelligenz kann dabei helfen, vorherzusagen, wie gut Patienten mit Hüftarthrose nach einer Operation wieder laufen können. Forscher des Karlsruher Instituts für Technologie (KIT) haben ein KI-Modell zur Analyse von Bewegungsmustern entwickelt. Diese gangbiomechanische Analyse ermöglicht auch die Anpassung von Rehabilitationsprogrammen an die persönlichen Bedürfnisse des Patienten. Die Forscher halten es für möglich, dass dieser für das Hüftgelenk entwickelte Ansatz in Zukunft auf andere Gelenke ausgeweitet werden könnte. Ihre Ergebnisse präsentieren sie in der Fachzeitschrift Arthritis Research & Therapy. (DOI: 10.1186/s13075-025-03709-2)
Im Jahr 2024 erhielten in Deutschland etwa 200.000 Menschen künstliche Hüftgelenke, was diesen Eingriff zu einem der häufigsten orthopädischen Eingriffe in deutschen Krankenhäusern macht. In den meisten Fällen werden solche Operationen zur Behandlung von Hüftarthrose durchgeführt, die durch Abnutzung der Knorpeloberflächen des Hüftkopfes (Oberschenkelknochens) und der Hüftpfanne entsteht. Im Hinblick auf Beweglichkeit und Schmerzfreiheit reagieren Patienten unterschiedlich auf einen Hüfttotalendoprothesenersatz.
Diese Unterschiede zu verstehen ist das Ziel eines gemeinsamen Projekts der Klinik für Unfallchirurgie und Orthopädie der Universitätsmedizin Frankfurt und des Instituts für Sport und Sportwissenschaft (IfSS) des KIT; Das Projekt (Verbesserung der chirurgischen Behandlungsergebnisse bei Hüftarthrose basierend auf biomechanischen und BIomarker-Entdeckungen (HOBBID)) wird von der Deutschen Forschungsgemeinschaft gefördert.
Die Forscher des KIT verwendeten Daten zur Gangbiomechanik, die vor und nach Operationen an Patienten mit Hüftarthrose gewonnen wurden, um ein KI-Modell zur Analyse der Bewegungsmuster der Patienten zu entwickeln. Die Daten wurden von der Universitätsmedizin Frankfurt erhoben und verarbeitet und dem KIT zur KI-basierten Analyse zur Verfügung gestellt.
Hochkomplexe biomechanische Daten in Anwendungen nutzbar machen
„Die biomechanischen Daten, die Bewegungen in biologischen Systemen mit Methoden aus Mechanik, Anatomie und Physiologie beschreiben, sind äußerst komplex“, sagte Dr. Bernd J. Stetter, der am IfSS eine Forschungsgruppe für muskuloskelettale Gesundheit und Technologie leitet und korrespondierender Autor der Studie ist. „Mit unserem KI-Modell machen wir die Daten für Anwendungen verfügbar. Das ist ein Schritt in Richtung einer personalisierten Behandlung.“
Laut Stetter ist das Modell für den Einsatz künstlicher Hüftgelenke trainiert und fokussiert, könnte aber in Zukunft auch bei anderen Gelenken und Erkrankungen zum Einsatz kommen. Ein solches KI-Modell könnte Ärzten bei ihrer Entscheidungsfindung helfen, den Patienten realistische Erwartungen vermitteln und eine personalisierte postoperative Rehabilitation ermöglichen.
Verschiedene Gangveränderungsmuster identifiziert
Für die Studie analysierten die Forscher die Gangbiomechanik von 109 Patienten mit einseitiger Hüftarthrose vor dem vollständigen Hüftersatz; 63 dieser Patienten wurden nach der Operation erneut untersucht, während 56 gesunde Personen als Kontrollgruppe dienten. Für alle Teilnehmer wurden dreidimensionale Gelenkwinkel- und Gelenkbelastungsdaten aus der Modellierung des Bewegungsapparates gewonnen. Die KI-basierte Analyse ergab, dass Personen mit Hüftarthrose drei Gruppen mit unterschiedlichen Gangwechselmustern zugeordnet werden konnten. Bestimmte biomechanische Gangparameter wie Hüftwinkel und Belastungen erwiesen sich als besonders nützlich bei der Bestimmung der Gruppenzugehörigkeit einer Person. Die drei Gruppen unterschieden sich auch in Alter, Größe, Gewicht, Gehgeschwindigkeit und der Schwere ihrer Arthrose.
Die drei Gruppen reagierten unterschiedlich auf die Operation. Bei einigen Patienten war die Verbesserung der Gangbiomechanik durch das künstliche Hüftgelenk signifikant; bei anderen war es weniger der Fall. Mit anderen Worten: Einige Personen konnten danach fast normal gehen, während andere weiterhin deutliche Abweichungen von der Kontrollgruppe zeigten.
Unser Modell ermöglicht es, vorherzusagen, wer von einer Operation besonders profitiert und wer danach eine zusätzliche Intensivtherapie benötigt. Da die Algorithmen erklärbar und transparent sind, erwarten wir eine hohe klinische Akzeptanz des Modells.“
Dr. Bernd J. Stetter, korrespondierender Autor der Studie
Quellen:
Stetter, B.J., et al. (2025) Explainable machine learning for orthopedic decision-making: predicting functional outcomes of total hip replacement from gait biomechanics. Arthritis Research & Therapy. DOI: 10.1186/s13075-025-03709-2. https://link.springer.com/article/10.1186/s13075-025-03709-2#citeas