
Paru dans le numéro
N°305 - Juin / Juillet 2021
Article consulté 1173 fois
L’utilisation du Machine Learning peut-elle aider à la Classification Automatisée des Omarthroses Centrées ?
Par Marc-Olivier Gauci(a), Manuel Urvoy(b), Alexandre Guerre(b), Pascal Boileau(a), Joachim Sanchez-Sotelo(c), George S. Athwal(d), Gilles Walch(e) dans la catégorie ACTUALITÉ
(a) Institut Universitaire Locomoteur et du Sport (IULS), CHU de Nice ; Unité de Recherche Clinique Côte d’Azur (UR2CA), Université Côte d’Azur, France - (b) Société Imascap, Plouzanée, Bretagne, France - (c) Department of Orthopaedic Surgery, Mayo Clinic, Rochester, MN, USA - (d) St Joseph’s Health Care London, London, Ontario, Canada - (e) Centre Orthopédique Santy, Lyon, France
Introduction
La classification de la glène dans les omarthroses primaires centrées permet de guider la prise en charge et en particulier le choix des implants prothétiques les plus adaptés (prothèse humérale simple, prothèse totale anatomique ou inversée). La classification de Walch-modifiée identifie 4 types de glènes en fonction de leur morphologie : A (usure centrée), B (usure postérieure), C (glène dysplasique) et D (usure antérieure)[1] (figure 1).

Malgré son influence majeure, la concordance inter- et intra-observateur est régulièrement remise en question. C’est ce qui a motivé les modifications récentes apportées à la classification de Walch originale de 1999[9] dans laquelle plusieurs types pouvaient être confondus (A2 et B3 par exemple) dû au fait que le référentiel glénoïdien était moins discriminant que le référentiel scapulaire dans l’analyse de la subluxation humérale postérieure (figure 2).

Dans la mesure où aucun « gold standard » (permettant une certitude parfaite) n’existe pour classer ces types pathologiques, nous avons d’abord décrit l’anatomie normale tridimensionnelle de l’épaule[4] puis tenté de déterminer...
Contenu réservé aux abonnés