Radiomics for prediction of knee arthroplasty failure from x-ray imaging

Early identification of failure mechanisms in Total Knee Arthroplasty (TKA)—such as aseptic loosening, infection, pain, and instability—is crucial for timely planning of revision surgeries. These revision procedures are associated with higher risks, including increased complication rates, a higher incidence of infections, and prolonged hospital stays. Consequently, developing accurate and automated predictive tools for TKA failure is essential to improve patient outcomes and facilitate full recovery. In this study, we explored the potential of radiomic features extracted from X-ray images to predict TKA failure, aiming to enhance the decision-making process for timely revision surgery. Two cohorts of patients who underwent primary Total Knee Arthroplasty (TKA) were included in this study for model development, external validation, and evaluation on earlier X-rays. The first cohort consisted of 119 patients, while the second one included 301 patients. Patients were categorized into two classes: failed and non-failed. Both cohorts consisted of patients with at least one available anteroposterior or lateral radiographic view obtained during routine follow-ups. Radiomic features were extracted from the original and wavelet-transformed X-ray images. Four Machine Learning (ML) models, combined with four distinct feature selection techniques, were developed and evaluated based on the F1-score metric. The optimal model was a Logistic Regression (LR) trained with 12 features selected through the LASSO feature selection method. After the training procedures, in the internal test set, the balanced accuracy was 0.704±0.06, the precision 0.70±0.058, the recall 0.704±0.06, and the AUC was 0.795±0.065. Additionally, the model provided a balanced accuracy of 0.66, a precision of 0.67, recall of 0.664, and an AUC of 0.743 in the external validation set. However, performances of the model dropped when evaluating it on earlier X-ray images. Overall, we demonstrated the potential of radiomic features for the prediction of TKA failure at the time of the last available follow-up, while struggling with earlier ones.

L’identificazione precoce dei meccanismi di fallimento nell'Artroplastica Totale del Ginocchio—come distacco asettico, infezione, dolore e instabilità—è cruciale per pianificare interventi di revisione tempestivi, riducendo i rischi, le complicazioni e i periodi di ricovero. Lo sviluppo di strumenti predittivi automatizzati per il fallimento della TKA è fondamentale per migliorare gli esiti clinici e ottimizzare il recupero. In questo studio, abbiamo esplorato il potenziale delle caratteristiche radiomiche estratte da immagini radiografiche per prevedere il fallimento della TKA, con l’obiettivo di migliorare il processo decisionale e il timing della revisione chirurgica. Sono stati inclusi due gruppi di pazienti sottoposti a TKA primaria, utilizzati per lo sviluppo e la validazione esterna del modello, nonché per l’analisi delle radiografie raccolte durante i follow-up di routine. Il primo gruppo era composto da 119 pazienti, mentre il secondo includeva 301 pazienti. I pazienti sono stati suddivisi in due categorie: falliti e non falliti. In entrambi i gruppi i pazienti avevano almeno una radiografia anteroposteriore o laterale. Le caratteristiche radiomiche sono state estratte dalle radiografie originali e wavelet-trasformate. Quattro modelli di ML, combinati con tecniche di selezione delle caratteristiche, sono stati sviluppati e valutati in base alla metrica F1-score. Il modello ottimale è risultato essere una regressione logistica, addestrata con 12 caratteristiche selezionate tramite il metodo LASSO. Nel set di test interno, il modello ha raggiunto un’accuratezza bilanciata di 0.704±0.06, una precisione di 0.70±0.058, un recall di 0.704±0.06 e un AUC di 0.795±0.065. Nel set di validazione esterna, ha mostrato un’accuratezza bilanciata di 0.66, una precisione di 0.67, un recall di 0.664 e un AUC di 0.743. Le prestazioni sono risultate inferiori per radiografie acquisite in fasi più precoci. In sintesi, questo studio evidenzia il potenziale delle caratteristiche radiomiche nell’identificazione del fallimento della TKA al momento dell’ultimo follow-up disponibile, sebbene con difficoltà nella gestione delle radiografie più precoci.