JP7732166B2 - 整形外科処置中の整形外科用具の嵌入状態を監視及び予測するための技術 - Google Patents

Description

本開示は、広義には整形外科ツール及びシステムに関し、より具体的には、関連する整形外科処置中に整形外科用具の嵌入状態を監視及び予測するための技術に関する。

関節形成術は、病変及び／又は損傷した生体関節を、１つ以上の整形外科用インプラントを含み得る人工関節に置換する周知の外科処置である。例えば、股関節形成外科処置では、患者の自然の股関節の臼状関節を部分的又は全体的に人工股関節で置換する。典型的な人工股関節は、寛骨臼カップコンポーネント及び大腿骨頭コンポーネントを含んでいる。寛骨臼カップコンポーネントは、概して、患者の寛骨臼に係合するように構成された外殻と、この殻に結合され、大腿骨頭と係合するように構成された内側ベアリング又はライナーと、を含んでいる。大腿骨頭コンポーネントと、寛骨臼コンポーネントの内側ライナーとは、天然の股関節に近い臼状関節を形成する。同様に、膝関節形成外科処置において、患者の天然の膝関節は、人工膝関節によって部分的に又は完全に置き換えられる。

生体関節を人工関節に置換することを容易にするため、整形外科医は、例えば、リーマー、ブローチ、ドリルガイド、ドリル、ポジショナー、挿入ツール、及び／又は他の外科用器具などの様々な整形外科用器具を使用することができる。例えば、外科医は、ブローチが患者の周囲の骨解剖学的構造内に十分に嵌入されるか又は着座するまで、大腿骨ブローチを患者の外科的に準備された大腿骨に嵌入させることによって、大腿骨コンポーネントを受容するように患者の大腿骨を準備することができる。

患者の関節を置換するために使用され得る１つのタイプの整形外科用インプラントは、セメントレス整形外科用インプラントとして知られている。セメントレスインプラントは、患者の対応する骨にインプラントを嵌入させることによって、患者の骨解剖学的構造に植込まれる。例えば、セメントレスの寛骨臼プロテーゼは、典型的には、患者の寛骨臼に植込まれるように構成された寛骨臼カップ外殻を含む。こうするために、整形外科医は、外殻が患者の周囲の骨解剖学的構造内に十分に着座するまで、外殻を患者の寛骨臼に嵌入させる。同様に、膝関節形成外科処置などの他の関節形成外科処置において、整形外科医は、対応する整形外科用インプラントを適切に着座させるよう努力する。

典型的には、整形外科医は、外科処置中に経験並びに触覚及び聴覚フィードバックに依存して、外科用器具及び／又は整形外科用インプラントが患者の骨解剖学的構造内に十分に嵌入されているか又は着座しているかを判定する。例えば、外科医が外科ツールを整形外科用マレットで打ちつけてインプラント又は器具を患者の骨解剖学的構造に嵌入させる間、外科医はインパクタ又はインサータツールを通して感じる触感に依存し得る。しかしながら、こうした環境フィードバックのみに依存すると、その結果、患者の骨内で整形外科用器具又はインプラントの嵌入が不十分又は過剰となる場合がある。過剰な嵌入は、患者の対応する骨の骨折をもたらす場合があり、一方で、不十分な嵌入は、整形外科用インプラントの早期のゆるみをもたらす場合がある。

一態様では、整形外科処置中の嵌入状態を予測するためのシステムは、患者の骨に対する整形外科用具の嵌入状態を示すセンサデータを生成するための１つ以上の嵌入センサと、整形外科処置中に嵌入センサからセンサデータを収集するための嵌入データコレクタと、センサデータに基づいて機械学習モデルで嵌入状態の予測を生成するための嵌入アナライザであって、嵌入状態の予測は、非着座状態、着座状態、又は骨折状態を含む、嵌入アナライザと、嵌入状態の予測を出力するための嵌入状態ユーザーインターフェースと、を含む。一実施形態では、整形外科用具は、大腿骨ブローチ又は人工コンポーネントを含む。

一実施形態では、システムは、外科用器具嵌入ハンドルを更に含む。１つ以上の嵌入センサは、嵌入ハンドルに結合された振動センサと、嵌入ハンドルに結合された慣性測定装置と、外部マイクロフォンと、を含む。

一実施形態では、センサデータに基づいて機械学習モデルで嵌入状態の予測を生成することは、センサデータを前処理して処理されたセンサデータを生成することと、処理されたセンサデータを機械学習モデルに入力することと、を含む。一実施形態では、センサデータを前処理することは、センサデータを周波数ドメインに変換して周波数ドメインセンサデータを生成することと、周波数ドメインセンサデータの次元数を低減して処理されたセンサデータを生成することと、を含む。

一実施形態では、センサデータに基づいて機械学習モデルで嵌入状態の予測を生成することは、センサデータをリカレントニューラルネットワークに入力して異常予測データを生成することと、異常予測データを分類器に入力して嵌入状態の予測を生成することと、を含む。一実施形態では、リカレントニューラルネットワークは、長・短期記憶ネットワークを含み、分類器はランダムフォレスト予測モデルを含む。

一実施形態では、システムは、１つ以上の嵌入センサ、嵌入データコレクタ、嵌入アナライザ、及び嵌入状態ユーザーインターフェースを含むコンピューティングデバイスを更に含む。１つ以上の嵌入センサは、コンピューティングデバイスのマイクロフォンを含み、嵌入状態ユーザーインターフェースは、コンピューティングデバイスの表示画面を含む。

別の態様によれば、１つ以上の非一時的機械可読媒体は、実行に応答して、１つ以上のプロセッサに、整形外科処置中に嵌入センサからセンサデータを収集することであって、センサデータが、患者の骨に対する整形外科用具の嵌入状態を示す、収集することと、センサデータに基づいて機械学習モデルで嵌入状態の予測を生成することであって、嵌入状態の予測は、非着座状態、着座状態、又は骨折状態を含む、生成することと、嵌入状態の予測を出力することと、を実施させる、複数の指示を含む。

一実施形態では、嵌入センサからセンサデータを収集することは、外科用器具に結合された振動センサから振動データを収集することと、外科用器具に結合された慣性測定装置から運動データを収集することと、外部マイクロフォンから音声データを収集することと、を含む。

一実施形態では、センサデータに基づいて機械学習モデルで嵌入状態の予測を生成することは、センサデータを前処理して処理されたセンサデータを生成することと、処理されたセンサデータを機械学習モデルに入力することと、を含む。

一実施形態では、センサデータに基づいて機械学習モデルで嵌入状態の予測を生成することは、センサデータをリカレントニューラルネットワークに入力して異常予測データを生成することと、異常予測データを分類器に入力して嵌入状態の予測を生成することと、を含む。一実施形態では、リカレントニューラルネットワークは、長・短期記憶ネットワークを含み、分類器はランダムフォレスト予測モデルを含む。

別の態様によれば、１つ以上の非一時的機械可読媒体は、実行に応答して、１つ以上のプロセッサに、嵌入センサからセンサデータを収集することであって、センサデータが、骨又は骨類似体に対する整形外科用具の嵌入状態を示す、収集することと、ラベル付けされたセンサデータを生成するために、センサデータを嵌入状態ラベルでラベル付けすることであって、嵌入状態ラベルが、非着座状態、着座状態、又は骨折状態を含む、ラベル付けすることと、ラベル付けされたセンサデータに基づいて機械学習モデルを訓練して、入力センサデータのための嵌入状態を予測させることと、を実施させる、複数の指示を含む。

一実施形態では、ラベル付けされたセンサデータに基づいて機械学習モデルを訓練することは、ラベル付けされたセンサデータを前処理して処理されたセンサデータを生成することと、処理されたセンサデータに基づいて機械学習モデルを訓練することと、を含む。一実施形態では、ラベル付けされたセンサデータを前処理することは、ラベル付けされたセンサデータを周波数ドメインに変換して周波数ドメインセンサデータを生成することと、周波数ドメインセンサデータの次元数を低減して処理されたセンサデータを生成することと、を含む。一実施形態では、周波数ドメインセンサデータの次元数を低減することは、周波数ドメインセンサデータの主成分分析を実施することを含む。

一実施形態では、ラベル付けされたセンサデータに基づいて機械学習モデルを訓練して、入力センサデータのための嵌入状態を予測させることは、ラベル付けされたセンサデータでリカレントニューラルネットワークを訓練して、ラベル付けされたセンサデータの異常を識別することと、ラベル付けされたセンサデータ中の異常で分類器を訓練して、嵌入状態を予測させることと、を含む。一実施形態では、リカレントニューラルネットワークは、長・短期記憶ネットワークを含む。一実施形態では、分類器はランダムフォレスト予測モデルを含む。

本明細書に記載される概念は、添付図面において、限定としてではなく、実例として例示される。説明を簡略化及び明確化するため、図に例示される要素は必ずしも縮尺どおりに描かれていない。適切と考えられる場合には、対応する要素又は類似の要素を示すために各図間で参照符合が繰り返されている。詳細な説明は、具体的には、以下の図面を参照する。
整形外科処置中に使用中の整形外科用具の嵌入状態を監視及び予測するためのシステムの概略図である。 図１のシステムによって確立され得る環境の簡略ブロック図である。 図１～図２のシステムの嵌入アナライザの機械学習モデルの簡略ブロック図である。 図１～図３のシステムによって実行され得る機械学習モデルを訓練するための方法の簡略フロー図である。 図１～図３のシステムによって実行され得る、整形外科用具の嵌入状態を監視及び予測するための方法の簡略フロー図である。 図１～図３のシステムのユーザーインターフェースの少なくとも１つの実施形態の概略図である。

本開示の概念には様々な改変及び代替的形態が考えられるが、その特定の実施形態を図面に例として示し、本明細書において詳細に説明する。しかしながら、本開示の概念を、開示される特定の形態に限定することは本開示の意図するところではなく、その逆に、その意図するところは、本開示並びに添付の「特許請求の範囲」に包含されるすべての改変物、均等物、及び代替物を網羅することにある点は理解されるべきである。

解剖学的参照を表す、前方、後方、内側、外側、上位、下位などの用語は、本明細書全体を通じて、本明細書において説明される整形外科用インプラント又はプロテーゼ及び外科用器具に関して、並びに患者の天然の解剖学的構造を参照して使用され得る。このような用語は、解剖学の研究及び整形外科学の分野のいずれにおいても十分に理解された意味を有する。記述されている説明及び「特許請求の範囲」におけるこのような解剖学的参照用語の使用は、特に明記しないかぎり、それらの十分に理解された意味と一貫性を有することが意図される。

本明細書において「一実施形態」、「実施形態」、「例示的実施例」などへの言及は、説明されるその実施形態が、特定の要素、構造、又は特徴を含み得るが、すべての実施形態が、その特定の要素、構造、又は特徴を必ずしも含むわけではないことを示す。更に、そのような語句は、必ずしも同一の実施形態に言及するものではない。更に、特定の要素、構造、又は特徴がある実施形態に関連して説明される場合、このような要素、構造、又は特徴を他の実施形態と関連して実施することは、明示されるか否かによらず、当業者の知識の範囲内であると考えられる。更に、「少なくとも１つのＡ、Ｂ、及びＣ」の形式でリストに含まれる項目は、（Ａ）、（Ｂ）、（Ｃ）、（Ａ及びＢ）、（Ａ及びＣ）、（Ｂ及びＣ）、又は（Ａ、Ｂ、及びＣ）を意味し得る点は理解されよう。同様に、「Ａ、Ｂ、又はＣのうちの少なくとも１つ」の形式で列挙される項目は、（Ａ）、（Ｂ）、（Ｃ）、（Ａ及びＢ）、（Ａ及びＣ）、（Ｂ及びＣ）、又は（Ａ、Ｂ、及びＣ）を意味し得る。

開示される各実施形態は、場合に応じて、ハードウェア、ファームウェア、ソフトウェア、又はこれらの任意の組み合わせとして実施することができる。開示される実施形態はまた、１つ以上のプロセッサによって読み取り及び実行可能な一時的又は非一時的な機械可読（例えば、コンピュータ可読）記憶媒体に保持されるか又は格納された指示として実施することもできる。機械可読記憶媒体は、機械（例えば、揮発性又は不揮発性メモリ、媒体ディスク、又は他の媒体デバイス）によって読み取り可能な形で情報を格納又は送信するための任意の記憶デバイス、機構、又は他の物理的構造として具体化されてもよい。

図面において、一部の構造的又は方法の要素を特定の配置及び／又は順序で示す場合がある。しかしながら、このような特定の配置及び／又は順序は、必要ではない場合もある点は認識されるはずである。むしろ、実施形態によっては、こうした要素は、説明図に示されるものとは異なる形態及び／又は順序で配置されてもよい。付加的に、特定の図に構造的又は方法の要素が含まれている場合、このような要素がすべての実施形態において必要であることを示唆するものではなく、実施形態によっては含まれなくてもよく、又は他の要素と組み合わせることが可能である。

ここで図１を参照すると、外科用器具システム１０は、全股関節形成（ＴＨＡ）処置として例示的に示されている整形外科処置中に使用される。その処置中、整形外科医は、整形外科用マレット３２（又は他のインパクタ）を使用してブローチ１４に取り付けられた器具ハンドル１２を打撃することによって、外科用ブローチ１４を患者の大腿骨１６に嵌入させる。外科医がハンドル１２を打撃すると、取得デバイス１００は、ハンドル１２及び／若しくはマレット３２に取り付けられたセンサ、並びに／又は外部センサを含む動作環境内の複数のセンサからセンサデータを捕捉する。取得デバイス１００は、センサデータを分析デバイス１２０に提供し、分析デバイス１２０は、機械学習モデルを使用して、センサデータに基づいてブローチ１４の嵌入状態の予測を生成する。例示的な実施形態では、嵌入状態は、非着座（すなわち、ブローチ１４が大腿骨１６内に着座していない）、着座（すなわち、ブローチ１４が大腿骨１６内にしっかりと着座している）、又は骨折（すなわち、大腿骨１６が骨折している）のうちの１つとして定義される。ユーザーインターフェース１４０は予測を出力するが、これは、嵌入状態に関するフィードバックを外科医に提供する。したがって、システム１０は、ＴＨＡ外科処置の間に、外科医が、いつブローチ１４がしっかりと着座しているかを判定すること、並びに近位大腿骨骨折を識別及び予防することを支援することができる。

更に、大腿骨ブローチ１４を嵌入することを伴うものとして記載されているが、本開示の概念は、他の整形外科用具及び他の整形外科処置にも適用され得ることを理解されたい。整形外科用具は、ブローチ及びトライアルコンポーネントなどの整形外科用器具、並びに人工装具コンポーネントを含み得る。例えば、本開示の概念は、セメントレス寛骨臼カップ外殻などのセメントレス整形外科用インプラントを嵌入するためにも適用され得る。

図１に示すように、ブローチ１４は、その上に形成された複数の切断歯を有する外面を含む。ブローチ１４は、大腿骨コンポーネント（図示せず）を受容するための患者の大腿骨１６の髄内管を形成するように構成されている。ブローチ１４は、例えば、ステンレス鋼又はコバルトクロムなどの金属材料から形成される。ブローチ１４の近位端は、器具ハンドル１２に取り付けられ得るマウンティングポスト又は他のマウンティングブラケットを含む。

器具ハンドル１２も、例えばステンレス鋼又はコバルトクロムなどの金属材料から形成され、マウンティング先端部から打撃プレートまで延在する細長い本体を含む。マウンティング先端部は、ブローチ１４に取り付けられるように構成されており、いくつかの実施形態では、１つ以上の他の外科用器具及び／又は整形外科用インプラントに取り付けられるようにも構成され得る。器具ハンドル１２は、外科医又は他のユーザーの手を受容して、ユーザーがハンドル１２を操作することを可能にするように構成されたグリップを含む。ハンドル１２の打撃プレートは、整形外科用マレット３２などの打撃ツールと共に使用するのに適した耐久性のある表面を含む。

器具ハンドル１２はまた、いくつかの嵌入センサ１８を含むか、あるいはさもなければこれに結合される。以下で更に説明するように、嵌入センサ１８は、患者の大腿骨１６に対するブローチ１４の嵌入状態を示すセンサデータを生成するように構成されている。例として、嵌入センサ１８は、力感知抵抗器（ＦＳＲ）及び／又はロードセル２０、温度計２２、振動センサ２４、変位センサ２６、慣性測定装置（ＩＭＵ）センサ２８、及び音声センサ３０を含む。

ＦＳＲ２０及び／又はロードセル２０は、整形外科用マレット３２によって器具ハンドル１２の打撃プレートに加えられる力を測定する。ＦＳＲセンサは、印加力又は圧力に基づいて変化する抵抗を有するポリマーシート又はフィルムとして具体化され得る。同様に、ロードセルは、力を測定可能な電気出力に変換するトランスデューサとして具体化され得る。いくつかの実施形態では、ハンドル１２は、ＦＳＲ及び／又はロードセルの一方又は両方を含み得る。

温度計２２は、器具ハンドル１２の温度及び／又は外科手術環境の温度を測定する。温度計２２は、デジタル温度センサ、熱電対、又は他の温度センサとして具体化され得る。

振動センサ２４は、ハンドル１２上の圧力、加速度、及び力の形態で、嵌入中のハンドル１２内の振動を測定する。振動センサ２４は、圧電振動センサ又は他の電子振動センサとして具体化され得る。圧電センサは、圧電効果を使用して、それらの量を電荷に変換することによって、圧力、加速度、ひずみ、又は力の変化を測定する。

変位センサ２６は、大腿骨１６に対するブローチ１４の位置及び／又は位置の変化を測定する。変位センサ２６は、センサ２６によって放射される赤外線レーザが表面を反射して変位センサ２６に戻るまでに必要な時間量を測定することによって距離を感知する、光学飛行時間センサとして具体化され得る。変位センサ２６は、整形外科用マレット３２の各打撃のためにブローチ１４によって患者の大腿骨１６内に移動した距離を測定することができる。

ＩＭＵセンサ２８は、器具ハンドル１２の特定の力／加速度、及び角速度、並びに器具ハンドル１２を取り囲む磁場（全体的な配向を示し得る）を含む器具ハンドル１２に関連する運動データを測定して報告する。ＩＭＵセンサ２８は、運動軸ごとにデジタル加速度計、ジャイロスコープ、及び磁力計として具体化され得るか、又はさもなければこれらを含み得る。例示的なＩＭＵセンサ２８は、９自由度ＩＭＵ（例えば、３つの軸の各々において直線加速度、角加速度、及び磁場を測定することができる）として具体化される。

音声センサ３０は、ブローチ１４の嵌入中に生成された音響信号を測定する。音声センサ３０は、マイクロフォン、デジタル－アナログ変換器、又は他の音響－電気トランスデューサ又はセンサとして具体化され得る。

図１に示すように、整形外科用マレット３２は、ハンドルと、シャフトを介してハンドルに接続されたマレットヘッドと、を含む。典型的なハンマー又はマレットと同様に、整形外科医は、ハンドルによってマレット３２を把持し、マレット３２を揺動して、器具ハンドル１２（又はその他の構造物）によるマレットヘッドの嵌入を生じさせることができる。整形外科用マレット３２は、マレット３２の加速度、角速度、及び磁場を含む運動データを測定する、ＩＭＵセンサ３４を更に含む。図１には１つのＩＭＵセンサ３４のみが示されているが、器具ハンドル１２と同様に、整形外科用マレット３２は、他の実施形態では追加の嵌入センサ１８を含み得ることを理解されたい。こうした実施形態では、複数の嵌入センサ１８は、同様の種類であっても異なる種類であってもよい。

いくつかの実施形態では、整形外科用マレット３２は、手動マレットではなく、自動インパクタ（図示せず）として具体化され得る。例えば、自動インパクタは、ＤｅＰｕｙ Ｓｙｎｔｈｅｓ（Ｗａｒｓａｗ，Ｉｎｄｉａｎａ）から市販されているＫｉｎｃｉｓｅ（商標）外科自動システムのコンポーネントとして具体化され得る。こうした実施形態では、自動インパクタは、ＩＭＵセンサ３４及び／又は他の嵌入センサ１８を含み得る。同様に、いくつかの実施形態では、整形外科用マレット３２は、ハンマー先端部がハンドル１２を打撃するときにハンドル１２に加えられる力を測定する動的インパルスハンマーとして具体化され得る。

システム１０はまた、器具ハンドル１２上又は整形外科用マレット３２上のいずれかに位置しない１つ以上の外部嵌入センサ３６を含み得る。外部嵌入センサ（複数可）３６は、センサ３６が器具ハンドル１２又は整形外科用マレット３２のいずれとも物理的に接触していないとしても、ブローチ１４の嵌入を示すセンサデータを生成可能な任意のタイプのセンサを具体化することができる。例えば、一実施形態では、外部嵌入センサ３６は、器具ハンドル１２と整形外科用マレット３２との間の嵌入を示す音声センサデータを生成可能な音声センサ（例えばマイクロフォン）、器具ハンドル１２と整形外科用マレット３２との間の嵌入を示す画像データを生成可能な画像センサ（例えばカメラ）、及び／又は器具ハンドル１２と整形外科用マレット３２との間の嵌入を示すデータを生成可能なその他のセンサを含む。

器具ハンドル１２に結合した嵌入センサ１８、整形外科用マレット３２に結合した嵌入センサ３４、及び外部センサ３６を含むものとして例示されているが、いくつかの実施形態では、システム１０は、異なる数及び／又は配置のセンサ１８、３４、３６を含み得ることを理解されたい。例えば、一実施形態では、システム１０は、ハンドル１２及び外部マイクロフォン３６に結合された振動センサ２４及びＩＭＵセンサ２８を含み得る。したがって、これらの実施形態では、システム１０の１つ以上のコンポーネント（例えば、整形外科用マレット３２）は、典型的な整形外科用ツールとして具体化されて、電子コンポーネントを含まなくてもよい。

図１に示すように、センサ１８、３４、３６は、マルチチャネルデータ取得システム、回路基板、集積回路、埋め込みシステム、フィールドプログラムアレイ（ＦＰＧＡ）、システムオンチップ（ＳＯＣ）、又は他の集積システム若しくはデバイスなどの単一のデバイスとして具体化され得る取得デバイス１００に結合されている。例示的な実施形態では、取得デバイス１００は、コントローラ１０２及び入力／出力（Ｉ／Ｏ）サブシステム１０４を含む。コントローラ１０２は、本明細書に記載される機能を実施することができる、任意の種類のコントローラ又はその他のプロセッサとして具体化されてもよい。例えば、コントローラ１０２は、マイクロコントローラ、デジタル信号プロセッサ、シングル若しくはマルチコアプロセッサ（複数可）、個別の計算回路、又は他のプロセッサ若しくは処理／制御回路として具体化されてもよい。取得デバイス１００はまた、嵌入センサ１８、３４、３６によって生成されたセンサデータなどのデータを記憶可能な揮発性及び／又は不揮発性のメモリ又はデータ記憶装置を含み得る。

取得デバイス１００は、Ｉ／Ｏサブシステム１０４を介してシステム１０の他のコンポーネントに通信可能に結合され、Ｉ／Ｏサブシステム１０４は、コントローラ１０２及びシステム１０の他のコンポーネントを用いた入力／出力動作を容易にするための回路及び／又はコンポーネントとして具体化され得る。例えば、Ｉ／Ｏサブシステム１０４は、メモリコントローラハブ、入力／出力制御ハブ、ファームウェアデバイス、通信リンク（すなわち、ポイントツーポイントリンク、バスリンク、ワイヤ、ケーブル、ライトガイド、プリント回路基板のトレースなど）、並びに／又は入力／出力動作を促進するための他のコンポーネント及びサブシステムとして具体化されてもよく、又はそれらを含んでもよい。

示されるように、取得デバイス１００は、デスクトップコンピュータ、ワークステーション、サーバ、特別に構築された計算デバイス、モバイル計算デバイス、ラップトップコンピュータ、タブレットコンピュータ、又は他のコンピュータ若しくは計算デバイスなどの、様々な計算機能及び本明細書に記載される機能を実施可能な任意の種類のデバイス又はデバイスの集合体として具体化され得る分析デバイス１２０に通信可能に結合される。例示的な実施形態では、分析デバイス１２０は、プロセッサ１２２、メモリ１２４、Ｉ／Ｏサブシステム１２６、及び通信回路１２８を含む。プロセッサ１２２は、本明細書に記載される機能を実施可能な任意の種類のプロセッサとして具体化されてもよい。例えば、プロセッサ１２２は、シングル若しくはマルチコアプロセッサ（複数可）、デジタル信号プロセッサ、マイクロコントローラ、個別の計算回路、又は他のプロセッサ若しくは処理／制御回路として具体化されてもよい。同様に、メモリ１２４は、以下で更に説明するように、取得デバイス１００から受信されたセンサデータ及び／又はモデルデータなどのデータを記憶可能な任意の種類の揮発性及び／又は不揮発性メモリ又はデータ記憶装置として具体化され得る。分析デバイス１２０はまた、データ記憶デバイス及び様々な入力／出力デバイス（例えば、キーボード、マウス、ディスプレイなど）などの計算デバイスに一般的に見られる他のコンポーネントを含み得る。更に、単一のデバイスとして例示されているが、いくつかの実施形態では、分析デバイス１２０は、例えば、公衆又は私的クラウド内で動作するネットワーク全体に分散された複数のコンピューティングデバイスから形成されてもよいことを理解されたい。

分析デバイス１２０は、Ｉ／Ｏサブシステム１２６を介してシステム１０の他のコンポーネントに通信可能に結合されており、このＩ／Ｏサブシステム１２６は、分析デバイス１２０による（例えば、プロセッサ１２２及び／又はメモリ１２４による）入力／出力動作を促進するための回路及び／又はコンポーネントとして、並びにシステム１０の他のコンポーネントとして具体化することができる。例えば、Ｉ／Ｏサブシステム１２６は、メモリコントローラハブ、入力／出力制御ハブ、ファームウェアデバイス、通信リンク（すなわち、ポイントツーポイントリンク、バスリンク、ワイヤ、ケーブル、ライトガイド、プリント回路基板のトレースなど）、並びに／又は入力／出力動作を促進するための他のコンポーネント及びサブシステムとして具体化されてもよく、又はそれらを含んでもよい。

通信回路１２８は、取得デバイス１００、ユーザーインターフェース１４０、他の分析デバイス１２０、及び／又は他のリモートデバイスなどの外部デバイスと通信するように構成されている。通信回路１２８は、分析デバイス１２０と他のデバイスとの間の通信を促進することが可能な任意のタイプの通信回路又はデバイスとして具体化され得る。これを行うために、通信回路１２８は、任意の１つ以上の通信技術（例えば、有線又は無線通信）、及び関連するプロトコル（例えば、イーサネット、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉ－Ｆｉ（登録商標）、ＷｉＭＡＸ、ＬＴＥ、５Ｇなど）を使用して、こうした通信を行うように構成されてもよい。

ユーザーインターフェース１４０は、システム１０とユーザー（例えば、整形外科医）との間の通信を容易にするために、様々な出力及び／又は入力デバイスの集合として具体化され得る。例示的に、ユーザーインターフェース１４０は、１つ以上の出力デバイス１４４及び／又は１つ以上の入力デバイス１４２を含む。出力デバイス１４４の各々は、整形外科医又は他のユーザーに通知又は他の情報を提供することが可能な任意のタイプの出力デバイスとして具体化され得る。例えば、出力デバイス１４４は、視覚的、可聴的、又は触覚的出力デバイスとして具体化され得る。例示的な実施形態では、ユーザーインターフェース１４０は、発光ダイオード（ＬＥＤ）、光、表示画面などの１つ以上の視覚的出力デバイスを含む。入力デバイス１４２の各々は、システム１０に入力、データ、又は指示を提供するために整形外科医によって制御又は作動することが可能な任意のタイプの入力デバイスとして具体化され得る。例えば、入力デバイス１４２は、ボタン（例えば、オン／オフボタン）、スイッチ、タッチスクリーンディスプレイなどとして具体化され得る。

個別の取得デバイス１００、分析デバイス１２０、及びユーザーインターフェース１４０を含むように例示されているが、いくつかの実施形態では、これらのデバイスのうちの１つ以上は、システム１０の同じデバイス及び／又は他のコンポーネントに組み込まれ得ることを理解されたい。例えば、いくつかの実施形態では、取得デバイス１００及び分析デバイス１２０の機能は、単一のコンピューティングデバイス内で組み合わせることができる。追加的又は代替的に、ユーザーインターフェース１４０の機能は、分析デバイス１２０と組み合わせることもできる。いくつかの実施形態では、ユーザーインターフェース１４０は、器具ハンドル１２及び／又は整形外科用マレット３２などの１つ以上の外科用器具と組み合わせてもよく、あるいはさもなければこれらに付属させてもよい。更に、いくつかの実施形態では、分析デバイス１２０は、取得デバイス１００を使用せずに、ＩＭＵ３４及び／又は外部センサ３６などの１つ以上のセンサに直接結合され得る。

いくつかの実施形態では、外部センサ３６、取得デバイス１００、分析デバイス１２０、及びユーザーインターフェース１４０の機能は、単一のコンピューティングデバイス内で組み合わせることができる。例えば、タブレットコンピュータは、マイクロフォン又は他の外部センサ３６を含み得る。その例を続けると、タブレットコンピュータは、マイクロフォン３６からセンサデータを捕捉し、機械学習モデルを使用して、センサデータに基づいてブローチ１４の嵌入状態の予測を生成し、タブレットコンピュータの表示画面を使用して予測を出力することができる。

ここで図２を参照すると、例示的な実施形態では、システム１０は、動作中に環境２００を確立する。例示的な環境２００は、センサ２０２、嵌入データコレクタ２０４、モデルトレーナー２０８、嵌入アナライザ２１２、及び嵌入状態ユーザーインターフェース２１８を含む。環境２００の様々なコンポーネントは、ハードウェア、ファームウェア、ソフトウェア、又はこれらの組み合わせとして具体化されてもよい。したがって、いくつかの実施形態では、環境２００のコンポーネントのうちの１つ以上は、電気デバイス（例えば、センサ１８、３４、３６、取得デバイス１００、分析デバイス１２０、及び／又はユーザーインターフェース１４０）の回路又は集合体として具体化され得る。例えば、例示的な実施形態では、センサ２０２は、センサ１８、３４、３６として具体化され得、嵌入データコレクタ２０４は、取得デバイス１００として具体化され得、モデルトレーナー２０８及び嵌入アナライザ２１２は、分析デバイス１２０として具体化され得、嵌入状態ユーザーインターフェース２１８は、ユーザーインターフェース１４０として具体化され得る。更に、いくつかの実施形態では、例示的なコンポーネントのうちの１つ以上は、別のコンポーネントの一部分を形成してもよく、かつ／又は、例示的なコンポーネントのうちの１つ以上は、互いに独立していてもよい。

センサ２０２は、患者の骨に対する整形外科用具の嵌入状態を示すセンサデータを生成するように構成されている。例えば、センサ２０２は、振動センサ２４、ＩＭＵ２８、及び／又は外部マイクロフォン３６を含み得る。嵌入データコレクタ２０４は、整形外科処置中に嵌入センサ２０２からセンサデータを収集するように構成されている。嵌入データコレクタ２０４は、収集されたセンサデータ２０６を嵌入アナライザ２１２に提供する。

嵌入アナライザ２１２は、センサデータ２０６に基づいて機械学習モデルで嵌入状態の予測を生成するように構成されている。嵌入状態の予測は、センサデータ２０６の分類２１６を含む。分類２１６は、非着座状態、着座状態、又は骨折状態を含む。いくつかの実施形態では、嵌入状態の予測はまた、確率又は他の相対スコアを含み得る。嵌入アナライザ２１２は、履歴データ、モデル重み、決定木、及び他のモデルデータ２１４を含む、機械学習モデルに関連するモデルデータ２１４を記憶することができる。

嵌入状態ユーザーインターフェース２１８は、嵌入状態の予測を出力するように構成されている。嵌入状態の予測を出力することは、嵌入状態の予測の視覚的表現を表示すること、嵌入状態の予測の聴覚的表示若しくは警告を出力すること、又はその他の方法で嵌入状態の予測を出力することを含み得る。

モデルトレーナー２０８は、収集されたセンサデータ２０６に嵌入状態ラベルでラベル付けして、ラベル付けされたセンサデータを生成するように構成されている。嵌入状態の予測と同様に、嵌入状態ラベルは、非着座状態、着座状態、又は骨折状態を含む。モデルトレーナー２０８は、ラベル付けされたセンサデータ２０６に基づいて、嵌入アナライザ２１２の機械学習モデルを訓練して、入力センサデータ２０６のための嵌入状態を予測させるように更に構成されている。モデルトレーナー２０８は、機械学習モデルに関連付けられた重み２１０を提供及び／又は修正することによって、機械学習モデルを訓練することができる。

ここで図３を参照すると、図３００は、嵌入アナライザ２１２によって確立され得る機械学習モデルの１つの潜在的な実施形態を例示する。示されるように、センサデータ２０６が、前処理／次元数減少段階３０２に入力される。前処理段階３０２は、例えば、センサデータ２０６を周波数ドメインに変換して周波数ドメインセンサデータを生成し、続いて周波数ドメインセンサデータの次元数を低減して処理されたセンサデータを生成することができる。前処理段階３０２は、主成分分析手順を使用して次元数を低減することができる。

示されるように、処理されたセンサデータは、リカレントニューラルネットワーク（ＲＮＮ）３０４に入力される。ＲＮＮ３０４は、例示的には、処理されたセンサデータの異常を識別するように訓練された長・短期記憶（ＬＳＴＭ）である。異常検出は、所与のグループの予想されるパターンに適合しないデータポイント、アイテム、観測結果、又はイベントの識別である。これらの異常は、まれに発生する可能性があるが、大規模及び／又はさもなければ重要な出来事を示し得る。例示的に、検出された異常としては、ブローチ１４が完全着座状態にあること、及び大腿骨１６の骨折が挙げられる。

ＲＮＮ３０４からの出力は、分類器３０６に渡される。分類器３０６は、例示的には、ランダムフォレスト（ＲＦ）予測モデルである。分類器３０６は、ＲＮＮ３０４からの出力に基づいて、分類２１６を生成する。分類２１６は、嵌入状態が非着座、着座、又は骨折であると予測されるかどうかを示し、いくつかの実施形態では、確率又は他の相対スコアを含み得る。当然ながら、他の実施形態では他の機械学習モデルが使用されてもよいことを理解されたい。

ここで図４を参照すると、使用中、器具システム１０は、嵌入アナライザ２１２の機械学習モデルを訓練するための方法４００を実施することができる。例えば、方法４００の動作は、図２に関連して上述した環境２００の１つ以上のコンポーネントによって実施され得る。方法４００は、訓練を開始するかどうかをシステム１０が判定するブロック４０２から始まる。例えば、外科医又は他のオペレータは、ユーザーインターフェース１４０又は他の制御装置を使用して、訓練を開始するようにシステム１０に指示することができる。訓練を開始するとシステム１０が判定した場合、方法４００はブロック４０４に進む。そうでない場合、方法４００はブロック４０２にループバックする。

ブロック４０４では、取得デバイス１００は、患者の大腿骨１６にブローチ１４を嵌入する間に、１つ以上のセンサ１８、３４、及び／又は３６からセンサデータを収集する。上述のように、整形外科処置の間、外科医は、整形外科用マレット３２を使用してブローチ１４に取り付けられた器具ハンドル１２を打撃することによって、ブローチ１４を患者の大腿骨１６に嵌入させる。取得デバイス１００は、外科医が器具ハンドル１２を嵌入するときに、加速度、振動、及び音響信号を含むセンサ信号を捕捉する。センサデータは、整形外科処置中、又は試験手順若しくは他のデータ収集動作中に捕捉され得る。試験手順では、外科医又は他のオペレータは、ブローチ１４を複製大腿骨又は他の骨類似体に嵌入させることができる。外科医は、打撃プレート上の異なる場所及び／又は異なる角度で、器具ハンドル１２を打撃することができる。以下で更に説明するように、機械学習モデルは、異なる場所及び／又は異なる嵌入角度での嵌入に関連付けられたセンサデータを認識するように訓練され得る。センサデータを収集した後、取得デバイス１００は、センサデータを、更なる処理のために分析デバイス１２０に提供する。

いくつかの実施形態では、ブロック４０６において、取得デバイス１００は、振動及び／又は音声センサデータを受信する。例示的な実施形態では、取得デバイス１００は、器具ハンドル１２に結合された振動センサ２４から振動データを受信し、外部音声センサ３６から音声データを受信する。追加的又は代替的に、いくつかの実施形態では、取得デバイス１００は、器具ハンドル１２に結合された音声センサ３０から音声データを受信することができる。

いくつかの実施形態では、ブロック４０８において、取得デバイス１００は、ＩＭＵセンサデータを受信する。例示的な実施形態では、取得デバイス１００は、器具ハンドル１２に結合されたＩＭＵセンサ２８からＩＭＵデータ（直線加速度、角速度、及び磁場を含む動作を示す）を受信する。追加的又は代替的に、いくつかの実施形態では、取得デバイス１００は、整形外科用マレット３２に結合されたＩＭＵセンサからＩＭＵデータを受信することができる。

いくつかの実施形態では、ブロック４１０において、取得デバイス１００は、器具ハンドル１２に結合されたＦＳＲ／ロードセル２０から負荷又は圧力データを受信する。いくつかの実施形態では、ブロック４１２において、取得デバイス１００は、器具ハンドル１２に結合された変位センサ２６から変位データを受信する。

ブロック４１４では、分析デバイス１２０（又はいくつかの実施形態では、取得デバイス１００）は、収集されたセンサデータをラベル付けする。センサデータをラベル付けすることにより、受信されたセンサデータを、以下で更に説明するように機械学習モデルを訓練するために使用することができる。センサデータは、例えば、ユーザーインターフェース１４０を使用して適切なラベルを選択することによって、システム１０のオペレータによってラベル付けされ得る。

ブロック４１６では、非着座、着座、又は骨折のラベルが、センサデータの各データポイント又はデータポイントのグループに割り当てられる。非着座とは、ブローチ１４が大腿骨１６に完全に着座していないことを示す。非着座状態では、ブローチ１４は、大腿骨１６の内部でゆるんだ状態であり、低い運動抵抗及び低い回転安定性を有する。非着座状態では、大腿骨１６は、低い骨折リスクを有する。着座とは、ブローチ１４が大腿骨１６にしっかりと着座しており、嵌入では前進しないことを示す。着座状態では、ブローチ１４は、大腿骨１６の内部でしっかりと着座しており、高い運動抵抗及び高い回転安定性を有する。着座状態では、大腿骨１６は、更なる嵌入による高い骨折のリスクを有する。骨折とは、大腿骨１６が１つ以上の位置における骨折（例えば、距（calcar）及び／又は近位大腿骨の骨折）を有することを示す。骨折状態では、ブローチ１４は、十分に着座して、試みられた運動に対して耐性があり得る。骨折状態における更なる嵌入は、骨折を悪化させる可能性がある。

いくつかの実施形態では、ブロック４１８において、嵌入中にラベルがセンサデータに割り当てられ得る。例えば、外科医又は他のオペレータは、嵌入手順中にユーザーインターフェース１４０を使用してラベルを入力することができる。別の例として、ラベルは、試験手順中に一連の嵌入に対して事前割り当てされ得る。この例を続けると、試験手順において、試験手順を実施する前に複製大腿骨は事前骨折する可能性がある。この例では、事前骨折した複製大腿骨を使用して試験中に収集されたすべてのセンサデータは、骨折としてラベル付けされ得る。

ブロック４２０では、分析デバイス１２０は、センサデータを前処理して、機械学習モデルへの入力を準備する。分析デバイス１２０は、１つ以上のフィルタリング、正規化、及び／又は特徴抽出プロセスを実施して、処理のためのセンサデータを準備することができる。ブロック４２２では、分析デバイス１２０は、高速フーリエ変換（ＦＦＴ）を使用して、センサデータ（時系列データとして収集）を周波数ドメインデータに変換する。周波数ドメインへの変換は、ノイズを除去し、センサデータにおけるピークの改善された識別を可能にすることができる。ブロック４２４では、分析デバイス１２０は、センサデータの次元数を低減するために主成分分析を実施する。次元数を低減することにより、センサデータ中の従属変数を組み合わせる及び／又は排除することによって、処理効率を改善することができる。いくつかの実施形態では、システム１０は、センサデータの次元数を低減し得ず、代わりに、例えば、システム１０から特定のセンサを除去することによって入力センサデータの量を低減し得ることを理解されたい。

ブロック４２６では、分析デバイス１２０は、ラベル付けされたデータで機械学習モデルを訓練する。機械学習モデルは、ブローチ１４が大腿骨１６内に完全に着座していること、及び大腿骨１６の骨折を含む、センサデータの異常を識別するように訓練される。機械学習モデルは、任意の識別された異常に基づいて、センサデータを、非着座、着座、及び骨折状態に分類するように更に訓練される。分析デバイス１２０は、任意の適切な訓練アルゴリズムを使用して機械学習モデルを訓練することができる。ブロック４２８では、分析デバイス１２０は、ラベル付けされたセンサデータに基づいて異常を検出するために、長・短期記憶（ＬＳＴＭ）リカレントニューラルネットワークを訓練する。ＬＳＴＭモデルは、勾配降下アルゴリズム又は他のモデル訓練アルゴリズムを使用して訓練され得る。特に、ＬＳＴＭモデルは、入力センサデータの配列に基づいて、骨１６内のブローチ１４の着座及び骨１６の骨折を認識するように訓練され得る。したがって、訓練中、ＬＳＴＭモデルは、嵌入角度における嵌入位置の違い及び他の違いにおける違いを含む、器具ハンドル１２上の個々の打撃間の技術の違いを認識及び説明することができる。ブロック４３０では、分析デバイス１２０は、ＬＳＴＭモデルからの出力及びラベル付けされたセンサデータに基づいて、ランダムフォレスト（ＲＦ）予測モデル／分類器を訓練する。ＲＦモデルは、センサデータに関連付けられたラベルに基づいて、ＬＳＴＭモデルからの出力を非着座、着座、又は骨折として分類するように訓練される。ＲＦモデルは、任意の適切な決定木学習アルゴリズムを使用して訓練され得る。

ブロック４３２では、システム１０は、モデル訓練が完了したかどうかを判定する。例えば、分析デバイス１２０は、機械学習モデルが特定のエラー閾値に達したかどうかを判定することができ、又はさもなければ機械学習モデルが十分に訓練されたかどうかを判定することができる。追加のトレーニングが必要な場合、方法４００はブロック４０２にループバックして、機械学習モデルの訓練を継続する。更なる訓練が必要でない場合、方法４００は完了する。訓練後、機械学習モデルを使用して、図５に関連して以下に説明するように推論を実施することができる。

ここで図５を参照すると、使用中、器具システム１０は、外科処置中に嵌入状態を監視及び予測するための方法５００を実施することができる。例えば、方法５００の動作は、図２に関連して上述した環境２００の１つ以上のコンポーネントによって実施され得る。方法５００は、嵌入を監視して嵌入状態を予測するかどうかをシステム１０が判定するブロック５０２から始まる。例えば、外科医又は他のオペレータは、ユーザーインターフェース１４０又は他の制御装置を使用して、嵌入の監視を開始するようにシステム１０に指示することができる。システム１０が、嵌入の監視及び嵌入状態の予測を開始すると判定した場合、方法５００は、ブロック５０４に進む。そうでない場合、方法５００はブロック５０２にループバックする。

ブロック５０４では、取得デバイス１００は、患者の大腿骨１６にブローチ１４を嵌入する間に、１つ以上のセンサ１８、３４、及び／又は３６からセンサデータを収集する。上述のように、整形外科処置の間、外科医は、整形外科用マレット３２を使用してブローチ１４に取り付けられた器具ハンドル１２を打撃することによって、ブローチ１４を患者の大腿骨１６に嵌入させる。取得デバイス１００は、外科医が器具ハンドル１２を嵌入するときに、加速度、振動、及び音響信号を含むセンサ信号を捕捉する。センサデータを収集した後、取得デバイス１００は、センサデータを、更なる処理のために分析デバイス１２０に提供する。

いくつかの実施形態では、ブロック５０６において、取得デバイス１００は、振動及び／又は音声センサデータを受信する。例示的な実施形態では、取得デバイス１００は、器具ハンドル１２に連結された振動センサ２４から振動データを受信し、外部音声センサ３６から音声データを受信する。追加的又は代替的に、いくつかの実施形態では、取得デバイス１００は、器具ハンドル１２に連結された音声センサ３０から音声データを受信することができる。

いくつかの実施形態では、ブロック５０８において、取得デバイス１００は、ＩＭＵセンサデータを受信する。例示的な実施形態では、取得デバイス１００は、器具ハンドル１２に結合されたＩＭＵセンサ２８からＩＭＵデータ（直線加速度、角速度、及び磁場を含む動作を示す）を受信する。追加的又は代替的に、いくつかの実施形態では、取得デバイス１００は、整形外科用マレット３２に結合されたＩＭＵセンサからＩＭＵデータを受信することができる。

いくつかの実施形態では、ブロック５１０において、取得デバイス１００は、器具ハンドル１２に結合されたＦＳＲ／ロードセル２０から負荷又は圧力データを受信する。いくつかの実施形態では、ブロック５１２において、取得デバイス１００は、器具ハンドル１２に結合された変位センサ２６から変位データを受信する。

ブロック５１４では、分析デバイス１２０は、センサデータを前処理して、機械学習モデルへの入力を準備する。分析デバイス１２０は、１つ以上のフィルタリング、正規化、及び／又は特徴抽出プロセスを実施して、処理のためのセンサデータを準備することができる。特に、分析デバイス１２０は、図４のブロック４２０に関連して上述したように、同じ前処理動作を実施することができる。ブロック５１６では、分析デバイス１２０は、高速フーリエ変換（ＦＦＴ）を使用して、センサデータ（時系列データとして収集）を周波数ドメインデータに変換する。周波数ドメインへの変換は、ノイズを除去し、センサデータにおけるピークの改善された識別を可能にすることができる。ブロック５１８では、分析デバイス１２０は、センサデータの次元数を低減するために主成分分析を実施する。次元数を低減することにより、センサデータ中の従属変数を組み合わせる及び／又は排除することによって、処理効率を改善することができる。いくつかの実施形態では、システム１０は、センサデータの次元数を低減し得ず、代わりに、例えば、システム１０から特定のセンサを除去することによって入力センサデータの量を低減し得ることを理解されたい。

ブロック５２０において、分析デバイス１２０は、前処理されたセンサデータで訓練された機械学習モデルを使用して、予測された嵌入状態の推論を実施する。上述したように、機械学習モデルは、ブローチ１４が大腿骨１６内に完全に着座していること、及び大腿骨１６の骨折を含む、センサデータの異常を識別するように訓練される。機械学習モデルは、任意の識別された異常に基づいて、センサデータを、非着座、着座、及び骨折状態に分類するように更に訓練される。推論を実施するために、ブロック５２２において、分析デバイス１２０は、前処理されたセンサデータをＬＳＴＭモデルに入力する。ＬＳＴＭモデルは、骨１６内におけるブローチ１４の着座及び骨１６の骨折を含む入力センサデータに基づいて検出及び／又は予測された異常を示すデータを出力する。ＬＳＴＭモデルからの出力は、器具ハンドル１２に対する個々の打撃間の技術のいかなる違いにも関係なく、異常を認識することができる。ブロック５２４において、分析デバイス１２０は、ＬＳＴＭモデルからの出力をＲＦ分類器に入力する。ＲＦ分類器は、非着座、着座、又は骨折として、予測された嵌入状態の分類を出力する。

ブロック５２６では、分析デバイス１２０は、ユーザーインターフェース１４０を使用して、嵌入状態の予測を出力する。ユーザーインターフェース１４０は、任意の適切な出力モダリティを使用して嵌入状態を出力することができる。例えば、嵌入状態の予測は、図形表示、警告灯、又は他の表示を使用して視覚的に表示され得る。別の例として、嵌入状態の予測は、音声デバイスを使用して警告音、警報、又は他の音として出力され得る。いくつかの実施形態では、ブロック５２８において、ユーザーインターフェース１４０は、嵌入状態の予測が非着座であるか、着座であるか、又は骨折であるかを示すことができる。いくつかの実施形態では、ブロック５３０において、ユーザーインターフェース１４０は、予測に関連付けられた確率又は他の相対スコアを示すことができる。例えば、スコアは、ブローチ１４が非着座であるか若しくは着座である相対的信頼性レベル、及び／又は大腿骨１６に骨折が存在する相対的信頼性レベルを示すことができる。嵌入状態の予測を出力した後、方法５００はブロック５０２にループバックして、嵌入の監視を継続する。

ここで図６を参照すると、図６００は、ユーザーインターフェース１４０の１つの潜在的な実施形態を例示する。例示的なユーザーインターフェース１４０は、ディスプレイ１４４を有するタブレットコンピュータである。ディスプレイ１４４は、嵌入状態の予測のグラフィック表現６０２を示す。例示的なグラフィック表現６０２は、現在の嵌入状態の予測を指すポインタ６０４を含む。潜在的な嵌入状態の各々は、色分けバー（図６の濃淡として表される）を含む。例えば、一実施形態では、非着座状態は黄色として色分けされてもよく、着座状態は緑色として色分けされてもよく、骨折状態は赤色として色分けされてもよい。例示的な実施形態では、ポインタ６０４は、関連付けられた色分けバー内で指摘された相対位置によって、嵌入状態の予測に関連付けられた相対スコアを示す。いくつかの実施形態では、グラフィック表現６０２は、相対スコアのグラデーション又は他の指標を含み得る。

当然ながら、ユーザーインターフェース１４０の他の実施形態を使用してもよい。例えば、いくつかの実施形態では、ユーザーインターフェース１４０は、整形外科用マレット３２上に含まれ得る。これらの実施形態では、ユーザーインターフェース１４０は、一組のＬＥＤ又は他のインジケータライトを含み得る。ＬＥＤのうちの１つ以上は、予測された嵌入状態に基づいて点灯され得る。例えば、ユーザーインターフェース１４０は、予測嵌入状態が非着座である場合は黄色ＬＥＤを点灯してもよく、予測嵌入状態が着座である場合は緑色ＬＥＤを点灯してもよく、予測嵌入状態が骨折である場合は赤色ＬＥＤを点灯してもよい。

図面及び上記の説明において特定の例示的な実施形態を詳細に説明したが、かかる例示及び説明は、その性質上、あくまで例示的なものであって限定的なものとは見なすべきではなく、あくまで例示的な実施形態を示して説明したものにすぎず、本開示の趣旨の範囲内に含まれるすべての変更及び改変は保護されることが所望されることが理解される。

本開示は、本明細書において説明される方法、装置、及びシステムの様々な特徴に基づく複数の利点を有するものである。本開示の方法、装置、及びシステムの代替的実施形態は、説明される特徴のすべてを含むわけではないが、依然として、こうした特徴の利点のうちの少なくとも一部から利益を享受するものであることに留意されたい。当業者であれば、本発明の特徴のうちの１つ又は２つ以上を組み込む、添付の「特許請求の範囲」において定義される本開示の趣旨及び範囲に包含される方法、装置、及びシステムを独自に容易に実施することが可能である。

〔実施の態様〕
（１） 整形外科処置中の嵌入状態を予測するためのシステムであって、
患者の骨に対する整形外科用具の嵌入状態を示すセンサデータを生成するための１つ以上の嵌入センサと、
前記整形外科処置中に前記嵌入センサから前記センサデータを収集するための嵌入データコレクタと、
前記センサデータに基づいて機械学習モデルで嵌入状態の予測を生成するための嵌入アナライザであって、前記嵌入状態の予測は、非着座状態、着座状態、又は骨折状態を含む、嵌入アナライザと、
前記嵌入状態の予測を出力するための嵌入状態ユーザーインターフェースと、を含む、システム。
（２） 前記整形外科用具は、大腿骨ブローチ又は人工コンポーネントを含む、実施態様１に記載のシステム。
（３） 外科用器具嵌入ハンドルを更に含み、前記１つ以上の嵌入センサは、（ｉ）前記嵌入ハンドルに結合された振動センサと、（ｉｉ）前記嵌入ハンドルに結合された慣性測定装置と、（ｉｉｉ）外部マイクロフォンと、を含む、実施態様１に記載のシステム。
（４） 前記センサデータに基づいて前記機械学習モデルで前記嵌入状態の予測を生成することは、
前記センサデータを前処理して処理されたセンサデータを生成することと、
前記処理されたセンサデータを前記機械学習モデルに入力することと、を含む、実施態様１に記載のシステム。
（５） 前記センサデータを前処理することは、
前記センサデータを周波数ドメインに変換して周波数ドメインセンサデータを生成することと、
前記周波数ドメインセンサデータの次元数を低減して前記処理されたセンサデータを生成することと、を含む、実施態様４に記載のシステム。

（６） 前記センサデータに基づいて前記機械学習モデルで前記嵌入状態の予測を生成することは、
前記センサデータをリカレントニューラルネットワークに入力して異常予測データを生成することと、
前記異常予測データを分類器に入力して前記嵌入状態の予測を生成することと、を含む、実施態様１に記載のシステム。
（７） 前記リカレントニューラルネットワークが、長・短期記憶ネットワークを含み、
前記分類器が、ランダムフォレスト予測モデルを含む、実施態様６に記載のシステム。
（８） 前記１つ以上の嵌入センサ、前記嵌入データコレクタ、前記嵌入アナライザ、及び前記嵌入状態ユーザーインターフェースを含むコンピューティングデバイスを更に含み、
前記１つ以上の嵌入センサが、前記コンピューティングデバイスのマイクロフォンを含み、
前記嵌入状態ユーザーインターフェースが、前記コンピューティングデバイスの表示画面を含む、実施態様１に記載のシステム。
（９） 実行に応答して、１つ以上のプロセッサに、
整形外科処置中に嵌入センサからセンサデータを収集することであって、前記センサデータが、患者の骨に対する整形外科用具の嵌入状態を示す、収集することと、
前記センサデータに基づいて機械学習モデルで嵌入状態の予測を生成することであって、前記嵌入状態の予測は、非着座状態、着座状態、又は骨折状態を含む、生成することと、
前記嵌入状態の予測を出力することと、を実施させる、複数の指示を含む、１つ以上の非一時的機械可読媒体。
（１０） 前記嵌入センサから前記センサデータを収集することは、
外科用器具に結合された振動センサから振動データを収集することと、
前記外科用器具に結合された慣性測定装置から運動データを収集することと、
外部マイクロフォンから音声データを収集することと、を含む、実施態様９に記載の１つ以上の非一時的機械可読媒体。

（１１） 前記センサデータに基づいて前記機械学習モデルで前記嵌入状態の予測を生成することは、
前記センサデータを前処理して処理されたセンサデータを生成することと、
前記処理されたセンサデータを前記機械学習モデルに入力することと、を含む、実施態様９に記載の１つ以上の非一時的機械可読媒体。
（１２） 前記センサデータに基づいて前記機械学習モデルで前記嵌入状態の予測を生成することは、
前記センサデータをリカレントニューラルネットワークに入力して異常予測データを生成することと、
前記異常予測データを分類器に入力して前記嵌入状態の予測を生成することと、を含む、実施態様９に記載の１つ以上の非一時的機械可読媒体。
（１３） 前記リカレントニューラルネットワークが、長・短期記憶ネットワークを含み、前記分類器が、ランダムフォレスト予測モデルを含む、実施態様１２に記載の１つ以上の非一時的機械可読媒体。
（１４） 実行に応答して、１つ以上のプロセッサに、
嵌入センサからセンサデータを収集することであって、前記センサデータが、骨又は骨類似体に対する整形外科用具の嵌入状態を示す、収集することと、
ラベル付けされたセンサデータを生成するために、前記センサデータを嵌入状態ラベルでラベル付けすることであって、前記嵌入状態ラベルが、非着座状態、着座状態、又は骨折状態を含む、ラベル付けすることと、
前記ラベル付けされたセンサデータに基づいて機械学習モデルを訓練して、入力センサデータのための嵌入状態を予測させることと、を実施させる、複数の指示を含む、１つ以上の非一時的機械可読媒体。
（１５） 前記ラベル付けされたセンサデータに基づいて前記機械学習モデルを訓練することは、
前記ラベル付けされたセンサデータを前処理して処理されたセンサデータを生成することと、
前記処理されたセンサデータに基づいて前記機械学習モデルを訓練することと、を含む、実施態様１４に記載の１つ以上の非一時的機械可読媒体。

（１６） 前記ラベル付けされたセンサデータを前処理することは、
前記ラベル付けされたセンサデータを周波数ドメインに変換して周波数ドメインセンサデータを生成することと、
前記周波数ドメインセンサデータの次元数を低減して前記処理されたセンサデータを生成することと、を含む、実施態様１５に記載の１つ以上の非一時的機械可読媒体。
（１７） 前記周波数ドメインセンサデータの前記次元数を低減することは、前記周波数ドメインセンサデータの主成分分析を実施することを含む、実施態様１６に記載の１つ以上の非一時的機械可読媒体。
（１８） 前記ラベル付けされたセンサデータに基づいて前記機械学習モデルを訓練して、入力センサデータのための嵌入状態を予測させることは、
前記ラベル付けされたセンサデータでリカレントニューラルネットワークを訓練して、前記ラベル付けされたセンサデータの異常を識別することと、
前記ラベル付けされたセンサデータ中の前記異常で分類器を訓練して、前記嵌入状態を予測させることと、を含む、実施態様１４に記載の１つ以上の非一時的機械可読媒体。
（１９） 前記リカレントニューラルネットワークが、長・短期記憶ネットワークを含む、実施態様１８に記載の１つ以上の非一時的機械可読媒体。
（２０） 前記分類器が、ランダムフォレスト予測モデルを含む、実施態様１９に記載の１つ以上の非一時的機械可読媒体。

Claims (15)

1. 整形外科処置中の嵌入状態を予測するためのシステムであって、
   患者の骨に対する整形外科用具の嵌入状態を示すセンサデータを生成するための１つ以上の嵌入センサと、
   前記整形外科処置中に前記１つ以上の嵌入センサから前記センサデータを収集するための嵌入データコレクタと、
   前記センサデータに基づいて機械学習モデルで嵌入状態の予測を生成するための嵌入アナライザであって、前記嵌入状態の予測は、非着座状態、着座状態、又は骨折状態を含む、嵌入アナライザと、
   前記嵌入状態の予測を出力するための嵌入状態ユーザーインターフェースと、を含み、
   前記センサデータに基づいて前記機械学習モデルで前記嵌入状態の予測を生成することは、
   前記センサデータを前処理して処理されたセンサデータを生成することと、
   前記処理されたセンサデータを前記機械学習モデルに入力することと、を含み、
   前記センサデータを前処理することは、
   前記センサデータを周波数ドメインに変換して周波数ドメインセンサデータを生成することと、
   前記周波数ドメインセンサデータの次元数を低減して前記処理されたセンサデータを生成することと、を含む、システム。
2. 前記整形外科用具は、大腿骨ブローチ又は人工コンポーネントを含む、請求項１に記載のシステム。
3. 外科用器具嵌入ハンドルを更に含み、前記１つ以上の嵌入センサは、（ｉ）前記嵌入ハンドルに結合された振動センサと、（ｉｉ）前記嵌入ハンドルに結合された慣性測定装置と、（ｉｉｉ）外部マイクロフォンと、を含む、請求項１に記載のシステム。
4. 整形外科処置中の嵌入状態を予測するためのシステムであって、
   患者の骨に対する整形外科用具の嵌入状態を示すセンサデータを生成するための１つ以上の嵌入センサと、
   前記整形外科処置中に前記１つ以上の嵌入センサから前記センサデータを収集するための嵌入データコレクタと、
   前記センサデータに基づいて機械学習モデルで嵌入状態の予測を生成するための嵌入アナライザであって、前記嵌入状態の予測は、非着座状態、着座状態、又は骨折状態を含む、嵌入アナライザと、
   前記嵌入状態の予測を出力するための嵌入状態ユーザーインターフェースと、を含み、 前記センサデータに基づいて前記機械学習モデルで前記嵌入状態の予測を生成することは、
   前記センサデータをリカレントニューラルネットワークに入力して異常予測データを生成することと、
   前記異常予測データを分類器に入力して前記嵌入状態の予測を生成することと、を含む、システム。
5. 前記リカレントニューラルネットワークが、長・短期記憶ネットワークを含み、
   前記分類器が、ランダムフォレスト予測モデルを含む、請求項４に記載のシステム。
6. 前記１つ以上の嵌入センサ、前記嵌入データコレクタ、前記嵌入アナライザ、及び前記嵌入状態ユーザーインターフェースを含むコンピューティングデバイスを更に含み、
   前記１つ以上の嵌入センサが、前記コンピューティングデバイスのマイクロフォンを含み、
   前記嵌入状態ユーザーインターフェースが、前記コンピューティングデバイスの表示画面を含む、請求項１に記載のシステム。
7. 実行に応答して、１つ以上のプロセッサに、
   整形外科処置中に嵌入センサからセンサデータを収集することであって、前記センサデータが、患者の骨に対する整形外科用具の嵌入状態を示す、収集することと、
   前記センサデータに基づいて機械学習モデルで嵌入状態の予測を生成することであって、前記嵌入状態の予測は、非着座状態、着座状態、又は骨折状態を含む、生成することと、
   前記嵌入状態の予測を出力することと、を実施させる、複数の指示を含む、１つ以上の非一時的機械可読媒体であって、
   前記センサデータに基づいて前記機械学習モデルで前記嵌入状態の予測を生成することは、
   前記センサデータをリカレントニューラルネットワークに入力して異常予測データを生成することと、
   前記異常予測データを分類器に入力して前記嵌入状態の予測を生成することと、を含む、１つ以上の非一時的機械可読媒体。
8. 前記嵌入センサから前記センサデータを収集することは、
   外科用器具に結合された振動センサから振動データを収集することと、
   前記外科用器具に結合された慣性測定装置から運動データを収集することと、
   外部マイクロフォンから音声データを収集することと、を含む、請求項７に記載の１つ以上の非一時的機械可読媒体。
9. 前記センサデータに基づいて前記機械学習モデルで前記嵌入状態の予測を生成することは、
   前記センサデータを前処理して処理されたセンサデータを生成することと、
   前記処理されたセンサデータを前記機械学習モデルに入力することと、を含む、請求項７に記載の１つ以上の非一時的機械可読媒体。
10. 前記リカレントニューラルネットワークが、長・短期記憶ネットワークを含み、前記分類器が、ランダムフォレスト予測モデルを含む、請求項７に記載の１つ以上の非一時的機械可読媒体。
11. 実行に応答して、１つ以上のプロセッサに、
    嵌入センサからセンサデータを収集することであって、前記センサデータが、骨又は骨類似体に対する整形外科用具の嵌入状態を示す、収集することと、
    ラベル付けされたセンサデータを生成するために、前記センサデータを嵌入状態ラベルでラベル付けすることであって、前記嵌入状態ラベルが、非着座状態、着座状態、又は骨折状態を含む、ラベル付けすることと、
    前記ラベル付けされたセンサデータに基づいて機械学習モデルを訓練して、入力センサデータのための嵌入状態を予測させることと、を実施させる、複数の指示を含む、１つ以上の非一時的機械可読媒体であって、
    前記ラベル付けされたセンサデータに基づいて前記機械学習モデルを訓練することは、
    前記ラベル付けされたセンサデータを前処理して処理されたセンサデータを生成することと、
    前記処理されたセンサデータに基づいて前記機械学習モデルを訓練することと、を含み、
    前記ラベル付けされたセンサデータを前処理することは、
    前記ラベル付けされたセンサデータを周波数ドメインに変換して周波数ドメインセンサデータを生成することと、
    前記周波数ドメインセンサデータの次元数を低減して前記処理されたセンサデータを生成することと、を含む、１つ以上の非一時的機械可読媒体。
12. 前記周波数ドメインセンサデータの前記次元数を低減することは、前記周波数ドメインセンサデータの主成分分析を実施することを含む、請求項１１に記載の１つ以上の非一時的機械可読媒体。
13. 実行に応答して、１つ以上のプロセッサに、
    嵌入センサからセンサデータを収集することであって、前記センサデータが、骨又は骨類似体に対する整形外科用具の嵌入状態を示す、収集することと、
    ラベル付けされたセンサデータを生成するために、前記センサデータを嵌入状態ラベルでラベル付けすることであって、前記嵌入状態ラベルが、非着座状態、着座状態、又は骨折状態を含む、ラベル付けすることと、
    前記ラベル付けされたセンサデータに基づいて機械学習モデルを訓練して、入力センサデータのための嵌入状態を予測させることと、を実施させる、複数の指示を含む、１つ以上の非一時的機械可読媒体であって、
    前記ラベル付けされたセンサデータに基づいて前記機械学習モデルを訓練して、入力センサデータのための嵌入状態を予測させることは、
    前記ラベル付けされたセンサデータでリカレントニューラルネットワークを訓練して、前記ラベル付けされたセンサデータの異常を識別することと、
    前記ラベル付けされたセンサデータ中の前記異常で分類器を訓練して、前記嵌入状態を予測させることと、を含む、１つ以上の非一時的機械可読媒体。
14. 前記リカレントニューラルネットワークが、長・短期記憶ネットワークを含む、請求項１３に記載の１つ以上の非一時的機械可読媒体。
15. 前記分類器が、ランダムフォレスト予測モデルを含む、請求項１４に記載の１つ以上の非一時的機械可読媒体。