Dr. Andreas Brand (Murnau; Salzburg / AT), Moritz Kraus (Zürich / CH), Mischa Mühling (Murnau; Salzburg / AT), Isabella Klöpfer-Krämer (Murnau; Salzburg / AT), Dr. Johannes Gabel (Murnau), Prof. Peter Augat (Murnau; Salzburg / AT)
Abstract-Text (inkl. Referenzen und Bildunterschriften)
Fragestellung:
Fersenbeinfrakturen zählen zu den häufigsten Fußverletzungen und sind mit einer Beeinträchtigung der Bewegungsfunktion verbunden. Pedobarographische Messungen zur Bestimmung der Ganglinie (Center of Pressure – CoP) können dabei Hinweise zur Gangfunktion liefern.1 Ziel der Studie ist es, das klinische Langzeitoutcome nach Fersenbeinfraktur anhand von CoP-Daten mittels Clusteranalyse zu bewerten.
Methoden:
66 Patienten mit Fersenbeinfraktur (51±9J, BMI:26±3kg/m², ♀13, ♂53) wurden über 24 Monate postoperativ nachuntersucht. Dabei wurde der medio-laterale Verlauf (mlCoP) und die Geschwindigkeit (vCoP) der Ganglinie bestimmt und mittels unsupervised machine learning (funktionelle Hauptkomponentenanalyse und K-Means Clustering) analysiert und gruppiert. Anschließend wurde der klinische Outcome (AOFAS-score) im Follow-up zwischen den identifizierten Gruppen (G) mittels t-test (p<.05) verglichen.
Ergebnisse:
Für den vCoP bzw. den mlCoP wurden jeweils zwei Gruppen mit reduzierter (Gv1,N=40) und höherer (Gv2,N=26) Geschwindigkeit bzw. reduzierter (Gml1,N=45) und höherer (Gml2,N=21) Lateralisierung der Ganglinie identifiziert. Im Langzeitoutcome (AOFAS, 24 Monate) zeigte sich ein signifikanter Unterschied für den vCoP (Gv1: 87±11, Gv1: 80±14, p=0.03) sowie ein tendenzieller Unterschied für den mlCoP (Gml1: 87±11, Gml2: 80±15, p=0.06).
Diskussion:
Durch die Clusteranalyse konnte eine klinisch-biomechanische Einteilung der Gangliniendaten nach Fersenbeinfraktur erreicht werden. Es deutete sich an, dass eine Verlagerung der Ganglinie mit dem Langzeitoutcome in Verbindung steht. Eine initial reduzierte Geschwindigkeit der Ganglinie kann zudem als kontrollierteres Abrollverhalten gewertet werden was langfristig zu einem besseren Outcome führt. Weitere Analysen zusätzlicher Bewertungskriterien (z.B. Röntgenbild) sowie Ansätze zum Deep-Learning sind notwendig um den Einsatz von CoP-Daten zur klinischen Beurteilung zu stützen.
1Sanders et al. 2020, Clin.Biomech