genortГений ортопедииGenij Ortopedii1028-44272542-131XЦЕНТР ИЛИЗАРОВА10.18019/1028-4427-2024-30-1-67-75VIJHBHgenort-2932Research ArticleОРИГИНАЛЬНЫЕ СТАТЬИORIGINAL ARTICLESСравнение различных методик определения «костного возраста» по рентгенограммам кисти у пациентов с активными зонами роста с антеромедиальной нестабильностью коленного суставаComparison of bone age assessment methods using a hand radiography in patients with active growth plate and anteromedial knee instabilityhttps://orcid.org/0000-0002-6352-2784ИвановЯ. А.IvanovIa. A.

Иванов Ярослав Александрович – кандидат медицинских наук, врач травматолог-ортопед.

Москва

Iaroslav A. Ivanov – Candidate of Medical Sciences, surgeon.

Moscow

docyaroslav@gmail.comhttps://orcid.org/0000-0002-9490-6932МининковД. С.MininkovD. S.

Мининков Дмитрий Сергеевич – кандидат медицинских наук, старший научный сотрудник.

Москва

Dmitry S. Mininkov – Candidate of Medical Sciences, Senior Researcher.

Moscow

45040311@mail.ruhttps://orcid.org/0000-0003-1877-3557ГущинаД. А.GushchinaD. A.

Гущина Дарья Александровна – аспирант.

Москва

Daria A. Gushchina – graduate student.

Moscow

Gushchina-DA@yandex.ruhttps://orcid.org/0000-0002-7736-9493ЕльцинА. Г.YeltsinA. G.

Ельцин Александр Геннадьевич – кандидат медицинских наук, врач травматолог-ортопед.

Москва

Alexander G. Yeltsin – Candidate of Medical Sciences, surgeon, traumatologist-orthopedist.

Moscow

agyeltsin@gmail.comНациональный медицинский исследовательский центр травматологии и ортопедии имени Н.Н. ПриороваРоссияNational Medical Research Center for Traumatology and Orthopedics named after N.N. PriorovaRussian Federation2024280220243016775Copyright © Иванов Я.А., Мининков Д.С., Гущина Д.А., Ельцин А.Г., 20242024Иванов Я.А., Мининков Д.С., Гущина Д.А., Ельцин А.Г.Ivanov I.A., Mininkov D.S., Gushchina D.A., Yeltsin A.G.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.ilizarov-journal.com/jour/article/view/2932Введение

Введение. При оперативном лечении у пациентов детского возраста с активными зонами роста с антеромедиальной нестабильностью одним из важных пунктов обследования является определение «костного возраста». Это позволяет специалисту выбрать оптимальную тактику лечения и минимизировать постоперационные осложнения. Однако многим не известны различные инструменты определения костного возраста, включающие как классические методики, так и возможности использования современных методов на основе машинного обучения.

Цель работы – показать и сравнить различные способы расчета костного возраста для определения дальнейшей тактики оперативного лечения пациентов с антеромедиальной нестабильностью коленного сустава.

Материалы и методы

Материалы и методы. Оперативное лечение в объеме пластики передней крестообразной связки (ПКС) по методике all-inside выполнено 20-ти пациентам. Всем пациентам выполнялась рентгенография кисти, по данным которой рассчитывался костный возраст пациента. Использовалась методика «сравнения» Таннера – Уайтхауса и метод оценки костного возраста по атласу Грейлиха – Пайля. Помимо использования стандартных схем определения костного возраста также проводилось определение при помощи программ на основе машинного обучения.

Результаты

Результаты. По результатам исследования в среднем в группе из 20 человек у пациентов с костным возрастом, обгоняющим паспортный, разница составила 21 месяц (80 %), а у пациентов с отстающим костным возрастом разница составила 18 месяцев (20 %).

Обсуждение

Обсуждение. Данные, полученные в результате исследования, показывают разницу между хронологическим и костным возрастом. Такие исследования достаточно часто можно встретить в научных статьях по эндокринологии и педиатрии. По специальности «травматология и ортопедия» научных исследований о применении этих методов нет.

Заключение

Заключение. При планировании оперативного лечения пациентов с открытыми зонами роста необходимо проводить оценку костного возраста, а также прогнозируемого и целевого роста.

Background Bone age is essential for pediatric patients with active growth zones and anteromedial instability to facilitate optimal treatment strategy and minimize postoperative complications. However, many people are unaware of various tools for determining bone age, including classical methods and modern machine learning techniques.

The objective was to show and compare different methods for calculating bone age and determining surgical strategy for patients with anteromedial instability of the knee joint.

Material and methods All-Inside anterior cruciate ligament reconstruction was performed for 20 patients. Wrist radiographs were performed for bone age assessment using the "point scoring system" of Tanner and Whitehouse and the "atlas matching" method of Greulich and Pyle. Machine learning programs were used in addition to standard bone age assessments.

Results The findings showed an average difference of 21 months (80 %) in a group of 20 individuals with bone age ahead of the passport age and an average difference of 18 months (20 %) in patients with retarded bone age.

Discussion The findings showed the difference between chronological and bone age and could be encountered in scientific articles on endocrinology and pediatrics. No scientific studies on the use of the methods could be found in the specialty “trauma and orthopaedics”.

Conclusion Bone age assessment, prediction of children's target height are essential for surgical treatment of patients with open growth plates.

костный возрастдетиall-insideпластика ПКСактивные зоны ростаискусственный интеллектbone agechildrenall-insideACL reconstructionactive growth plateartificial intelligenceReferencesИванов Я.А., Ельцин АГ., Мининков Д.С. Повреждение передней крестообразной связки у детей и подростков. Современные тенденции и исследования. Вестник травматологии и ортопедии им. Н.Н. Приорова. 2021;28(1):89-107. doi: 10.17816/vto51034Иванов Я.А., Ельцин АГ., Мининков Д.С. Повреждение передней крестообразной связки у детей и подростков. Современные тенденции и исследования. Вестник травматологии и ортопедии им. Н.Н. Приорова. 2021;28(1):89-107. doi: 10.17816/vto51034Тюрин К.А., Захарченко А.Е. Правила техники безопасности в процессе занятий физическими упражнениями. Профилактика травматизма и оказание доврачебной помощи. Тенденции развития науки и образования. 2020;(67-3):145-150. doi: 10.18411/lj-11-2020-123Тюрин К.А., Захарченко А.Е. Правила техники безопасности в процессе занятий физическими упражнениями. Профилактика травматизма и оказание доврачебной помощи. Тенденции развития науки и образования. 2020;(67-3):145-150. doi: 10.18411/lj-11-2020-123Колунин Е.Т., Прокопьев Н.Я. Баранхин, О.В. Профилактика детского травматизма на занятиях физической культурой и спортом. Современные проблемы физической культуры и спорта: материалы ХXIV Всероссийской научно-практической конференции. Под ред. Е.А. Ветошкиной. Хабаровск: Дальневосточная государственная академия физической культуры; 2020:140-145.Колунин Е.Т., Прокопьев Н.Я. Баранхин, О.В. Профилактика детского травматизма на занятиях физической культурой и спортом. Современные проблемы физической культуры и спорта: материалы ХXIV Всероссийской научно-практической конференции. Под ред. Е.А. Ветошкиной. Хабаровск: Дальневосточная государственная академия физической культуры; 2020:140-145.Milewski MD, Beck NA, Lawrence JT, Ganley TJ. Anterior cruciate ligament reconstruction in the young athlete: a treatment algorithm for the skeletally immature. Clin Sports Med. 2011;30(4):801-10. doi: 10.1016/j.csm.2011.08.001Milewski MD, Beck NA, Lawrence JT, Ganley TJ. Anterior cruciate ligament reconstruction in the young athlete: a treatment algorithm for the skeletally immature. Clin Sports Med. 2011;30(4):801-10. doi: 10.1016/j.csm.2011.08.001Yoo WJ, Kocher MS, Micheli LJ. Growth plate disturbance after transphyseal reconstruction of the anterior cruciate ligament in skeletally immature adolescent patients: an MR imaging study. J Pediatr Orthop. 2011;31(6):691-6. doi: 10.1097/BPO.0b013e3182210952Yoo WJ, Kocher MS, Micheli LJ. Growth plate disturbance after transphyseal reconstruction of the anterior cruciate ligament in skeletally immature adolescent patients: an MR imaging study. J Pediatr Orthop. 2011;31(6):691-6. doi: 10.1097/BPO.0b013e3182210952Дедов И.И., Петеркова В.А., Семичева Т.В. и др. Детская эндокринология. Руководство по детской эндокринологии. М.: Универсум Паблишинг; 2006:600.Дедов И.И., Петеркова В.А., Семичева Т.В. и др. Детская эндокринология. Руководство по детской эндокринологии. М.: Универсум Паблишинг; 2006:600.Tanner JM, Whitehouse RH. A note on the bone age at which patients with true isolated growth hormone deficiency enter puberty. J Clin Endocrinol Metab. 1975;41(4):788-790. doi: 10.1210/jcem-41-4-788Tanner JM, Whitehouse RH. A note on the bone age at which patients with true isolated growth hormone deficiency enter puberty. J Clin Endocrinol Metab. 1975;41(4):788-790. doi: 10.1210/jcem-41-4-788Iannaccone, G. (1959). W. W. Greulich and S. I. Pyle: Radiographic atlas of skeletal development of the hand and wrist. 2nd edition. I volume-atlante di 256 pagine. Stanford University Press, Stanford, California, 1959. Acta Geneticae Medicae Et Gemellologiae: Twin Research. 8(4):513-513. doi: 10.1017/S1120962300018680Iannaccone, G. (1959). W. W. Greulich and S. I. Pyle: Radiographic atlas of skeletal development of the hand and wrist. 2nd edition. I volume-atlante di 256 pagine. Stanford University Press, Stanford, California, 1959. Acta Geneticae Medicae Et Gemellologiae: Twin Research. 8(4):513-513. doi: 10.1017/S1120962300018680Thodberg HH, Kreiborg S, Juul A, Pedersen KD. The BoneXpert method for automated determination of skeletal maturity. IEEE Trans Med Imaging. 2009;28(1):52-66. doi: 10.1109/TMI.2008.926067Thodberg HH, Kreiborg S, Juul A, Pedersen KD. The BoneXpert method for automated determination of skeletal maturity. IEEE Trans Med Imaging. 2009;28(1):52-66. doi: 10.1109/TMI.2008.926067Косик И.И., Кабак С.Л., Карапетян Г.М. и др. Определение костного возраста с использованием искусственного интеллекта. БГМУ в авангарде медицинской науки и практики: рецензируемый ежегодный сборник научных трудов. Минск: Белорусский государственный медицинский университет; 2020:154-165.Косик И.И., Кабак С.Л., Карапетян Г.М. и др. Определение костного возраста с использованием искусственного интеллекта. БГМУ в авангарде медицинской науки и практики: рецензируемый ежегодный сборник научных трудов. Минск: Белорусский государственный медицинский университет; 2020:154-165.Косик И.И, Недзьведь А.М, Карапетян Г.М. Комбинированный алгоритм определения костного возраста на основе анализа рентгенограмм кисти. Журнал Белорусского государственного университета. Математика. Информатика. 2020;(2):105-114. doi: 10.33581/2520-6508-2020-2-105-114Косик И.И, Недзьведь А.М, Карапетян Г.М. Комбинированный алгоритм определения костного возраста на основе анализа рентгенограмм кисти. Журнал Белорусского государственного университета. Математика. Информатика. 2020;(2):105-114. doi: 10.33581/2520-6508-2020-2-105-114Thodberg HH. Automatic determination of skeletal maturity using appearance models Proc. ESPE/LWPES 7th Joint Meeting. Hormone Res. 2005;64(Suppl. 1). doi: 10.1159/000088318Thodberg HH. Automatic determination of skeletal maturity using appearance models Proc. ESPE/LWPES 7th Joint Meeting. Hormone Res. 2005;64(Suppl. 1). doi: 10.1159/000088318Иванов Я.А., Ельцин А.Г., Мининков Д.С. Валидация и культурная адаптация шкалы KOOS-Child. Вестник травматологии и ортопедии им. НН Приорова. 2021;28(1):53-64. doi: 10.17816/vto60489Иванов Я.А., Ельцин А.Г., Мининков Д.С. Валидация и культурная адаптация шкалы KOOS-Child. Вестник травматологии и ортопедии им. НН Приорова. 2021;28(1):53-64. doi: 10.17816/vto60489Örtqvist M, Roos EM, Broström EW, et al. Development of the Knee Injury and Osteoarthritis Outcome Score for children (KOOS-Child): comprehensibility and content validity. Acta Orthop. 2012;83(6):666-73. doi: 10.3109/17453674.2012.747921Örtqvist M, Roos EM, Broström EW, et al. Development of the Knee Injury and Osteoarthritis Outcome Score for children (KOOS-Child): comprehensibility and content validity. Acta Orthop. 2012;83(6):666-73. doi: 10.3109/17453674.2012.747921Kocher MS, Smith JT, Iversen MD, et al D. Reliability, validity, and responsiveness of a modified International Knee Documentation Committee Subjective Knee Form (Pedi-IKDC) in children with knee disorders. Am J Sports Med. 2011;39(5):933-9. doi: 10.1177/0363546510383002Kocher MS, Smith JT, Iversen MD, et al D. Reliability, validity, and responsiveness of a modified International Knee Documentation Committee Subjective Knee Form (Pedi-IKDC) in children with knee disorders. Am J Sports Med. 2011;39(5):933-9. doi: 10.1177/0363546510383002De Sanctis V, Soliman AT, Di Maio S, Bedair S. Are the new automated methods for bone age estimation advantageous over the manual approaches? Pediatr Endocrinol Rev. 2014;12(2):200-205.De Sanctis V, Soliman AT, Di Maio S, Bedair S. Are the new automated methods for bone age estimation advantageous over the manual approaches? Pediatr Endocrinol Rev. 2014;12(2):200-205.Manzoor Mughal A, Hassan N, Ahmed A. Bone age assessment methods: a critical review. Pak J Med Sci. 2014;30(1):211-215. doi: 10.12669/pjms.301.4295Manzoor Mughal A, Hassan N, Ahmed A. Bone age assessment methods: a critical review. Pak J Med Sci. 2014;30(1):211-215. doi: 10.12669/pjms.301.4295Kim JR, Shim WH, Yoon HM, et al. Computerized Bone Age Estimation Using Deep Learning Based Program: Evaluation of the Accuracy and Efficiency. AJR Am J Roentgenol. 2017;209(6):1374-1380. doi: 10.2214/AJR.17.18224Kim JR, Shim WH, Yoon HM, et al. Computerized Bone Age Estimation Using Deep Learning Based Program: Evaluation of the Accuracy and Efficiency. AJR Am J Roentgenol. 2017;209(6):1374-1380. doi: 10.2214/AJR.17.18224Yildiz M, Guvenis A, Guven E, Talat D, Haktan M. Implementation and statistical evaluation of a web-based software for bone age assessment. J Med Syst. 2011;35(6):1485-9. doi: 10.1007/s10916-009-9425-zYildiz M, Guvenis A, Guven E, Talat D, Haktan M. Implementation and statistical evaluation of a web-based software for bone age assessment. J Med Syst. 2011;35(6):1485-9. doi: 10.1007/s10916-009-9425-zHalabi SS, Prevedello LM, Kalpathy-Cramer J, et al. The RSNA Pediatric Bone Age Machine Learning Challenge. Radiology. 2019;290(2):498-503. doi: 10.1148/radiol.2018180736Halabi SS, Prevedello LM, Kalpathy-Cramer J, et al. The RSNA Pediatric Bone Age Machine Learning Challenge. Radiology. 2019;290(2):498-503. doi: 10.1148/radiol.2018180736Booz C, Yel I, Wichmann JL, Boettger S, et al. Artificial intelligence in bone age assessment: accuracy and efficiency of a novel fully automated algorithm compared to the Greulich-Pyle method. Eur Radiol Exp. 2020;4(1):6. doi: 10.1186/s41747-019-0139-9Booz C, Yel I, Wichmann JL, Boettger S, et al. Artificial intelligence in bone age assessment: accuracy and efficiency of a novel fully automated algorithm compared to the Greulich-Pyle method. Eur Radiol Exp. 2020;4(1):6. doi: 10.1186/s41747-019-0139-9Lee H, Tajmir S, Lee J, et al. Fully Automated Deep Learning System for Bone Age Assessment. J Digit Imaging. 2017;30(4):427-441. doi: 10.1007/s10278-017-9955-8Lee H, Tajmir S, Lee J, et al. Fully Automated Deep Learning System for Bone Age Assessment. J Digit Imaging. 2017;30(4):427-441. doi: 10.1007/s10278-017-9955-8Nadeem MW, Goh HG, Ali A, et al. Bone Age Assessment Empowered with Deep Learning: A Survey, Open Research Challenges and Future Directions. Diagnostics (Basel). 2020;10(10):781. doi: 10.3390/diagnostics10100781Nadeem MW, Goh HG, Ali A, et al. Bone Age Assessment Empowered with Deep Learning: A Survey, Open Research Challenges and Future Directions. Diagnostics (Basel). 2020;10(10):781. doi: 10.3390/diagnostics10100781Iglovikov VI, Rakhlin A, Kalinin AA, Shvets AA. Paediatric Bone Age Assessment Using Deep Convolutional Neural Networks. In: Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support. DLMIA ML-CDS 2018. Lecture Notes in Computer Science. Springer, Cham.; 2018;11045. doi: 10.1007/978-3-030-00889-5_34Iglovikov VI, Rakhlin A, Kalinin AA, Shvets AA. Paediatric Bone Age Assessment Using Deep Convolutional Neural Networks. In: Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support. DLMIA ML-CDS 2018. Lecture Notes in Computer Science. Springer, Cham.; 2018;11045. doi: 10.1007/978-3-030-00889-5_34Nguyen QH, Nguyen BP, Nguyen MT, et al. Bone age assessment and sex determination using transfer learning. Expert Systems with Applications. 2022;200:116926. doi: 10.1016/j.eswa.2022.116926Nguyen QH, Nguyen BP, Nguyen MT, et al. Bone age assessment and sex determination using transfer learning. Expert Systems with Applications. 2022;200:116926. doi: 10.1016/j.eswa.2022.116926Lea WW, Hong SJ, Nam HK, et al. External validation of deep learning-based bone-age software: a preliminary study with real world data. Sci Rep. 2022;12(1):1232. doi: 10.1038/s41598-022-05282-zLea WW, Hong SJ, Nam HK, et al. External validation of deep learning-based bone-age software: a preliminary study with real world data. Sci Rep. 2022;12(1):1232. doi: 10.1038/s41598-022-05282-zWang X, Zhou B, Gong P, et al. Artificial Intelligence-Assisted Bone Age Assessment to Improve the Accuracy and Consistency of Physicians With Different Levels of Experience. Front Pediatr. 2022;10:818061. doi: 10.3389/fped.2022.818061Wang X, Zhou B, Gong P, et al. Artificial Intelligence-Assisted Bone Age Assessment to Improve the Accuracy and Consistency of Physicians With Different Levels of Experience. Front Pediatr. 2022;10:818061. doi: 10.3389/fped.2022.818061Guo L, Wang J, Teng J, Chen Y. Bone age assessment based on deep convolutional features and fast extreme learning machine algorithm. Front Energy Res. 2022;9: 813650. doi: 10.3389/fenrg.2021.813650Guo L, Wang J, Teng J, Chen Y. Bone age assessment based on deep convolutional features and fast extreme learning machine algorithm. Front Energy Res. 2022;9: 813650. doi: 10.3389/fenrg.2021.813650Son S.J., Song Y., Kim N., et al. TW3-based fully automated bone age assessment system using deep neural networks. IEEE Access. 2019;7:33346-33358. doi: 10.1109/ACCESS.2019.2903131Son S.J., Song Y., Kim N., et al. TW3-based fully automated bone age assessment system using deep neural networks. IEEE Access. 2019;7:33346-33358. doi: 10.1109/ACCESS.2019.2903131Li Y, Huang Z, Dong X, et al. Forensic age estimation for pelvic X-ray images using deep learning. Eur Radiol. 2019;29(5):2322-2329. doi: 10.1007/s00330-018-5791-6Li Y, Huang Z, Dong X, et al. Forensic age estimation for pelvic X-ray images using deep learning. Eur Radiol. 2019;29(5):2322-2329. doi: 10.1007/s00330-018-5791-6

The authors declare that there are no conflicts of interest present.