Odlišení low-grade infekce TEP kyčle a kolena od aseptických komplikací s využitím imunocytologické analýzy a strojového učení

Poskytovatel

Ministerstvo zdravotnictví

Program

Program na podporu zdravotnického aplikovaného výzkumu na léta 2020 - 2026

Veřejná soutěž

SMZ0202100001

Hlavní účastníci

Univerzita Palackého v Olomouci / Lékařská fakulta

Druh soutěže

VS - Veřejná soutěž

Číslo smlouvy

NU21-06-00370

Název projektu anglicky

Differentiation of low-grade infection in THA and TKA from aseptic complications using immunocytologic analysis and machine learning

Anotace anglicky

Prosthetic joint infection (PJI) is the most frequent early complication in total joint arthroplasties. Approximately 30 thousand primary hip and knee replacements are implanted in the Czech Republic every year. The PJI frequency estimations vary between 0.5 and 2.5%. The first step to adequate therapy is differentiation between aseptic and septic inflammation what is not a problem in unambiguous infections. However, it is difficult in cases of infections of a low grade of clinical and laboratory expression (so-called low-grade PJIs). The situation is even worsened by the fact that “programs” for the anti-infectious response can be triggered when tissue macrophages are co-stimulated via hematogenously delivered bacterial stimuli. It is clinically impossible to distinguish between infection (real bacterial inflammation) and aseptic inflammation (induced by prosthetic byproducts) under these circumstances. Thus, orthopaedic surgeons can treat infectious cases as aseptic ones, and vice versa. Consequences of an inadequate procedure impact the patients: the treatment is prolonged, gets costlier, and the joint prognosis is worsened. This is why it is essential for clinicians to “read” the real communication among cells and understand multi-source diagnostic information. Machine learning methods offer integration of heterogeneous data obtained from the patient’s examination into a probabilistic output. They also have the ability to “self-learn”. In practice it means that the diagnostic tool’s performance starts to improve after its implementation, its predictions get more precise after multiple use. Refinement and acceleration of the diagnostic process are undoubtedly of high value – for patients, physicians and healthcare payers.

Kategorie VaV

AP - Aplikovaný výzkum

OECD FORD - hlavní obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

OECD FORD - vedlejší obor

30102 - Immunology

OECD FORD - další vedlejší obor

30211 - Orthopaedics

CEP - odpovídající obory <br>(dle <a href="http://www.vyzkum.cz/storage/att/E6EF7938F0E854BAE520AC119FB22E8D/Prevodnik_oboru_Frascati.pdf">převodníku</a>)

AF - Dokumentace, knihovnictví, práce s informacemi<br>BC - Teorie a systémy řízení<br>BD - Teorie informace<br>EC - Imunologie<br>FI - Traumatologie a ortopedie<br>IN - Informatika

Zahájení řešení

1. 5. 2021

Ukončení řešení

31. 12. 2024

Poslední stav řešení

K - Končící víceletý projekt

Poslední uvolnění podpory

28. 4. 2023

Důvěrnost údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Systémové označení dodávky dat

CEP24-MZ0-NU-R

Datum dodání záznamu

21. 2. 2024

Celkové uznané náklady

10 825 tis. Kč

Výše podpory ze státního rozpočtu

10 825 tis. Kč

Ostatní veřejné zdroje financování

0 tis. Kč

Neveřejné tuz. a zahr. zdroje finan.

0 tis. Kč