INSIDE

L’arthroplastie totale du genou (TKA) est l’intervention de remplacement articulaire la plus courante, avec des taux de révision variables selon les techniques. L’insatisfaction postopératoire, plus fréquente qu’après une prothèse de hanche, augmente encore en cas de révision. Elle est souvent liée à une douleur persistante ou à une fonction altérée, impactant fortement la qualité de vie. Outre les risques infectieux, l’insatisfaction a déjà été associée à un mauvais positionnement de l’implant, une instabilité articulaire, des complications mécaniques (usure, descellement), un déséquilibre tissulaire ou une surcharge rotulienne.

Le suivi postopératoire, basé sur l’examen clinique et l’imagerie, pourrait être renforcé pour mieux anticiper les risques et adapter les traitements. Les biomarqueurs, utiles pour détecter l’inflammation, le descellement ou l’usure, peuvent compléter les autres outils diagnostiques. Si les capteurs portables permettent un suivi continu, ceux intégrés aux implants posent des défis réglementaires. L’apprentissage automatique (machine learning) est prometteur mais nécessite des bases de données exhaustives encore rares. Les modèles mécaniques musculosquelettiques (MSK) et éléments finis (FE) ont montré leur efficacité pour prédire les surcharges articulaires, mais leur coût et leur temps de calcul freinent leur usage clinique.

INSIDE propose de centrer le jumeau numérique (DT) sur la prothèse implantée, en s’appuyant sur des modèles multi-échelles existants pour améliorer la prédiction de l’insatisfaction du patient. Le projet fédère des équipes expertes dans le suivi à différentes échelles : patient, articulaire, osseuse et cellulaire. Ces données multi-échelles seront intégrées à l’aide de méta-modèles prenant en compte les incertitudes de mesure et de simulation. Avec le soutien d’un centre technique industriel (disposant d’un laboratoire dédié en biomécanique) et d’une entreprise spécialisée dans les jumeaux numériques pour la Santé, INSIDE développera un DT de genou, mis à jour avec des données patient-spécifiques pour anticiper les complications. Au lieu de reposer sur de vastes bases de données, INSIDE combinera données multi-échelles et connaissances mécanistiques existantes. Le projet ciblera des patients à haut risque opérés en révision de TKA, à travers des cohortes prospectives et rétrospectives.

Trois groupes de tâches (WPs) collecteront données et biomarqueurs. WP1 recueillera des données cliniques (imagerie, examens), enrichies par des analyses du mouvement et des prélèvements (sang, liquide synovial, os). WP2 utilisera un modèle MSK basé sur la forme osseuse et la cinématique pour estimer les charges articulaires, ligamentaires et prothétiques. Un modèle FE, validé par essais mécaniques avec lubrifiants biomimétiques, prédira l’usure et la pression à l’interface os-implant. WP3 étudiera les réponses biologiques aux sollicitations mécaniques, à travers biomarqueurs et modélisation du remodelage osseux via des tests sur explants. WP4 intégrera ces données pour identifier des marqueurs de risque généralisables. L’utilisation de métamodèles accélèrera les prédictions en permettant aussi de tenir compte de l’incertitude. WP5 garantira la crédibilité scientifique grâce à des formations sur la Vérification & Validation des modèles, la gestion de l’incertitude et l’application des principes FAIR pour le partage des données, des modèles et des méthodologies.

Les chirurgiens et les patients seront impliqués pour favoriser l’appropriation du jumeau numérique en suivi post-opératoire. INSIDE vise à réduire les complications, améliorer la satisfaction et optimiser la planification préopératoire. Les données et connaissances produites seront partagées pour généraliser les résultats à d’autres implants orthopédiques. Montrer que l’insatisfaction peut être prédite à partir d’une cohorte réduite mais exhaustive et cohérente pourrait transformer les approches multi-échelles en chirurgie orthopédique.