Hoe kan AI digitale modellering ondersteunen voor maatwerk orthopedische hulpmiddelen?

Voorspellen en voorbereiden

Wie vandaag een orthese maakt op basis van een scan van een lidmaat, start met een reeks manueel uitgevoerde digitale correctiestappen: volumes aanpassen, materiaal toevoegen of weghalen, verschillende 3D-modellen combineren. Complex en cruciaal voor het eindresultaat, maar ook tijdrovend en gevoelig voor variatie.

GO-AID onderzoekt of AI in staat is om 3D-scans correct te reconstrueren en relevante voorspellingen te maken van de benodigde mal waarop de orthesevorm gemaakt wordt. Het doel is niet om beslissingen te automatiseren, maar om het digitale modelleerproces voor te bereiden.

Concreet betekent dat: sneller werken, consistentere resultaten en behoud van controle voor de modelleerder.

Onbetreden paden

AI-toepassingen zijn vandaag sterk in 2D-beeldanalyse, zoals herkenning en reproductie op basis van foto’s. Orthopedische modellering van scans vraagt iets fundamenteel anders: begrip van driedimensionale anatomie.

Zo bestaat een 3D-weergave van een voet of onderbeen, bijvoorbeeld, uit complexe ‘meshes’: netwerken van vlakken, randen en punten die met elkaar verbonden zijn. Die correct interpreteren, aanpassen en opbouwen vraagt andere algoritmes dan klassieke beeldverwerking. Eerdere experimenten maakten dat duidelijk.

Jan licht toe: “We kregen 3D-modellen die er op het eerste gezicht goed uitzagen, maar we hadden geen inzicht in hoe het resultaat tot stand kwam.” Dat is problematisch op meerdere vlakken.

• Klinisch: is een correctie correct en verantwoord?
• Juridisch: is het proces MDR-conform?
• Praktisch: kan een modelleerder bijsturen?

“Daarom besteden we met GO-AID bijzonder veel aandacht aan de transparantie en uitlegbaarheid van de AI-toepassingen en hun werkwijze”, vertelt Jan.

De kern van het onderzoek

GO-AID is opgezet in twee duidelijke fasen.

In het eerste onderzoeksjaar brengt Femke Danckaers in kaart welke AI-methodes vandaag geschikt zijn om 3D-vormen betrouwbaar te analyseren en genereren in een medische context. Nauwkeurigheid en uitlegbaarheid staan centraal.

In het tweede onderzoeksjaar verschuift de focus naar concrete orthopedische toepassingen, met de enkel-voetorthese bij patiënten met cerebrale parese (CP) als eerste use case. Een bewuste keuze: dat is één van de meest complexe en foutgevoelige orthesen, zowel bij maatname als modellering. Wie hier vooruitgang boekt, kan de inzichten later toepassen op andere pathologieën en lichaamsdelen.

Het onderzoek richt zich dan ook op die twee kritische stappen:

• Digitale maatname: hoe kan AI omgaan met variabele scankwaliteit, bijvoorbeeld bij patiënten met complexe pathologieën zoals CP, die hun onderbeen tijdens het scannen niet kunnen stilhouden?
• Scancorrectie van het onderbeen: hoe kan AI dat arbeidsintensieve CAD-proces ondersteunen?

“Een enkel-voetorthese aanmeten bij CP-patiënten is vandaag belastend voor de patiënt”, legt Femke uit. “Het been moet gefixeerd worden en de maatname duurt lang. Bovendien zijn er vaak meerdere pasmomenten vereist. Tegelijk moet de orthese functioneel blijven: de patiënt moet op de voet kunnen staan en lopen. Dat alles maakt dit proces erg complex.”

Onderzoek in en mét de praktijk

Femke en Vigo’s innovatieteam werken nauw samen. Zij en Jan overleggen wekelijks en ook andere collega’s bieden ondersteuning: richting bepalen, data aanleveren in realistische settings en bevindingen toetsen aan de praktijk van verstrekkers.

Wat het langetermijndoel is van het onderzoek? Femke: “Een patiënt met CP komt langs bij de orthopedische verstrekker en het onderbeen wordt zo comfortabel mogelijk gescand. De inzet van AI helpt vervolgens bij het opleveren van een klinisch bruikbare, gecorrigeerde basisvorm waarop de ontwerper verder bouwt.”