Bi-level inverse optimal control for preoperative prediction of postoperative squat kinematics after total knee replacement

कल्पना कीजिए कि आपका घुटना एक भारी दरवाजे के जटिल हिंज (कब्जे) की तरह है। जब वह दरवाजा जंग खाकर सख्त हो जाता है (जिसे ऑस्टियोआर्थराइटिस कहा जाता है), तो डॉक्टर उस हिंज को एक बिल्कुल नए हिंज से बदल देते हैं (टोटल नी रिप्लेसमेंट)। आमतौर पर, यह चलने या सीढ़ियां चढ़ने के लिए बहुत अच्छा काम करता है। लेकिन कभी-कभी, नया हिंज दरवाजे को पूरी तरह नीचे झुकने यानी गहरी स्क्वाट (deep squat) करने की अनुमति नहीं देता है, जो कि एक कठिन, उच्च-फ्लेक्शन वाली गतिविधि है।

अभी, सर्जरी से पहले, डॉक्टर स्टैटिक एक्स-रे देखते हैं—जैसे दरवाजे की एक स्थिर फोटो लेना। वे यह नहीं देख सकते कि नया हिंज वास्तव में चलते समय कैसा व्यवहार करेगा। उन्हें अनुमान लगाना पड़ता है कि कौन सा अलाइनमेंट सबसे अच्छा काम करेगा, लेकिन उनके पास पहले से यह बताने का कोई तरीका नहीं है कि गतिशीलता (dynamic motion) कैसी होगी।

नया "क्रिस्टल बॉल" सिमुलेशन
यह शोध पत्र एक नया कंप्यूटर सिमुलेशन पेश करता है जो घुटने की गति के लिए "क्रिस्टल बॉल" की तरह काम करता है। एक फोटो देखने के बजाय, यह भविष्यवाणी करने की कोशिश करता है कि सर्जरी के बाद मरीज कैसे स्क्वाट करेगा, इस आधार पर कि नया घुटना कैसे अलाइन किया गया है।

ऐसा करने के लिए, शोधकर्ताओं ने बाइ-लेवल इनवर्स ऑप्टिमल कंट्रोल (Bi-level Inverse Optimal Control) नामक एक चतुर दो-चरणीय सोच प्रक्रिया का उपयोग किया। यह कैसे काम करता है, इसे एक सरल उपमा से समझते हैं:

• समस्या: कल्पना कीजिए कि आप किसी व्यक्ति को पूरी तरह से स्क्वाट करते हुए देखते हैं। आप उन "नियमों" या "प्राथमिकताओं" को समझना चाहते हैं जिनका उपयोग उनके मस्तिष्क ने उस गति को करने के लिए किया था। क्या उन्होंने ऊर्जा बचाने को प्राथमिकता दी? क्या उन्होंने अपना संतुलन बनाए रखने को प्राथमिकता दी? या क्या उन्होंने यथासंभव तेजी से चलने को प्राथमिकता दी?
• विधि: कंप्यूटर उल्टा काम करता है। यह वास्तविक गति (स्क्वैट) को देखता है और पूछता है, "नियमों का ऐसा कौन सा सेट होगा जो किसी व्यक्ति को ठीक इसी तरह से चलाने के लिए प्रेरित करेगा?"

नियम सीखने के दो तरीके

शोधकर्ताओं ने इस पद्धति का परीक्षण दो अलग-अलग तरीकों से किया:

1. "पर्सनल ट्रेनर" दृष्टिकोण (व्यक्तिगत सेटिंग):
   कंप्यूटर ने छह विशिष्ट रोगियों का अध्ययन किया और प्रत्येक व्यक्ति के लिए व्यक्तिगत रूप से उनके अद्वितीय "नियमों" को सीखने की कोशिश की। यह एक व्यक्तिगत कोच की तरह था जिसने यह याद कर लिया कि आप वास्तव में कैसे चलते हैं।

• परिणाम: यह अविश्वसनीय रूप से सटीक था। कंप्यूटर की भविष्यवाणी वास्तविक गति से लगभग पूरी तरह मेल खाती थी, जिसमें कोण (angle) के मामले में त्रुटियां बहुत ही कम थीं (एक गुलाबी उंगली की चौड़ाई से भी कम)। इसने यह भी पता लगा लिया कि मरीज कितनी गहराई तक स्क्वाट करेगा, बिना उसे बताए; वह गहराई गणना से स्वाभाविक रूप से निकल कर आई।

2. "ग्रुप कोच" दृष्टिकोण (ग्रुप-लेवल सेटिंग):
   कंप्यूटर ने एक ही सेट "नियमों" को खोजने की कोशिश की जो सभी रोगियों के चलने के तरीके को समझा सके, न कि प्रत्येक व्यक्ति के लिए एक अनूठे सेट को सीखना। यह एक ऐसे कोच की तरह है जो एक सामान्य शैली सीखता है जो सभी के लिए काम करती है, बिना किसी विशेष एथलीट के विवरण को पहले से जाने।

• परिणाम: यह "पर्सनल ट्रेनर" जितना उत्तम तो नहीं था, लेकिन फिर भी बहुत अच्छा था। इसने स्क्वाट की सामान्य लय और पैटर्न को पकड़ लिया, भले ही सटीक कोण थोड़े अलग थे। महत्वपूर्ण बात यह है कि इस संस्करण को नियमों को सीखने के लिए किसी "सर्जरी के बाद" के डेटा की आवश्यकता नहीं थी, जो इसे ऑपरेशन से पहले परिणामों की भविष्यवाणी करने के लिए एक संभावित उपकरण बनाता है।

इसका क्या अर्थ है
यह अध्ययन दर्शाता है कि यह कंप्यूटर फ्रेमवर्क सर्जरी के बाद के स्क्वाट की प्रमुख विशेषताओं को सफलतापूर्वक पुन: उत्पन्न कर सकता है। यह सिद्ध करता है कि हम गणितीय रूप से इस बात को जोड़ सकते हैं कि घुटने के इम्प्लांट का अलाइनमेंट कैसे होता है और उसके बाद व्यक्ति वास्तव में कैसे चलता है।

हालाँकि, शोध पत्र सावधानीपूर्वक यह स्पष्ट करता है कि हालांकि यह आशाजनक दिखता है, लेकिन यह अभी एक प्रोटोटाइप है। इसे एक वास्तविक उपकरण के रूप में भरोसेमंद बनाने से पहले बहुत से लोगों (आउट-ऑफ-सैंपल वैलिडेशन) पर परीक्षण करने की आवश्यकता है। फिलहाल, यह एक शक्तिशाली 'प्रूफ-ऑफ-कॉन्सेप्ट' है जो स्टैटिक एक्स-रे और डायनेमिक, वास्तविक दुनिया की गति के बीच के अंतर को पाटता है।