Background: The German Arthroplasty Registry (EPRD) recorded nearly 52,000 femoral neck fractures treated with arthroplasty by 2020. This study aimed to identify survival rates and risk factors for hip prosthesis failure.
Material and methods: The study included all patients with arthroplasty after hip fractures documented in the EPRD. Data were analyzed with focus on failure rate regarding implant, implantation technique, age, BMI, and comorbidities. For more complex analysis of dependencies, the machine learning algorithm (MLA) XGBoost (Extreme Gradient Boosting) was used.
Results: The study included 51,938 patients. The failure rate was 3.7% for HEs and 5.6% for THA. The failure rate increased in male patients (p < 0.0001), those with higher BMI, young patients with a high Elixhauser Comorbidity Score (ECS) and a cementless technique. The timepoint of surgery, i.e. ,working day vs. weekend or holiday had no influence on the outcome. The feature importance (FI) generated by MLA demonstrated factors with the highest impact on failure, i.e., survival time (1029), BMI (722), and age (481).
Conclusion: For younger patients with comorbidities, a cemented implantation technique should be considered. Failure rates of arthroplasties did not differ on workdays compared to weekends or holidays. MLA are suitable to analyze registry data for complex correlations of factors.
Zusammenfassung: HINTERGRUND: Das Endoprothesenregister Deutschland (EPRD) hat bis 2020 knapp 52.000 Schenkelhalsfrakturen erfasst, die mit Hüftendoprothesen versorgt wurden. Ziel der vorliegenden Studie war es, Überlebensraten und Risikofaktoren für einen Ausfall der Hüftendoprothese zu identifizieren.
Material und methoden: Alle Patienten mit Hüftendoprothesen nach Schenkelhalsfrakturen im EPRD wurden eingeschlossen. Die Daten wurden mit Hinblick auf die Ausfallwahrscheinlichkeit unter Berücksichtigung der Faktoren Implantationstechnik, Alter, BMI, Vorerkrankungen und Standzeit statistisch ausgewertet. Darüber hinaus haben wir den maschinellen Lernalgorithmus (MLA) XGBoost (Extreme Gradient Boosting) eingesetzt, um komplexe Beziehungen aufzudecken.
Ergebnisse: Die Daten von 51.938 Patienten konnten ausgewertet werden. Die Ausfallwahrscheinlichkeit beträgt 3,7 % (HE) bzw. 5,6 % (HTEP). Sie steigt an bei männlichem Geschlecht (p < 0,0001), erhöhtem BMI, jüngeren Patienten mit erhöhtem Elixhauser-Komorbiditäten-Score (ECS; Odds-Ratio 1,16) und zementfreier Technik (Odds-Ratio 6,25). Operationen an Wochenenden/Feiertagen führen zu keinem signifikanten Anstieg der Ausfallwahrscheinlichkeit. Eine durch MLA generierte „feature importance“ (FI) zeigt an, welche Faktoren den größten Einfluss haben, einen Ausfall vorauszusagen, wie Standzeit (1029), BMI (722), Alter (481).
Schlussfolgerung: Bei jüngeren Patienten mit Komorbiditäten sollte anhand unserer Ergebnisse eine zementierte Implantationstechnik in Betracht gezogen werden. Diskutierte höhere Revisionsraten nach Operationen an Wochenenden oder Feiertagen können nicht beobachtet werden. In Zukunft wird MLA dazu beitragen, präzisere Vorhersagen bei komplexen Zusammenhängen zu ermöglichen.
Keywords: Hip fractures; Machine learning; Prosthesis failure; Proximal femur fractures; Total hip arthroplasty.
© 2024. The Author(s), under exclusive licence to Springer Medizin Verlag GmbH, ein Teil von Springer Nature.