Цифровые технологии в лечении больных с переломами нижней челюсти. Современное состояние вопроса по данным систематического обзора литературы

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Переломы нижней челюсти являются наиболее распространенным видом повреждений костей лицевого скелета. Однако, несмотря на внедрение в клиническую практику новых хирургических технологий, частота развития осложнений у пациентов с этим видом травмы остается недопустимо высокой, что диктует необходимость совершенствования их методов лечения. Цель исследования — оценить возможности и эффективность применения цифровых технологий при оказании медицинской помощи у пациентов с переломами нижней челюсти на основании анализа литературных данных. Настоящее исследование является первым систематическим обзором по данному вопросу. Изучены базы данных РИНЦ, Medline (PubMed), Google Scholar с 2000 по 2024 г. Использовались поисковые термины, отражающие понятия «цифровые технологии», «переломы нижней челюсти», «остеосинтез», «компьютер-ассистированная хирургия», «сверточные нейронные сети». Имеющиеся исследования посвящены совершенствованию методов диагностики, созданию хранилищ больших баз клинических и рентгенологических баз данных с возможностью их автоматизированного анализа, глубокому обучению сверточных нейронных сетей по интерпретации получаемых рентгенологических изображений, техническому сопровождению хирургических манипуляций с целью повышения точности репозиции костных фрагментов и их фиксации. Цифровые технологии в настоящее время позволяют на доказательной основе оценивать значимость тех или иных клинических параметров при выборе тактики лечения, играют вспомогательную роль при оценке рентгенологических изображений, повышают точность расположения фиксирующих конструкций и сопоставления костных фрагментов, сокращают время операции. В статье разбираются факторы, препятствующие широкому внедрению цифровых технологий в практику лечения больных с данным видом травмы, и пути их преодоления.

Об авторах

Александр Сергеевич Панкратов

Первый Московский государственный медицинский университет им. И.М. Сеченова (Сеченовский университет); Российская медицинская академия непрерывного профессионального образования

Email: stomat-2008@mail.ru
ORCID iD: 0000-0001-9620-3547
SPIN-код: 9785-2632

д.м.н., профессор

Россия, Москва; Москва

Олег Леонидович Головин

Институт прикладных информационных технологий

Email: olgol2020@rambler.ru
ORCID iD: 0009-0006-7500-9343
SPIN-код: 7847-3205

к.э.н.

Россия, Москва

Василий Михайлович Гринин

Первый Московский государственный медицинский университет им. И.М. Сеченова (Сеченовский университет)

Email: grynin@mail.ru
ORCID iD: 0000-0002-2280-8559
SPIN-код: 9663-2378

д.м.н., профессор

Россия, Москва

Джалил Магомедович Джандаров

Первый Московский государственный медицинский университет им. И.М. Сеченова (Сеченовский университет)

Автор, ответственный за переписку.
Email: dzhandarov2000@mail.ru
ORCID iD: 0009-0005-3477-6311
SPIN-код: 7659-2648

врач — челюстно-лицевой хирург

Россия, Москва

Список литературы

  1. Челюстно-лицевая хирургия: национальное руководство / под ред. А.А. Кулакова. — М.: ГЭОТАР-Мед, 2023. — 696 с. [Chelyustno-licevaya hirurgiya: nacional’noe rukovodstvo / pod red. A.A. Kulakova. Moskva: GEOTAR-Med; 2023. 696 s. (In Russ.)]
  2. Перелом нижней челюсти: клинические рекомендации (протоколы лечения) // Официальный сайт Стоматологической ассоциации России. Available from: http://www.e-stomatology.ru/ director/protocols/protocol_perelom.php (accessed: 07.11.2024).
  3. Tepper OM, Sorice S, Hershman GN, et al. Use of virtual 3-dimensional surgery in post-traumatic craniomaxillofacial reconstruction. J Oral Maxillofac Surg. 2011;69(3):733–741. doi: https://doi.org/10.1016/j.joms.2010.11.028
  4. Zoabi A, Redenski I, Oren D, et al. 3D Printing and Virtual Surgical Planning in Oral and Maxillofacial Surgery. J Clin Med. 2022;11(9):2385. doi: https://doi.org/10.3390/jcm11092385
  5. Chen CC, Yang CH, Chang YJ, et al. Repairing Facial Fractures with Interrupted Maxillary-mandibular Arches by Computer-assisted Reverse Planning Model Surgery. Plast Reconstr Surg Glob Open. 2022;10(2):e4149. doi: https://doi.org/10.1097/GOX.0000000000004149
  6. Pavlychuk T, Chernogorskyi D, Chepurnyi Y, et al. Application of CAD/CAM technology for surgical treatment of condylar head fractures: A preliminary study. J Oral Biol Craniofac Res. 2020;10(4):608–614. doi: https://doi.org/10.1016/j.jobcr.2020.08.018
  7. Chen CL, Zenga J, Patel R, et al. Complications and Reoperations in Mandibular Angle Fractures. JAMA Facial Plast Surg. 2018;20(3):238–243. doi: https://doi.org/10.1001/jamafacial.2017.2227
  8. Regev E, Shiff JS, Kiss A, et al. Internal fixation of mandibular angle fractures: a meta-analysis. Plast Reconstr Surg. 2010;125(6):1753–1760. doi: https://doi.org/10.1097/PRS.0b013e3181d0a9fc
  9. Панкратов А.С. Анализ послеоперационных осложнений при использовании современных технологий накостного остеосинтеза нижней челюсти (К 130-летию разработки Hausmann первых накостных пластин для фиксации фрагментов нижней челюсти) // Российский стоматологический журнал. — 2016. — Т. 20. — № 5. — С. 237–244. [Pankratov AS. The analysis of postoperative complications with the use of modern technologies of osteosynthesis of the lower plate of four-jaw position (To the 130th anniversary of the development Hausmann first plate pla stin for fixation of frag-ments of the lower jaw). Rossiyskiy Stomatologicheskiy Zhurnal. 2016;20(5):237–244. (In Russ.)] doi: https://doi.org/10.18821/1728-2802
  10. Markowitz BL, Sinow JD, Kawamoto HK, et al. Prospective comparison of axial computed tomography and standard and panoramic radiographs in the diagnosis of mandibular fractures. Ann Plast Surg. 1999;42(2):163–169. doi: https://doi.org/10.1097/00000637-199902000-00010
  11. Wilson IF, Lokeh A, Benjamin CI, et al. Contribution of conventional axial computed tomography (nonhelical), in conjunction with panoramic tomography (zonography), in evaluating mandibular fractures. Ann Plast Surg. 2000;45(4):415–421. doi: https://doi.org/10.1097/00000637-200045040-00011
  12. Chacon GE, Dawson KH, Myall RW, et al. A comparative study of 2 imaging techniques for the diagnosis of condylar fractures in children. J Oral Maxillofac Surg. 2003;61(6):668–672. doi: https://doi.org/10.1053/joms.2003.50134
  13. Kaeppler G, Cornelius CP, Ehrenfeld M, et al. Diagnostic efficacy of cone-beam computed tomography for mandibular fractures. Oral Surg Oral Med Oral Pathol Oral Radiol. 2013;116(1):98–104. doi: https://doi.org/10.1016/j.oooo.2013.04.004
  14. Suskin JA, Rao V, Crozier JW, et al. Re-evaluating the need for orthopantomography in the management of mandibular trauma: is computed tomography enough? Emerg Radiol. 2022;29(4):663–670. doi: https://doi.org/10.1007/s10140-022-02049-x
  15. Rashid A, Feinberg L, Fan K. The Application of Cone Beam Computed Tomography (CBCT) on the Diagnosis and Management of Maxillofacial Trauma. Diagnostics (Basel). 2024;14(4):373. doi: https://doi.org/10.3390/diagnostics14040373
  16. Zhou ZhW, Li Zh, Ren J, et al. Digital diagnosis and treatment of mandibular condylar fractures based on Extensible Neuro imaging Archive Toolkit (XNAT). PLoS One. 2018;13(2):e0192831. doi: https://doi.org/10.1371/journal.pone.0192831
  17. Gao Y, Burns SS, Lauzon CB, et al. Integration of XNAT/PACS, DICOM, and Research Software for Automated Multi-modal Image Analysis. Proc SPIE Int Soc Opt Eng. 2013;8674:10.1117/12.2007621. doi: https://doi.org/10.1117/12.2007621
  18. Litjens G, Kooi Th, Bejnordi BE, et al. A survey on deep learning in medical image analysis. Med Image Anal. 2017;42:60–88 doi: https://doi.org/10.1016/j.media.2017.07.005
  19. Krizhevsky A, Sutskever I, Hinton GE. ImageNet classification with deep convolutional neural networks. Commun ACM. 2017;60(6):84–90. doi: https://doi.org/10.1145/3065386
  20. Alzubaidi L, Zhang J, Humaidi AJ, et al. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. J Big Data. 2021;8(1):53. doi: https://doi.org/10.1186/s40537-021-00444-8
  21. F1 Score in Machine Learning // Официальный сайт ENCORD. 18.06.2023. Available from: https://encord.com/blog/f1-score-in-machine-learning/ (accessed: 07.11.2024).
  22. Nishiyama M, Ishibashi K, Ariji Y, et al. Performance of deep learning models constructed using panoramic radiographs from two hospitals to diagnose fractures of the mandibular condyle. Dentomaxillofac Radiol. 2021;50(7):20200611. doi: https://doi.org/10.1259/dmfr.20200611
  23. Son DM, Yoon YA, Kwon HJ, et al. Automatic detection of mandibular fractures in panoramic radiographs using deep learning. Diagnostics (Basel). 2021;11(6):933. doi: https://doi.org/10.3390/diagnostics11060933
  24. Warin K, Limprasert W, Suebnukarn S, et al. Assessment of deep convolutional neural network models for mandibular fracture detection in panoramic radiographs. Int J Oral Maxillofac Surg. 2022;51(11):1488–1494. doi: https://doi.org/10.1016/j.ijom.2022.03.056
  25. Vinayahalingam Sh, Nistelrooij N, van Ginneken B, et al. Detection of mandibular fractures on panoramic radiographs using deep learning. Sci Rep. 2022;12(1):19596. doi: https://doi.org/10.1038/s41598-022-23445-w
  26. Shahnavazi M, Mohamadrahimi H. The application of artificial neural networks in the detection of mandibular fractures using panoramic radiography. Dent Res J (Isfahan). 2023;20:27. doi: https://doi.org/10.4103/1735-3327.369629
  27. Amodeo M, Abbate V, Arpaia P, et al. Transfer learning for an automated detection system of fractures in patients with maxillofacial trauma. Appl Sci. 2021;11(14):6293. doi: https://doi.org/10.3390/app11146293
  28. Warin K, Limprasert W, Suebnukarn S, et al. Maxillofacial fracture detection and classification in computed tomography images using convolutional neural network-based models. Sci Rep. 2023,13(1):3434. doi: https://doi.org/10.1038/s41598-023-30640-w
  29. Wang X, Xu Z, Tong Y, et al. Detection and classification of mandibular fracture on CT scan using deep convolutional neural network. Clin Oral Investig. 2022;26(6):4593–4601. doi: https://doi.org/10.1007/s00784-022-04427-8
  30. Barker TM, Earwaker WJ, Lisle DA. Accuracy of stereolithographic models of human anatomy. Australas Radiol. 1994;38(2):106–111. doi: https://doi.org/10.1111/j.1440-1673.1994.tb00146.x
  31. Коротких Н.Г., Степанов И.В., Станислав И.Н., и др. Оптимизация хирургического лечения переломов нижней челюсти за счет компьютерного 3D-моделирования и использования наноструктурных металлоконструкций // Вестник новых медицинских технологий. — 2010. — Т. 17. — № 2. — С. 274–275. [Korotkikh NG, Stepanov IV, Stanislav IN, et al. Optimisation of surgical treatment of lower jaw fractures by means of computer 3D-modelling and nanostructural metal construction use. Vestnik novyh medicinskih tekhnologij. 2010;17(2):274–275. (In Russ.)]
  32. Bergeron L, Bonapace-Potvin M, Bergeron F. In-house 3D Model Printing for Acute Cranio-maxillo-facial Trauma Surgery: Process, Time, and Costs. Plast Reconstr Surg Glob Open. 2021;9(9):e3804. doi: https://doi.org/10.1097/GOX.0000000000003804
  33. Druelle C, Touzet-Roumazeille S, Raoul G, et al. How to produce pre-shaped rigid arch bars using low-cost 3D printing technology — A technical note. J Stomatol Oral Maxillofac Surg. 2017;118(4):213–216. doi: https://doi.org/10.1016/j.jormas.2017.05.006
  34. Grippaudo C, Giudice AL, Saponaro G, et al. The Use of a CAD/CAM Thermoformed Splints System in Closed Reduction of Condylar Fractures. Bioengineering (Basel). 2023;10(9):1023. doi: https://doi.org/10.3390/bioengineering10091023
  35. Yang ML, Zhang B, Zhou Q. Minimally-invasive open reduction of intracapsular condylar fractures with preoperative simulation using computer-aided design. Br J Oral Maxillofac Surg. 2013;51(3):e29–33. doi: https://doi.org/10.1016/ j.bjoms .2012.03.005
  36. Fowell C, Edmondson S, Martin T, et al. Rapid prototyping and patient-specific pre-contoured reconstruction plate for comminuted fractures of the mandible. Br J Oral Maxillofac Surg. 2015;53(10):1035–1037. doi: https://doi.org/10.1016/j.bjoms.2015.06.018
  37. Voss JO, Varjas V, Raguse JD. Computed tomography-based virtual fracture reduction techniques in bimandibular fractures. J Cranio-Maxillofacial Surg. 2016;44(2):177–185. doi: https://doi.org/10.1016/j.jcms.2015.11.010
  38. Ma J, Ma L, Wang Z, et al. The use of 3D-printed titanium mesh tray in treating complex comminuted mandibular fractures: A case report. Medicine (Baltimore). 2017;96(27):e7250. doi: https://doi.org/10.1097/MD.0000000000007250
  39. Alagarsamy R, Lal B, Sagar S, et al. Digital workflow for treating comminuted anterior mandibular fracture — A technical note. J Stomatol Oral Maxillofac Surg. 2021;122(4):453–455. doi: https://doi.org/10.1016/j.jormas.2020.08.006
  40. Kokosis G, Davidson EH, Pedreira R, et al. The Use of Computer-Aided Design and Manufacturing in Acute Mandibular Trauma Reconstruction. J Oral Maxillofac Surg. 2018;76:1036–1043. doi: https://doi.org/10.1016/j.joms.2017.12.008
  41. el-Gengehi M, Seif SA. Evaluation of the Accuracy of Computer-Guided Mandibular Fracture Reduction. J Craniofac Surg. 2015;26(5):1587–1591. doi: https://doi.org/10.1097/SCS.0000000000001773
  42. Palka L, Konstantinovic V, Pruszynski P, et al. Analysis using the finite element method of a novel modular system of additively manufactured osteofixation plates for mandibular fractures — A preclinical study. Biomed Signal Process Control. 2021;65(2):102342. doi: https://doi.org/10.1016/j.bspc.2020.102342
  43. Sinha P, Skolnick G, Patel KB, et al. A 3-Dimensional-Printed Short-Segment Template Prototype for Mandibular Fracture Repair. JAMA Facial Plast Surg. 2018;20(5):373–380. doi: https://doi.org/10.1001/jamafacial.2018.0238
  44. Marschall JS, Dutra V, Flint RL, et al. In-house digital workflow for the management of acute mandible fractures. J Oral Maxillofac Surg. 2019;77(10):2084.e1–2084.e9. doi: https://doi.org/10.1016/j.joms.2019.05.027
  45. Zhuang H, Zhu B, Bu S. Short-Segment Drilling Guides for the Management Comminuted Mandibular Fractures. J Craniofac Surg. 2022;33(7):e724–e726. doi: https://doi.org/10.1097/SCS.0000000000008637
  46. King C, Shafi A, Burke E. Optimising the management of concurrent symphyseal/parasymphyseal and bilateral extracapsular condylar fractures using three-dimensional printing. Oral Maxillofac Surg. 2020;24(2):217–219. doi: https://doi.org/10.1007/s10006-019-00820-y
  47. Sharaf BA, Morris JM, Kuruoglu D. EPPOCRATIS: A Point-of-Care Utilization of Virtual Surgical Planning and Three-Dimensional Printing for the Management of Acute Craniomaxillofacial Trauma. J Clin Med. 2021;10(23):5640. doi: https://doi.org/10.3390/jcm10235640
  48. King BJ, Park EP, Christensen BJ, et al. On-Site 3-Dimensional Printing and Preoperative Adaptation Decrease Operative Time for Mandibular Fracture Repair. J Oral Maxillofac Surg. 2018;76(9):1950.e1–1950.e8. doi: https://doi.org/10.1016/j.joms.2018.05.009
  49. Klatt J, Heiland M, Blessmann M. Clinical indication for intraoperative 3D imaging during open reduction of fractures of the neck and head of the mandibular condyle. J Craniomaxillofac Surg. 2011;39(4):244–248. doi: https://doi.org/10.1016/j.jcms.2010.06.009
  50. Bergeron L, Bouchard S, Bonapace-Potvin M, et al. Intraoperative surgical navigation reduces the surgical time required to treat acute major facial fractures. Plast Reconstr Surg. 2019;144(4):923–931. doi: https://doi.org/10.1097/PRS.0000000000006040
  51. Boffano P, Corre P, Righi S. The role of intra-articular surgery in the management of mandibular condylar head fractures. Atlas Oral Maxillofac Surg Clin North Am. 2017;25(1):25–34. doi: https://doi.org/10.1016/j.cxom.2016.10.001
  52. Han C, Dilxat D, Zhang X, et al. Does intra-operative navigation improve the anatomical reduction of intracapsular condylar fractures? J Oral Maxillofac Surg. 2018;76(12):2583–2591. doi: https://doi.org/10.1016/j.joms.2018.07.030
  53. Shakya S, Zhang X, Liu L. Key points in surgical management of mandibular condylar fractures. Chin J Traumatol. 2020;23(2):63–70. doi: https://doi.org/10.1016/j.cjtee.2019.08.006
  54. Zeng W, Lian X, Chen G. Digital diagnosis and treatment program for maxillofacial fractures: a retrospective analysis of 626 cases. J Oral Maxillofac Surg. 2018;76(7):1470–1478. doi: https://doi.org/10.1016/j.joms.2017.11.040
  55. Панкратов А.С., Гоциридзе З.П., Куршина С.И., и др. Опыт использования стандартизованного алгоритма оперативного лечения пациентов с переломами нижней челюсти // Вестник РАМН. — 2023. — Т. 78. — № 3. — С. 227–233. [Pankratov AS, Gotsiridze ZP, Kurshina SI, et al. Experience in Using a Standardized Algorithm for Surgical Treatment of Patients with Mandibular Fractures. Annals of the Russian Academy of Medical Sciences. 2023;78(3):227–233. (In Russ.)] doi: https://doi.org/10.15690/vramn2128
  56. Schneider M, Erasmus F, Gerlach KL, et al. Open reduction and internal fixation versus closed treatment and mandibulomaxillary fixation of fractures of the mandibular condylar process: a randomized, prospective, multicenter study with special evaluation of fracture level. J Oral Maxillofac Surg. 2008;66(12):2537–2544. doi: https://doi.org/10.1016/j.joms.2008.06.107
  57. Minervini G, Franco R, Marrapodi MM, et al. Conservative treatment of temporomandibular joint condylar fractures: A systematic review conducted according to PRISMA guidelines and the Cochrane Handbook for Systematic Reviews of Interventions. J Oral Rehabil. 2023;50(9):886–893. doi: https://doi.org/10.1111/joor.13497
  58. Dashti M, Ghaedsharaf S, Ghasemi Sh, et al. Evaluation of deep learning and convolutional neural network algorithms for mandibular fracture detection using radiographic images: A systematic review and meta-analysis. Imaging Sci Dent. 2024;54(3):232–239. doi: https://doi.org/10.5624/isd20240038
  59. Гусаров А.М., Иванов С.Ю., Митрошенков П.Н., и др. Лечение пациентов с посттравматическими деформациями скулоорбитального комплекса с использованием интраоперационных навигационных систем // Голова и шея. — 2018. — Т. 6. — № 1. — С. 35–41. [Gusarov AM, Ivanov SYu, Mitroshenkov PN, et al. Treatment of patients with posttraummatic deformations of the zygomatico-orbital complex with the intraoperative navigation system use. Golova I Sheya = Head and Neck. Russian Journal. 2018;6(1):35–41. (In Russ.)] doi: https://doi.org/10.25792/HN.2018.6.1.35-41

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Издательство "Педиатръ", 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».