目的探討復雜人工全膝關節置換術（total knee arthroplasty，TKA）中采用股直肌斜切輔助顯露的安全性及有效性。方法回顧分析 2016 年 1 月—2017 年 5 月，采用股直肌斜切輔助顯露的 19 例（29 膝）復雜 TKA 患者臨床資料。其中男 9 例（13 膝），女 10 例（16 膝）；年齡 34～66 歲，平均 50.2 歲。強直性脊柱炎 4 例（8 膝），類風濕性關節炎 5 例（7 膝），膝關節骨關節炎 10 例（14 膝）。病程 8～15 年，平均 10.9 年。Kellgren-LawrenceⅢ級 12 膝，Ⅳ級 17 膝。患者膝關節活動度為（19.86±7.23）°，膝關節學會評分系統（KSS）臨床評分（47.86±11.26）分、功能評分（15.52±11.21）分。術后隨訪納入并發癥、膝關節活動度、KSS 評分、伸膝遲滯發生情況及假體松動情況。結果術后切口均Ⅰ期愈合，無感染及心腦血管意外等并發癥發生。患者均獲隨訪，隨訪時間 25～39 個月，平均 30.3 個月。末次隨訪時，患者膝關節活動度為（91.03±7.30）°，KSS 臨床評分為（83.62±9.99）分、功能評分為（66.38±7.89）分，均較術前明顯改善，差異有統計學意義（P<0.05）。3 膝出現伸膝遲滯，分別遲滯 10°、10°、15°。X 線片復查未見假體位置不良、松動及病理性透亮線。結論復雜 TKA 中采用股直肌斜切能有效顯露膝關節術野，減少髕腱撕脫、髕骨骨折以及股四頭肌肌腱損傷等并發癥的發生；采用 Krackow 肌腱縫合法修復切斷的股直肌有利于術后早期膝關節功能鍛煉及恢復，而且不會增加并發癥發生風險。
目的總結膝關節單髁置換術（unicompartmental knee arthroplasty，UKA）的臨床應用及研究進展。方法廣泛查閱近年國內外 UKA 相關文獻，從 UKA 新出現的手術指征、假體類型選擇、與其他術式對比以及最新進展等方面進行總結分析。結果臨床研究表明 UKA 具有創傷小、恢復快、術后并發癥少等諸多優點。目前該手術適應證有所擴展，體質量指數>25 kg/m2、年齡<60 歲、髕股關節炎及前交叉韌帶功能不良不再屬于手術禁忌證。UKA 術中假體類型的選擇需要充分考慮患者情況。近年，臨床逐漸開展的機器人輔助 UKA 可有效改善手術療效，提高患者術后滿意度，降低術后并發癥。結論隨著手術技術、假體材料及機器人技術的發展，UKA 臨床應用會更廣泛，但目前大多為短、中期隨訪研究，需要進一步觀察長期隨訪結果以指導臨床實踐。
目的探究術前數字化模板計劃用于直接前方入路（direct anterior approach，DAA）人工全髖關節置換術（total hip arthroplasty，THA）的準確性，及其對近期療效的影響。方法回顧分析 2016 年 1 月—2018 年 5 月收治并符合選擇標準的 77 例（109 髖）采用 DAA 行 THA 治療的股骨頭缺血性壞死患者臨床資料。其中，40 例（56 髖）術前采用數字化模板計劃（A 組），37 例（53 髖）采用傳統模板計劃（B 組）。兩組患者年齡、性別、體質量指數、股骨頭缺血性壞死分期以及術前 Harris 髖關節評分（Harris hip score，HHS）比較，差異均無統計學意義（P>0.05）。記錄兩組手術時間、術中出血量、術中透視次數及并發癥發生情況。比較術前計劃與實際假體安放型號，并計算符合率。于術后 3 個月骨盆正位 X 線片測量髖臼杯假體外展角及股骨柄假體力線。采用 HHS 評分評價髖關節功能恢復情況。結果A 組髖臼側術前計劃與實際安裝假體型號符合率為 80.4%（45/56），明顯高于 B 組的 62.3%（33/53）（χ2=4.38，P=0.04）；A 組股骨柄側符合率為 83.9%（47/56），與 B 組的 79.2%（42/53）比較差異無統計學意義（χ2=0.40，P=0.53）。A、B 組髖臼杯假體外展角分別為（40.7±6.4）、（38.8±7.3）°，股骨柄假體力線偏差（0.1±1.8）、（0.3±1.7）°，差異均無統計學意義（P>0.05）。隨訪期間無假體下沉、松動等并發癥發生。A 組手術時間、術中透視次數均較 B 組明顯減少（P<0.05），術中出血量差異無統計學意義（t=1.92，P=0.06）。A 組 1 髖、B 組 6 髖發生并發癥，組間差異無統計學意義（P=0.06）。兩組患者均獲隨訪，A 組隨訪時間 6～22 個月，平均 13.8 個月；B 組為 6～24 個月，平均 14.6 個月。末次隨訪時 A、B 組 HSS 評分分別為（91.8±3.1）、（92.6±4.2）分，組間差異無統計學意義（t=1.14，P=0.26）。結論DAA 行 THA 術前行數字化模板計劃準確性高，在不增加并發癥發生風險的同時可以減少手術時間及術中透視次數。
目的 自主搭建神經網絡架構，利用深度學習技術輔助膝關節CT圖像自動分割，并對其準確性進行評估。方法 建立膝關節CT圖像數據庫，對骨性結構進行手動分割標注。自主搭建神經網絡架構，并使用已標注的CT圖像對該神經網絡進行訓練并測試，通過Dice系數、平均表面距離（average surface distance，ASD）、豪斯多夫距離（Hausdorff distance，HD）評價該神經網絡分割性能，并比較自動分割與手動分割所需時間。5名臨床醫師參照李克特量表對兩種方法分割準確性進行評分，比較準確性差異。結果 股骨側Dice系數為0.953±0.037、ASD為（0.076±0.048）mm、HD為（3.101±0.726）mm；脛骨側分別為0.950±0.092、（0.083±0.101）mm、（2.984±0.740）mm。自動分割每個膝關節CT圖像數據所需時間為（2.46±0.45）min，較手動分割的（64.73±17.07）min縮短，差異有統計學意義（t=36.474，P<0.001）。臨床評價顯示股骨側自動分割組評分為（4.3±0.3）分、手動分割組為（4.4±0.2）分，脛骨側評分分別為（4.5±0.2）、（4.5±0.3）分；股骨側及脛骨側兩組比較差異均無統計學意義（t=1.753，P=0.085；t=0.318，P=0.752）。結論基于深度學習的膝關節CT圖像自動分割準確性高，可以實現快速分割與三維重建，提升人工全膝關節置換術前規劃的工作效率。