《European Journal of Orthopaedic Surgery & Traumatology》：Learning curve in image-based robotic assisted total knee arthroplasty: a MAKO-robot experience
编辑推荐：
目的 机器人辅助全膝关节置换术（robotic-assisted total knee arthroplasty，RA-TKA）日益广泛用于改善假体位置、软组织平衡及手术可重复性，但各手术组成部分对整体学习曲线的独立贡献尚不清楚。本研究旨在通过分别评估各组成部
目的 机器人辅助全膝关节置换术（robotic-assisted total knee arthroplasty，RA-TKA）日益广泛用于改善假体位置、软组织平衡及手术可重复性，但各手术组成部分对整体学习曲线的独立贡献尚不清楚。本研究旨在通过分别评估各组成部分并评估其对手术工作流程的差异性影响，阐明MAKO辅助TKA的学习曲线。方法 回顾性观察研究纳入92例连续接受基于影像的RA-TKA（MAKO，Stryker）治疗的原发性膝骨关节炎患者，所有手术由同一名无机器人或计算机辅助手术背景的有经验关节置换外科医生完成。对总手术时间、定位针（pin）放置时间及机器人复合工作流程时间应用累积和（Cumulative Sum，CUSUM）分析及分段线性回归（piecewise linear regression）以确定拐点并划分学习曲线阶段。结果 总手术时间CUSUM图的分段回归显示两个断点分别位于第11例和第51例，定义三个学习阶段：（1）初始学习期（第1–11例）；（2）胜任期（第12–51例）；（3）优化表现期（第52–90例）。平均手术时间为68.9±20.1 min，第50例后稳定在约65 min。总手术时间、机器人工作流程及定位针放置的初始学习期均于第10–11例结束。但后续表现模式不同：定位针放置至第52例达优化表现（均值8.4±4.3 min），而机器人工作流程时间改善较缓慢，至研究序列结束时仍未完全稳定（均值37.8±10.8 min）。结论 MAKO系统RA-TKA遵循结构化学习曲线，11例后即可早期达到熟练。总手术时间及定位针放置于序列中期达优化表现，机器人工作流程任务则需更长巩固期，可能受患者个体解剖变异影响。研究结果支持RA-TKA作为安全有效工具，外科医生可快速适应。
基于影像的MAKO机器人辅助全膝关节置换术学习曲线的研究解读——发表于《European Journal of Orthopaedic Surgery》
一、研究背景与立项依据
机器人辅助全膝关节置换术（robotic-assisted total knee arthroplasty，RA-TKA）可提高假体定位精度、优化软组织平衡并增强手术可重复性，但基于影像（image-based）与无影像（imageless）系统存在差异：基于影像系统（如MAKO，Stryker）依赖术前CT构建患者特异性三维模型以辅助术前计划，而无影像系统术中通过表面注册重建虚拟骨模型。尽管两种技术在力线矫正准确性上无临床显著差异，但基于影像系统涉及额外CT扫描成本及辐射暴露。目前多数RA-TKA学习曲线研究仅关注总手术时间这一综合指标，尚未明确区分钉（pin）放置、解剖注册（registration）、术中计划调整、机器人引导骨切除等各子步骤对整体学习曲线的独立贡献。此外，不同机器人平台（ROSA、Navio、CORI、VELYS等）报道的学习曲线跨度差异较大（6～70余例），MAKO系统基于连续病例分解各手术组分时间演变特征的研究仍有限。因此，研究人员开展此项研究，旨在通过对总手术时间、定位针放置时间及机器人工作流程（含注册、计划、骨切除）时间的分别分析，量化MAKO影像基RA-TKA的结构化学习曲线及各阶段拐点。
二、主要关键技术方法
研究人员开展单中心回顾性观察研究，纳入2023年9月至2025年6月连续92例因Kellgren–Lawrence Ⅲ/Ⅳ级原发性膝骨关节炎行MAKO（Stryker）影像基RA-TKA的患者，排除翻修、单髁转换及炎性关节病伴内置物者。术者为年行约100例传统TKA但此前无计算机辅助或机器人手术经验的高年资关节外科医生，每台手术均有MAKO临床专员在场提供系统设置技术支持但不参与决策。前瞻性记录三项时间指标：①总手术时间（皮肤切开至切口缝合）；②定位针放置时间（股骨/胫骨皮质骨钉置入+光学示踪阵列固定+确认牢固）；③机器人工作流程时间（解剖标志点注册、系统校验校准、术中计划微调、机器人引导骨切除执行及假体位置最终确认）。采用累积和（Cumulative Sum，CUSUM）分析法对各时间点序列绘制偏离均值累计曲线，并拟合分段线性回归（piecewise linear regression）识别显著拐点（breakpoint）以划分学习阶段。统计学分析使用RStudio（v3.3.2）完成。
三、研究结果
Results——患者基线
共纳入92例RA-TKA，男37例（40.2%）、女55例（59.8%），平均年龄69.92±8.02岁（43–84岁）；右侧56.6%，左侧43.4%。
Results——总手术时间（Total surgical time）CUSUM分析
对总手术时间CUSUM曲线分段回归识别出两个显著拐点：第11例与第51例，划分为三期：Ⅰ期（第1–11例）初始学习期——CUSUM呈上升趋势（各例时间长于队列均值）；Ⅱ期（第12–51例）胜任期——CUSUM接近平缓（接近均值但仍波动）；Ⅲ期（第52–90例）优化表现期——CUSUM呈下降趋势（时间短于均值）。散点图显示总手术时间随病例数递减，第50例后稳定在约65 min；全队列均值68.9±20.1 min。结论：总手术时间经约11例脱离初始学习，约51例进入优化阶段。
Results——定位针放置时间（Pin placement time）CUSUM分析
定位针时间CUSUM亦呈三相模式，拐点为第11例和第51例：Ⅰ期（1–11例）上升累积趋势；Ⅱ期（12–51例）相对平台；Ⅲ期（52–90例）明确下降轨迹。逐例散点图显示从初期约12–15 min降至后期≤5 min，全队列均值8.4±4.3 min。结论：定位针放置初始学习期止于第11例，第52例达优化表现。
Results——机器人工作流程时间（Robotic workflow time）CUSUM分析
机器人工作流程时间CUSUM仅识别出单一显著拐点（第11例），划分为两阶段：第1–11例为初始学习期（CUSUM上升，流程时间高于均值）；第12例起为持续改进期（CUSUM总体下行但波动），未出现离散的优化表现（Phase 3）。逐例散点显示流程时间在30–50 min范围呈温和渐进下降，全队列均值37.8±10.8 min。结论：机器人工作流程初始学习期同样在第11例结束，但无明确稳定优化节点，提示受患者解剖变异及计划复杂度影响需更长时间巩固。
四、讨论总结与结论翻译
讨论指出，本研究首次在连续MAKO影像基RA-TKA序列中分解评估总手术时间、钉放置时间及机器人专属工作流程时间，发现总时间与钉放置呈现典型三相学习曲线（初始学习→胜任→优化），而机器人工作流程仅呈两相（初始学习→渐进改善未分化为第三阶段），印证不同手术组分成熟速率不同；机器人工作流程需更长巩固期可能源于患者特异性解剖及畸形差异影响注册、计划调整和触觉边界（haptic boundary）骨切除执行耗时。本MAKO学习曲线中初始学习期止第11例，与既往文献报道MAKO系统7～25例达熟练范围相符，短于Navio（25–40+例）但略长于CORI/ROSA（6–14例）。重要的是，组件定位及下肢力线的精确性通常在学习早期即保持，手术时间是主要受经验影响的参数。研究局限含单中心单术者设计、未分析临床结局/并发症/假体位置、无非机器人对照、未记录团队经验微变及术者传统TKA基线时间。作者强调结果应主要解读为手术流程适应性而非临床安全性或有效性判定。
结论翻译：
本研究表明MAKO辅助TKA遵循有明确初始适应期、胜任平台期及最终优化表现期的结构化学习曲线。所研究各参数均于约第11例越过初始学习阶段，反映RA-TKA技术操作的快速习得；但总手术时间与定位针放置时间约第52例即稳定（表明早期掌握），机器人工作流程则进展更渐进，可能受患者特异性解剖变异及计划复杂性影响。鉴于缺乏临床结局与并发症数据，这些发现应主要依据手术操作表现与工作流程适应加以诠释，而非临床安全性或有效性。
