Machine Learning versus Linear Regression for Predicting Implant Size in Total Knee Arthroplasty: A Cross-Validated Study

INTRODUCTION: Preoperative component sizing in total knee arthroplasty (TKA) can streamline surgery and support alignment and stability. Linear regression models based on basic demographic and anthropometric measures are practical, but their linear assumptions may miss complex anatomical variation. Although machine learning has been increasingly used for prediction tasks, head-to-head evidence against standard regression models in homogeneous TKA series remains limited.
METHODS: We retrospectively reviewed 224 unilateral primary posterior-stabilized TKAs performed by a single surgeon using one implant system. Predictors included age, sex, height, weight, body mass index, and shoe size. Multivariable linear regression was compared with Random Forest and XG-Boost. Models were trained on 80% of cases with 10-fold cross-validation and evaluated on a held-out 20% test set using R², RMSE, MAE, and ±1-size accuracy.
RESULTS: Height and shoe size were the strongest predictors. The linear regression fit was good (femoral R²=0.63; tibial R²=0.59). Femoral sizing was comparable across approaches (test R²=0.48; ±1 accuracy 37.8–44.4%). For tibial sizing, ML outperformed regression: Random Forest achieved a test R²=0.60 with ±1 accuracy of 48.9%, and XGBoost achieved a test R²=0.56 with ±1 accuracy of 53.3%, versus linear regression (R²=0.40; ±1 accuracy 33.3%).

DISCUSSION AND CONCLUSION: In this homogeneous cohort, linear regression predicted femoral size well, whereas tibial sizing showed greater non-linearity and benefited from ensemble ML. Still, accuracy was insufficient to replace intraoperative judgment. These models may assist preoperative inventory planning and trial component preparation, but external validation across implant systems is needed.

Keywords: Anthropometry, implant sizing, linear regression, machine learning, preoperative planning, Random Forest, total knee arthroplasty, XGBoost

Total Diz Artroplastisinde İmplant Boyutunun Öngörülmesinde Makine Öğrenmesi ve Doğrusal Regresyonun Karşılaştırılması: Çapraz Doğrulamalı Bir Çalışma

GİRİŞ ve AMAÇ: Total diz artroplastisinde (TDA) ameliyat öncesi doğru komponent boyutunu öngörmek; cerrahi akışı kolaylaştırabilir, hizalanma ve stabiliteyi destekleyebilir. Demografik ve antropometrik verilerle kurulan klasik doğrusal regresyon modelleri pratik olsa da, diz anatomisindeki karmaşık değişkenliği her zaman yakalayamayabilir. Son yıllarda makine öğrenmesi (MÖ) tahminleme alanında daha sık kullanılsa da, homojen TDA serilerinde standart regresyonla doğrudan karşılaştırmalı kanıtlar hâlâ sınırlıdır.
YÖNTEM ve GEREÇLER: Tek cerrah tarafından, tek implant sistemiyle uygulanan 224 tek taraflı primer posterior-stabilize TDA geriye dönük incelendi. Yaş, cinsiyet, boy, kilo, beden kitle indeksi ve ayakkabı numarası aday değişkenler olarak alındı. Femoral ve tibial komponent boyutunu öngörmede çok değişkenli doğrusal regresyon, Random Forest ve XGBoost ile karşılaştırıldı. Verinin %80’i eğitim, %20’si test için ayrıldı; 10 katlı çapraz doğrulama uygulandı. Başarı ölçütleri R², RMSE, MAE ve ±1 boyut doğruluğuydu.
BULGULAR: Boy ve ayakkabı numarası en güçlü belirleyicilerdi. Doğrusal regresyon uyumu iyiydi (femur R²=0.63; tibia R²=0.59). Femoral boyutlandırmada yöntemler benzer performans gösterdi (test R²=0.48; ±1 doğruluk %37.8–44.4). Tibial boyutlandırmada MÖ daha başarılıydı: Random Forest test R²=0.60 ve ±1 doğruluk %48.9; XGBoost R²=0.56 ve ±1 doğruluk %53.3; doğrusal regresyon ise R²=0.40 ve ±1 doğruluk %33.3.
TARTIŞMA ve SONUÇ: Bu homojen seride femoral boyutlandırma doğrusal ilişkilere daha yatkın görünürken, tibial boyutlandırmada doğrusal olmayan değişkenlik daha belirgindi ve ensemble MÖ yöntemleri avantaj sağladı. Yine de hiçbir model cerrahi kararı tek başına ikame edecek doğruluğa ulaşmadı; şimdilik karar destek aracı olarak düşünülmeli ve daha geniş popülasyonlarda doğrulanmalıdır.

Anahtar Kelimeler: Total diz artroplastisi, implant boyutlandırma, preoperatif planlama, makine öğrenmesi, doğrusal regresyon, Random Forest (RF), XGBoost, antropometri.