A hybrid AI–physics framework for synthetic biomechanical modelling and wear prediction in modular all-polymer knee trays (Peek-Optima™): A digital transformation approach in orthopaedic data science

Abstract

Digital transformation in healthcare increasingly integrates artificial intelligence (AI), and computational modelling, to complement traditional experimental validation of medical devices. Total knee replacement (TKR) implants, require extensive mechanical, and tribological evaluation, which remains time-intensive and resource-demanding. This study developed and validated a quantitative, physics-informed, data-driven digital framework for generating synthetic biomechanical data and predicting stress, deformation, and wear behaviour in modular all-polymer knee trays manufactured from PEEK-OPTIMA. A synthetic dataset, comprising 8000 design configurations, was generated using Latin Hypercube Sampling, across literature-supported geometric, material, and loading ranges. Stress and deformation, were estimated using simplified contact mechanics relationships, while wear was modelled using Archard's wear law. Supervised regression models, including Random Forest, Gradient Boosting, and Multilayer Perceptron networks, were trained to predict biomechanical responses. Ensemble tree-based models achieved high predictive accuracy for stress and deformation. Wear prediction demonstrated moderate explanatory power, reflecting the nonlinear and cumulative nature of tribological processes. Validation against ISO 14243 loading standards and multi-design OrthoLoad in vivo envelopes confirmed physiological plausibility. The framework demonstrated that physics-informed synthetic data, combined with machine learning, can support early-stage digital screening of implant designs.

A transformação digital na área da saúde integra cada vez mais inteligência artificial (IA) e modelação computacional para complementar a validação experimental tradicional de dispositivos médicos. Os implantes de substituição total do joelho (STJ) requerem uma extensa avaliação mecânica e tribológica, que continua a ser um processo demorado e que requer muitos recursos. Este estudo desenvolveu e validou uma estrutura digital quantitativa, baseada em princípios físicos e orientada por dados, para gerar dados biomecânicos sintéticos e prever o comportamento de tensão, deformação e desgaste em tabuleiros modulares de joelho totalmente poliméricos fabricados em PEEK-OPTIMA. Um conjunto de dados sintéticos, composto por 8000 configurações de projeto, foi gerado através de amostragem de hipercubo latino, abrangendo gamas geométricas, de material e de carga com suporte da literatura. A tensão e a deformação foram estimadas através de relações simplificadas de mecânica de contacto, enquanto o desgaste foi modelado através da lei de desgaste de Archard. Modelos de regressão supervisionada, incluindo as redes Random Forest, Gradient Boosting e Multilayer Perceptron, foram treinados para prever as respostas biomecânicas. Os modelos baseados em árvores de decisão alcançaram uma elevada precisão preditiva para a tensão e deformação. A previsão do desgaste demonstrou um poder explicativo moderado , refletindo a natureza não linear e cumulativa dos processos tribológicos. A validação em relação aos padrões de carregamento ISO 14243 e aos envelopes in vivo OrthoLoad de múltiplos designs confirmou a plausibilidade fisiológica. A estrutura demonstrou que os dados sintéticos informados pela física, combinados com a aprendizagem automática, podem apoiar a triagem digital em fase inicial de projetos de implantes.