Modélisation Multi-échelle et Prédiction par Intelligence Artificielle de la Consolidation Osseuse en Ostéotomie Fémorale par Ouverture Latérale

Cette thèse s’inscrit dans le contexte des ostéotomies fémorales par ouverture latérale, largement utilisées pour corriger les désaxations du membre inférieur et retarder l’évolution de l’arthrose chez des patients jeunes et actifs. Bien que cette intervention permette de préserver l’articulation et d’améliorer la fonction, les retards de consolidation, les pertes de correction et les pseudarthroses demeurent des complications cliniquement importantes, entraînant douleurs prolongées et rééducation prolongée.

La première partie du projet vise à analyser l’environnement biomécanique du site d’ostéotomie à l’aide de la modélisation par éléments finis et d’essais mécaniques expérimentaux. Des modèles mécanobiologiques de consolidation, notamment ceux de Prendergast et d’Ulm, seront implémentés afin de simuler la différenciation tissulaire et l’évolution du cal osseux. L’influence de paramètres tels que la rigidité du système de fixation, la géométrie de coupe, l’intégrité de la charnière latérale et les protocoles de mise en charge sera étudiée.

Cependant, ces approches déterministes restent limitées pour intégrer la variabilité interindividuelle et les incertitudes biologiques. La seconde partie du projet mobilisera l’intelligence artificielle pour combiner indicateurs biomécaniques, données cliniques et imagerie, afin de prédire le risque évolutif de retard de consolidation. L’objectif final est de développer un outil d’aide à la décision favorisant une prise en charge postopératoire personnalisée et une amélioration des résultats cliniques

----------------------------------------------------------------------------------------------------------------------------------------------------------

This PhD project is set in the context of lateral open-wedge femoral osteotomies, widely used to correct lower-limb malalignment and delay the progression of osteoarthritis in young and active patients. Although this procedure preserves the joint and improves function, delayed consolidation, loss of correction, and non-union remain clinically significant complications, leading to prolonged pain and extended rehabilitation.

The first part of the project aims to analyze the biomechanical environment of the osteotomy site using finite element modeling and experimental mechanical testing. Mechanobiological healing models, including the Prendergast and Ulm frameworks, will be implemented to simulate tissue differentiation and callus evolution. The influence of key parameters such as fixation stiffness, osteotomy geometry, lateral hinge integrity, and weight-bearing protocols will be investigated.

However, these deterministic approaches remain limited in capturing inter-patient variability and biological uncertainties. The second part of the project will integrate artificial intelligence methods to combine biomechanical indicators, clinical data, and imaging information in order to predict the evolutive risk of delayed consolidation. The ultimate objective is to develop a clinical decision-support tool enabling personalized postoperative management and improved patient outcomes.

The Engineering science, computer science and imaging laboratory created in 2013, the laboratory brings together researchers of the University of Strasbourg, the CNRS (French National Center for Scientific Research), the ENGEES and the INSA of Strasbourg in the fields of engineering science and computer science, with imaging as the unifying theme. With around 650 members, ICube is a major driving force for research in Strasbourg whose main areas of application are biomedical engineering and the sustainable development.

Nous recherchons un(e) candidat(e) fortement motivé(e) pour un projet interdisciplinaire à l’interface entre biomécanique, modélisation numérique et intelligence artificielle appliquées à l’orthopédie.

Formation requise

• Master (M2 ou équivalent) obtenu ou en cours de préparation en mécanique, biomécanique ou domaine connexe
• Bonnes connaissances en outils et méthodes numériques (éléments finis)
• Compétences en programmation scientifique (Python, MATLAB ou équivalent)
• Bases en apprentissage automatique et analyse de données (est un plus)
• Connaissances en mécanique des matériaux ou biomécanique

----------------------------------------------------------------------------------------------------------------------------------------------------------

We seek a highly motivated candidate interested in interdisciplinary research at the interface of biomechanics, computational modeling, and artificial intelligence applied to orthopaedics.

Required background:

• MSc or equivalent (obtained or currently in preparation) in biomechanics, mechanical engineering or related field
• Knowledge of numerical methods and tools (finite elements)
• Scientific programming skills (Python, MATLAB, or equivalent)
• Fundamentals in machine learning and data analysis (is an asset)
• Background in solid mechanics or biomechanics