Modelos de inteligencia artificial para predecir complicaciones tras cirugía cerebral

Contexto del estudio #

La craniotomía es una intervención quirúrgica compleja en la que se abre el cráneo para acceder al cerebro. Aunque es un procedimiento necesario para tratar tumores, aneurismas y otras patologías neurológicas, los pacientes enfrentan riesgo de complicaciones en el período posterior a la cirugía. Identificar tempranamente quiénes podrían deteriorarse clínicamente es fundamental para optimizar el cuidado y prevenir desenlaces adversos.

Un equipo de investigadores en China desarrolló tres modelos matemáticos diferentes para predecir cuáles pacientes tendrían mayor probabilidad de complicaciones después de una craniotomía. El estudio incluyó información de 1576 pacientes operados entre 2018 y 2020 en tres hospitales terciarios de la provincia de Hunan.

Hallazgos principales #

Los investigadores utilizaron tres enfoques computacionales distintos: regresión logística (un método estadístico tradicional), clasificación bayesiana (basada en probabilidades) y redes neuronales de retropropagación (una forma de inteligencia artificial que imita el funcionamiento del cerebro).

El modelo de redes neuronales demostró el mejor desempeño general. Según los resultados, este modelo identificó correctamente al 77,1% de los pacientes que realmente se deterioraron (sensibilidad), y al 91,7% de quienes no presentaron complicaciones (especificidad). La precisión general fue de 86,8%, con un valor predictivo positivo de 82,3% y negativo de 88,9%.

En comparación, el clasificador bayesiano mostró menor capacidad predictiva, aunque aún fue útil. Los tres modelos fueron evaluados tanto en los datos utilizados para entrenarlos como en un conjunto independiente de validación, lo que sugiere que los resultados podrían ser aplicables a nuevos pacientes.

Qué significa para la práctica clínica #

Estos modelos podrían servir como herramientas de apoyo para el personal de enfermería y médicos en unidades de cuidados intensivos neuroquirúrgicos. Al identificar automáticamente a pacientes de alto riesgo, permitirían una vigilancia más intensiva y una intervención más rápida ante signos de deterioro.

En contextos hospitalarios de Latinoamérica, donde frecuentemente hay limitaciones de personal especializado, un sistema de alerta temprana basado en datos podría mejorar la eficiencia del monitoreo y potencialmente reducir complicaciones evitables. Sin embargo, es importante destacar que estos modelos están diseñados para asistir a los clínicos, no para reemplazar su juicio clínico.

La implementación de cualquier herramienta de predicción en la práctica clínica requiere validación adicional en diferentes poblaciones y contextos hospitalarios, así como capacitación del personal sanitario en su uso correcto.

Limitaciones y consideraciones #

El estudio se realizó exclusivamente en hospitales chinos, por lo que los resultados podrían no ser directamente extrapolables a otras regiones con características demográficas y sistemas de salud diferentes. Además, la precisión de cualquier modelo depende de la calidad y completitud de los datos registrados en la historia clínica.

Antes de considerar la adopción de cualquiera de estos modelos en un hospital específico, es fundamental que los equipos médicos consulten con especialistas en neurocirugía, medicina intensiva e informática médica para evaluar su aplicabilidad local y establecer protocolos de implementación seguros.

Fuente original: BMJ Open