Revisión sistemática y metanálisis del papel del aprendizaje automático en la predicción de complicaciones...

Área de la Ciencia:

• Oncología quirúrgica
• La informática médica
• Análisis predictivo

Sus antecedentes:

• La cirugía colorrectal conlleva riesgos significativos de complicaciones postoperatorias.
• La predicción precisa de estos resultados es crucial para el manejo del paciente y la optimización de la atención.

Objetivo del estudio:

• Evaluar sistemáticamente la utilidad clínica del aprendizaje automático (ML) para predecir los resultados postoperatorios después de la cirugía colorrectal.
• Para sintetizar la evidencia sobre el rendimiento predictivo de los modelos de ML para varias complicaciones.

Principales métodos:

• Se realizó una búsqueda sistemática de la literatura en las principales bases de datos (PubMed, MEDLINE, Embase, Google Scholar).
• Los estudios incluidos se centraron en modelos de ML que predijeron complicaciones postoperatorias en cirugía colorrectal.
• El área debajo de la curva (AUC) fue la medida de resultado primaria, con análisis agrupados utilizando un modelo de efectos aleatorios.

Principales resultados:

• Se incluyeron dieciocho estudios que informaron sobre complicaciones como fuga anastomática, mortalidad, estadía prolongada en el hospital e infección en el sitio quirúrgico.
• Los valores de AUC combinados indicaron un fuerte rendimiento predictivo: fugas anastomóticas (0, 813), mortalidad (0, 867), duración prolongada de la estancia (0, 810) e infección en el sitio quirúrgico (0, 802).

Conclusiones:

• El aprendizaje automático demuestra una prometedora utilidad clínica y precisión en la predicción de complicaciones postoperatorias en la cirugía colorrectal.
• Se necesitan más estudios bien diseñados y multicéntricos para validar estos enfoques de ML para optimizar la atención perioperatoria.