Aprendizaje automático en la predicción de la curación de heridas y los resultados de rescate de extremidades después...

Área de la Ciencia:

• Cirugía vascular
• La informática médica
• El aprendizaje automático en el cuidado de la salud

Sus antecedentes:

• La isquemia crónica que amenaza las extremidades (ICL) y la enfermedad arterial periférica (EAP) a menudo conducen a resultados deficientes como la amputación, incluso después de la revascularización.
• Los métodos actuales para predecir los resultados de los pacientes carecen de precisión personalizada.

Objetivo del estudio:

• Evaluar sistemáticamente el rendimiento predictivo de los modelos de aprendizaje automático (ML) para pronosticar la curación de heridas y la preservación de las extremidades después de la revascularización de las extremidades inferiores.
• Comparar la eficacia del modelo ML con las herramientas de pronóstico tradicionales.

Principales métodos:

• Se realizó una búsqueda sistemática de la literatura en las principales bases de datos (PubMed, Embase, Scopus, etc.). de enero de 2018 a marzo de 2025.
• Se incluyeron estudios que utilizaron ML para predecir los resultados después de la revascularización de las extremidades inferiores en función de los criterios PICO.
• Se utilizó la herramienta de evaluación del riesgo de sesgo del modelo de predicción (PROBAST) para la evaluación del sesgo; se requirieron métricas de rendimiento cuantificables (por ejemplo, AUROC).

Principales resultados:

• Cinco estudios cumplieron con los criterios de inclusión, utilizando técnicas de aprendizaje automático como XGBoost y redes neuronales en grandes conjuntos de datos de registro.
• Los modelos ML demostraron una precisión de pronóstico superior (AUROC 0,78- 0,95) en comparación con la regresión logística estándar.
• Tres estudios tenían un bajo riesgo de sesgo, pero dos tenían un riesgo alto/ambiguo debido al tamaño de la muestra o a la falta de validación externa.

Conclusiones:

• Los modelos de aprendizaje automático muestran un potencial significativo para predecir la curación de heridas y el rescate de extremidades después de la revascularización, superando los métodos convencionales.
• La validación externa limitada y la variabilidad en la metodología requieren estudios prospectivos adicionales antes de la implementación clínica.