Aprendizaje automático para predecir eventos tromboembólicos después del tratamiento con desviador de flujo de...

Área de la Ciencia:

• Cirugía neuroendovascular
• Inteligencia artificial médica
• Manejo de las enfermedades cerebrovasculares

Sus antecedentes:

• Los desviadores de flujo (FD) son preferidos para los aneurismas intracraneales complejos.
• Los eventos tromboembólicos postoperatorios (TEE) son complicaciones comunes.
• En la actualidad, no existen herramientas predictivas para las ETE.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático para predecir TEEs después de la implantación de FD.
• Identificar las principales características clínicas y de aneurisma asociadas con el riesgo de EET.

Principales métodos:

• Análisis retrospectivo de 377 pacientes (451 aneurismas) tratados con FD.
• Se utilizaron algoritmos de aprendizaje automático, incluida la regresión de Lasso y SVM.
• El rendimiento del modelo se evaluó utilizando AUC-ROC y AUC-PR; análisis SHAP para la interpretabilidad.

Principales resultados:

• Un modelo de aprendizaje automático con 10 variables predijo TEEs con alta precisión (AUC-ROC 0,96, AUC-PR 0,88).
• Los predictores clave incluyeron el ancho del aneurisma, la LDL, la hipertensión, la ubicación del aneurisma, los triglicéridos y la diabetes.
• Se desarrolló una herramienta basada en la web para su aplicación clínica.

Conclusiones:

• Un modelo de aprendizaje automático validado puede predecir el riesgo de TEE en pacientes sometidos a tratamiento de FD.
• Esta herramienta ayuda a los neurointervencionistas a personalizar las estrategias de tratamiento.
• El modelo facilita la estratificación del riesgo y la toma de decisiones clínicas informadas.