Aseguramiento de la calidad en el aprendizaje automático: ¿alcanzamos la meta para los modelos de artroplastia...

Área de la Ciencia:

• Cirugía ortopédica
• Inteligencia artificial médica
• Informática de la salud

Sus antecedentes:

• Los modelos de aprendizaje automático (ML) se utilizan cada vez más en la artroplastia total de cadera (THA) y la artroplastia total de rodilla (TKA) para mejorar los resultados del paciente y la toma de decisiones clínicas.
• Sin embargo, las medidas de garantía de calidad (QA) para estos modelos ML son inconsistentes y, a menudo, están mal documentadas.
• Este estudio ofrece una visión general de las prácticas actuales de control de calidad en las aplicaciones de ML para THA y TKA.

Objetivo del estudio:

• Realizar una visión general de alto nivel de las prácticas de garantía de calidad (QA) en modelos de aprendizaje automático (ML) aplicados a la artroplastia total de cadera (THA) y la artroplastia total de rodilla (TKA).
• Identificar el alcance y la consistencia de los informes para varias métricas de control de calidad en estudios publicados de ML dentro de estos dominios ortopédicos.
• Evaluar la transparencia y el riesgo de sesgo en los modelos ML utilizados en THA y TKA sobre la base de directrices establecidas.

Principales métodos:

• Una revisión sistemática de los artículos publicados entre 2013 y 2024 que se centran en THA o TKA, ML y QA.
• Dos revisores independientes examinaron los artículos y extrajeron 31 características relacionadas con el rendimiento del control de calidad.
• Se utilizaron las directrices de TRIPOD-AI y PROBAST para evaluar la transparencia de los informes y el sesgo potencial.

Principales resultados:

• De los 137 estudios incluidos, el 76,64% fueron modelos de resultados clínicos y el 22,63% fueron modelos de imágenes.
• Si bien los métodos de validación (98,54%) y las puntuaciones AUC-ROC (68,61%) se informaron con frecuencia, las métricas de recuerdo (94,89%) y precisión (85,85%) se informaron significativamente menos.
• El cumplimiento de TRIPOD-AI fue alto (media de 0,84), pero PROBAST-AI indicó un alto riesgo de sesgo, particularmente en la selección y el análisis de los participantes.

Conclusiones:

• Existe una heterogeneidad significativa en el informe de las métricas de control de calidad para los estudios de ML en THA y TKA.
• El rápido crecimiento de la IA en ortopedia requiere pautas estandarizadas de control de calidad para garantizar la confiabilidad y validez de los modelos de ML.
• La implementación de protocolos de control de calidad robustos es esencial para las aplicaciones de IA confiables en la cirugía de reemplazo articular.