Video Experimental Relacionado
Updated: Jan 8, 2026

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
Enfoque de aprendizaje automático descubre fenotipos hemodinámicos en cirugía cardíaca mediante la agrupación de
Siyu Kong1,2, Xiao Ning1, Jie Sun3
1School of Science, China Pharmaceutical University, Nanjing, Jiangsu, China.
Este estudio identificó cinco fenotipos distintos de pacientes en cirugía cardíaca utilizando datos intraoperatorios. Estos fenotipos revelan riesgos y resultados variables, lo que permite estrategias de atención perioperatoria personalizadas.
Área de la Ciencia:
- Cirugía Cardiovascular
- Informática Médica
- Ciencia de Datos en Medicina
Sus antecedentes:
- La evaluación actual del riesgo en cirugía cardíaca se basa en modelos preoperatorios estáticos, que no tienen en cuenta los cambios dinámicos intraoperatorios.
- Esta omisión puede hacer que se pasen por alto factores críticos que influyen en los resultados de los pacientes.
- La atención perioperatoria personalizada requiere la identificación de fenotipos de pacientes a partir de datos dinámicos intraoperatorios.
Objetivo del estudio:
- Identificar fenotipos clínicos distintos en pacientes de cirugía cardíaca.
- Integrar datos intraoperatorios multidimensionales para mejorar la estratificación del riesgo.
- Permitir estrategias de atención perioperatoria personalizadas.
Principales métodos:
- Se realizó un estudio multicéntrico retrospectivo que integró datos clínicos con series temporales de signos vitales intraoperatorios de alta resolución (1.006 parámetros).
- Se utilizó la agrupación jerárquica aglomerativa no supervisada para identificar fenotipos distintos.
- Se compararon los fenotipos en cuanto a características clínicas y resultados, con validación en conjuntos de datos externos.
Principales resultados:
- Se identificaron cinco fenotipos distintos a partir de 10.847 cirugías.
- Los fenotipos variaron significativamente en estabilidad hemodinámica, comorbilidades, disfunción orgánica y resultados.
- El Fenotipo E (Fluctuaciones Hemodinámicas Severas) mostró las tasas más altas de lesión renal aguda, insuficiencia hepática aguda y mortalidad (11,4%).
Conclusiones:
- El análisis fenotípico basado en datos mediante aprendizaje automático identificó subgrupos de pacientes con perfiles distintos de resultados adversos.
- La integración de signos vitales intraoperatorios multidimensionales con datos perioperatorios ayuda a una estratificación precisa del riesgo.
- Este enfoque apoya el desarrollo de estrategias de manejo perioperatorio individualizadas.
Más Videos Relacionados
Videos de Conceptos Relacionados
Cardiomyopathy VII: Pre and Post Operative Nursing Management
Cardiomyopathy III: Hypertrophic Cardiomyopathy

