Video Experimental Relacionado
Updated: May 10, 2026
10:35
Novel Diagnostics in Revision Arthroplasty: Implant Sonication and Multiplex Polymerase Chain Reaction
Published on: December 3, 2017
11.5K
Diagnóstico auxiliar de infección articular periprotésica mediante prueba de tiras de esterasa de leucocitos
Qing-Yuan Zheng1,2,3, Ying Yu4, Pengcheng Li2,5
1Department of Orthopedics, The Ninth Medical Center, Chinese PLA General Hospital, Beijing, China.
International journal of surgery (London, England)
|December 19, 2025
Resumen
El modelo de red neuronal profunda convolucional (DCNN) detecta eficazmente las tiras de esterasa de leucocitos (LE) para el diagnóstico de infección articular periprotésica (PJI). Este enfoque impulsado por IA mejora la objetividad y fiabilidad diagnósticas, mostrando una alta precisión en la validación clínica.
Área de la Ciencia:
- Inteligencia artificial en medicina
- Diagnóstico por imagen
- Cirugía ortopédica
Sus antecedentes:
- La infección articular periprotésica (PJI) supone un reto importante en la cirugía ortopédica.
- El diagnóstico preciso y oportuno de la PJI es crucial para un tratamiento eficaz y los resultados del paciente.
- Los métodos de diagnóstico actuales para la PJI pueden ser subjetivos y estar influenciados por factores externos.
Objetivo del estudio:
- Validar la eficacia de un modelo de red neuronal profunda convolucional (DCNN) para la detección automatizada de tiras de esterasa de leucocitos (LE).
- Evaluar el rendimiento del modelo DCNN en el diagnóstico de PJI.
- Mejorar la objetividad y fiabilidad de la prueba de tiras LE en el diagnóstico de PJI.
Principales métodos:
- Se realizó un ensayo diagnóstico prospectivo utilizando un modelo DCNN basado en AlexNet para el diagnóstico de PJI.
- El modelo DCNN se entrenó con imágenes de tiras LE y recuentos de glóbulos blancos de 46 pacientes.
- El modelo se evaluó prospectivamente en 78 pacientes, con tiras LE probadas antes y después de la centrifugación, y los resultados se compararon con el estándar ICM2018 y otros marcadores clínicos.
Principales resultados:
- El modelo DCNN logró un Área bajo la curva (AUC) de 0,92 antes de la centrifugación y 0,91 después.
- La sensibilidad y la especificidad fueron altas, con valores de hasta 0,83 y 1,00, respectivamente.
- El modelo demostró una gran fiabilidad, con valores Kappa que indican una buena coherencia con los métodos de diagnóstico tradicionales de PJI.
Conclusiones:
- El modelo DCNN muestra un excelente rendimiento y alta fiabilidad para el diagnóstico de PJI.
- Este enfoque basado en IA mejora la objetividad de la prueba de tiras LE y reduce las influencias externas.
- Se recomiendan estudios multicéntricos a gran escala adicionales para optimizar las capacidades diagnósticas del modelo.
