Video Experimental Relacionado
Updated: Jan 7, 2026
Author Spotlight: Fu's Subcutaneous Needling for Knee Osteoarthritis Pain
Published on: March 24, 2023
Valor predictivo del aprendizaje automático en la progresión de la osteoartritis de rodilla: revisión sistemática y
Yanwen Liu1, Guangzhi Xiao1, Youqun Zhang1
1Department of Clinical Immunology, Xijing Hospital, Fourth Military Medical University, No.127 Changle West Road, Xi'an, 710032, China, 86 13572435012.
El aprendizaje automático (ML) muestra una gran promesa en la predicción de la progresión de la osteoartritis de rodilla (KOA), y los modelos basados en RM demuestran una mayor precisión. Sin embargo, las definiciones inconsistentes y las estrategias de validación exigen precaución e investigación adicional para una aplicación clínica confiable.
Área de la Ciencia:
- Ortopedia
- Ingeniería Biomédica
- Ciencia de Datos
Sus antecedentes:
- El aprendizaje automático (ML) se está explorando para predecir la progresión de la osteoartritis de rodilla (KOA).
- La evidencia sistemática existente sobre la efectividad de ML para la predicción de la progresión de KOA es limitada, lo que dificulta las estrategias de prevención de precisión.
Objetivo del estudio:
- Revisar sistemáticamente las aplicaciones de ML en la predicción de la progresión de KOA.
- Evaluar la precisión de ML y comparar su rendimiento predictivo con métodos tradicionales y aprendizaje profundo.
Principales métodos:
- Se realizó una búsqueda sistemática de literatura en las principales bases de datos (Embase, Web of Science, PubMed, Cochrane Library) siguiendo las pautas PRISMA.
- La selección de estudios, la extracción de datos y la evaluación del riesgo de sesgo fueron realizadas de forma independiente por dos investigadores.
- Los metaanálisis se centraron en el índice de concordancia (C-index) y las tablas de diagnóstico, con análisis de subgrupos por tipo de modelo, variables y definiciones de progresión de KOA.
Principales resultados:
- Treinta y dos estudios fueron incluidos, con riesgo de sesgo variable entre los estudios.
- Los índices C combinados indicaron capacidades predictivas, con modelos basados en RM (índice C=0,798) y características clínicas de RM combinadas (índice C=0,806) mostrando un fuerte rendimiento.
- Los modelos basados en características clínicas que utilizan regresión logística se desempeñaron de manera comparable a otros modelos de ML; el ML tradicional y el aprendizaje profundo mostraron una mayor precisión en los modelos basados en imágenes.
Conclusiones:
- Los modelos de ML poseen poder discriminatorio para predecir la progresión de KOA, pero los resultados deben interpretarse con cautela debido a la heterogeneidad.
- Las variaciones en las definiciones de progresión de KOA y los métodos de validación impactan la confiabilidad del modelo.
- La investigación futura debe estandarizar las definiciones, mejorar el rigor metodológico e implementar la validación externa para mejorar la traslación clínica.
