Modelos de aprendizaje automático para predecir la viabilidad después de la torsión testicular: un estudio de prueba...

Área de la Ciencia:

• Urología; Informática Médica; Soporte de Decisión Quirúrgica

Sus antecedentes:

• El manejo de la torsión testicular a menudo se basa en la evaluación clínica subjetiva.
• La predicción objetiva de la viabilidad testicular post-torsión es crucial para las decisiones de orquiectomía.
• Mantener una relación de parénquima testicular >80% es una métrica clave de viabilidad.

Objetivo del estudio:

• Evaluar modelos de aprendizaje automático (ML) para la predicción objetiva de la viabilidad testicular post-torsión.
• Identificar modelos de ML que puedan guiar las decisiones de orquiectomía, con el objetivo de preservar una relación de parénquima >80%.
• Evaluar la eficacia del modelo de ML independientemente de la presentación inicial y el momento de la cirugía.

Principales métodos:

• Estudio prospectivo (2020-2024) de pacientes sometidos a destorsión y orquidopexia bilateral.
• Se utilizaron modelos de ML de regresión logística, k-vecinos más cercanos (k-NN) y árbol de decisión.
• Se evaluó la precisión, la recuperación y el AUC del modelo utilizando ecografías de seguimiento (6-12 meses).

Principales resultados:

• El modelo de árbol de decisión logró una precisión del 90,5%; los modelos de regresión y k-NN mostraron una precisión del 82,7% y 81,4%, respectivamente.
• La intervención quirúrgica temprana (<6 horas) resultó en una viabilidad testicular del 100% (p=0,001).
• La edad pospuberal se asoció con una tasa de viabilidad del 57,1% (p=0,041).

Conclusiones:

• Los modelos de ML ofrecen una herramienta viable y objetiva para mejorar la toma de decisiones clínicas en el manejo de la torsión testicular.
• Estos modelos pueden ayudar a preservar la función testicular al proporcionar predicciones de viabilidad basadas en datos.
• Se recomienda una mayor validación con conjuntos de datos más grandes para refinar el rendimiento del modelo de ML.