Predicción de la osteoporosis mediante unidades Hounsfield de TC lumbar: rendimiento comparativo e implicaciones...

Este estudio tuvo como objetivo evaluar la utilidad de los valores promedio de unidades Hounsfield (HU) de L1-L4 obtenidos mediante tomografía computarizada (TC) de la columna lumbar para predecir la osteoporosis utilizando múltiples modelos de aprendizaje automático (ML).

Analizamos retrospectivamente a 172 pacientes (≥ 50 años) sometidos a cirugía de la columna lumbar que recibieron una TC y absorciometría duality de rayos X (DXA) preoperatorias en un plazo de 3 meses. La osteoporosis se definió como una puntuación T (T-score) < -2,5, ya sea en la columna lumbar o en el cuello femoral. El valor promedio de HU de L1-L4 se utilizó como única variable de entrada para desarrollar siete modelos de aprendizaje automático (ML) supervisados. El rendimiento de los modelos se comparó mediante la exactitud, la precisión, la exhaustividad (recall), la puntuación F1 y el área bajo la curva característica operativa del receptor (AUC), y se exploraron los umbrales basados en HU para el cribado de la osteoporosis.

De 172 pacientes, 59 (34,3 %) fueron clasificados con osteoporosis. El grupo con osteoporosis mostró valores de HU en L1-L4 significativamente más bajos que el grupo sin osteoporosis (105,1 ± 47,5 frente a 140,1 ± 61,3, p < 0,01). Entre los modelos, el de K-vecinos más cercanos (KNN) logró el rendimiento diagnóstico más equilibrado (exactitud: 0,714 ± 0,048; puntuación F1: 0,466 ± 0,073). La regresión logística y el Naive Bayes mostraron los AUC más altos (0,785 ± 0,096 y 0,777 ± 0,098, respectivamente), pero una sensibilidad limitada, mientras que la máquina de vectores de soporte demostró un rendimiento moderado. Los modelos basados en árboles produjeron una capacidad discriminatoria comparativamente menor. Los rangos de HU óptimos para identificar un alto riesgo de osteoporosis convergieron generalmente en torno a 90-130 HU.

Los modelos de ML que utilizan los valores de HU de L1-L4 pueden ayudar en el cribado de la osteoporosis. El KNN proporcionó el rendimiento diagnóstico más robusto y equilibrado, mientras que la regresión logística y el SVM ofrecieron una clasificación estable basada en umbrales. Estos hallazgos respaldan la utilidad de los enfoques de ML basados en TC en entornos de cirugía espinal preoperatoria, particularmente donde la DXA no está disponible o es limitada.