Riesgo de relesión después de la reconstrucción del LCA: una revisión de alcance de los modelos de predicción basados...

Área de la Ciencia:

• La cirugía ortopédica es una cirugía ortopédica.
• Ciencias de los datos biomédicos.
• La medicina deportiva es la medicina deportiva.

Sus antecedentes:

• La reconstrucción posterior a la lesión del ligamento cruzado anterior (LCA) plantea desafíos significativos para la función del paciente, el retorno al deporte y los gastos de atención médica.
• La predicción precisa específica del paciente de la lesión del LCA sigue siendo limitada a pesar de los factores de riesgo conocidos.

Objetivo del estudio:

• Revisar y sintetizar sistemáticamente la evidencia sobre los modelos supervisados de inteligencia artificial / aprendizaje automático (AI / ML) para predecir la re-lesión del LCA o los resultados adversos relacionados después de la reconstrucción primaria del LCA.
• Centrarse en las definiciones de resultados, las estrategias de validación de modelos y la aplicabilidad clínica de los modelos existentes de IA / ML.

Principales métodos:

• Se realizó una revisión exhaustiva del alcance de las bases de datos PubMed y Embase.
• Los criterios de elegibilidad se definieron utilizando las directrices PRISMA-ScR, lo que condujo a la síntesis cualitativa de diez estudios incluidos.

Principales resultados:

• Se observó una heterogeneidad significativa en los estudios con respecto a las definiciones de resultados, fuentes de datos, técnicas de modelado y métodos de validación.
• Se usaron comúnmente métodos de conjunto supervisado, que demostraron una discriminación moderada a alta en los conjuntos de datos de desarrollo, pero que se basaron principalmente en la validación interna con una validación externa limitada.
• Los informes sobre la calibración del modelo y la utilidad clínica fueron inconsistentes, con predictores que abarcan factores anatómicos, relacionados con el paciente y quirúrgicos.

Conclusiones:

• Los modelos de IA / ML demuestran potencial para predecir la relesión del LCA, pero la base de evidencia actual es metodológicamente diversa y principalmente de desarrollo.
• La validación externa limitada, las evaluaciones de calibración inconsistentes y las definiciones de resultados variables dificultan la aplicabilidad clínica de estos modelos.
• Los modelos AI / ML existentes para la predicción de lesiones de LCA deben considerarse exploratorios en esta etapa.