Predicción de los resultados del reflujo vesicoureteral mediante inteligencia artificial: una evaluación crítica...

Área de la Ciencia:

• Urología pediátrica
• Inteligencia artificial en medicina
• Aplicaciones de aprendizaje automático

Sus antecedentes:

• El reflujo vesicoureteral (RVU) es una anomalía congénita común en niños, asociada con infecciones recurrentes del tracto urinario (ITU) y posible daño renal.
• La inteligencia artificial (IA) ofrece métodos novedosos para mejorar el diagnóstico, pronóstico y estratificación del tratamiento del RVU.

Objetivo del estudio:

• Revisar y evaluar la calidad de las aplicaciones de IA en urología pediátrica, específicamente para el manejo de RVU e ITU.
• Identificar enfoques comunes de aprendizaje automático y su efectividad en la predicción de resultados de RVU.

Principales métodos:

• Revisión narrativa de estudios del repositorio AI-PEDURO (actualizado en junio de 2024) centrada en el aprendizaje automático para RVU/ITU.
• Diecisiete estudios cumplieron los criterios de inclusión, analizando aplicaciones de IA en la clasificación de RVU, predicción de recurrencia de ITU y resultados del tratamiento.
• La calidad del estudio se evaluó utilizando la herramienta APPRAISE-AI.

Principales resultados:

• Las aplicaciones comunes de IA incluyen la clasificación de RVU a partir de imágenes, la predicción de recurrencia de ITU, la resolución espontánea de RVU y los resultados del tratamiento.
• Se emplearon frecuentemente redes neuronales, algoritmos basados en árboles y máquinas de vectores de soporte.
• La calidad mediana del estudio fue moderada, con buena relevancia clínica pero debilidades en la metodología, robustez y reproducibilidad.

Conclusiones:

• La IA tiene un potencial significativo para mejorar la precisión diagnóstica, personalizar el tratamiento y predecir los resultados en el RVU pediátrico.
• La mayoría de los modelos actuales de IA para RVU son de calidad baja a moderada.
• La presentación estandarizada y la colaboración multiinstitucional son cruciales para mejorar el rigor de los modelos de IA y su traslación clínica.