Predicción de resultados quirúrgicos en reconstrucción mamaria con aprendizaje automático: una revisión sistemática

Área de la Ciencia:

• Cirugía Plástica
• Inteligencia Artificial
• Aprendizaje Automático

Sus antecedentes:

• La inteligencia artificial (IA) y el aprendizaje automático (AA) se utilizan cada vez más en cirugía plástica para predecir resultados en los pacientes y guiar la toma de decisiones.
• Esta revisión se centra en el rendimiento de los modelos de AA específicamente en la reconstrucción mamaria.

Objetivo del estudio:

• Revisar y evaluar sistemáticamente el rendimiento de los modelos de predicción de aprendizaje automático (AA) en la reconstrucción mamaria.
• Comparar la efectividad de diferentes modelos de AA y medidas de resultado en la predicción de resultados quirúrgicos.

Principales métodos:

• Se realizó una revisión sistemática de PubMed, Scopus y EMBASE.
• Los estudios incluidos utilizaron AA para predecir resultados en la reconstrucción mamaria, informando los tipos de modelos y las métricas de rendimiento (por ejemplo, el área bajo la curva operativa del receptor).
• Los análisis estadísticos incluyeron estadísticas descriptivas, regresión lineal multivariante y metarregresión.

Principales resultados:

• Se analizaron catorce estudios que involucraron 19 modelos de ML y 11.013 pacientes.
• El área mediana bajo la curva operativa del receptor para todos los modelos fue de 0,71.
• Los modelos que predicen resultados de BREAST-Q y aquellos que utilizan la mitigación del desequilibrio de clases mostraron una discriminación significativamente mayor.

Conclusiones:

• Los modelos de aprendizaje automático son eficaces para predecir diversos resultados en la reconstrucción mamaria, incluidas las complicaciones quirúrgicas y la satisfacción del paciente.
• Los modelos que predicen BREAST-Q y emplean métodos de desequilibrio de clases demostraron una discriminación superior.
• La presentación de informes estandarizada es crucial para futuras aplicaciones de AA en cirugía plástica para garantizar la reproducibilidad y facilitar las comparaciones.