Video Experimental Relacionado
Updated: Feb 26, 2026

Murine Model of Thoracic Aortic Dissection Induced by Oral β-Aminopropionitrile and Subcutaneous Angiotensin II Infusion
Published on: May 16, 2025
Fenotipos fisiológicos en la lesión aórtica torácica por contusión: implicaciones para la estratificación del riesgo
Phillip D Jenkins1, Michael R Kolesnikov1, Shelby Willis1
1Department of Surgery, Oregon Health & Science University, Portland, OR, United States.
El aprendizaje automático identificó tres grupos de pacientes distintos para la lesión aórtica torácica por contusión (BTAI), revelando que el estado fisiológico, no solo la gravedad de la lesión, impacta los resultados y guía las decisiones de tratamiento.
Área de la Ciencia:
- Cirugía de Trauma
- Cirugía Cardiovascular
- Aprendizaje Automático en Medicina
Sus antecedentes:
- La lesión aórtica torácica por contusión (BTAI) es una afección rara pero a menudo fatal.
- Las estrategias de manejo actuales enfrentan desafíos debido a la diversa presentación de los pacientes.
- La gravedad de la lesión por sí sola puede no predecir completamente el riesgo y los resultados del paciente.
Objetivo del estudio:
- Aplicar el aprendizaje automático para identificar fenotipos fisiológicos distintos en pacientes con BTAI.
- Analizar los resultados asociados con cada fenotipo identificado.
- Utilizar IA explicable (XAI) para comprender los impulsores fisiológicos de estos fenotipos.
Principales métodos:
- Análisis de 1.375 pacientes del registro de la Aortic Trauma Foundation.
- Agrupación k-means (k=3) para definir tres fenotipos fisiológicos distintos basados en once variables.
- Clasificación XGBoost con SHapley Additive exPlanations (SHAP) para la importancia de las características y la validación.
Principales resultados:
- Se identificaron tres fenotipos: 'Estable' (n=431), 'Shock' (n=398) y 'Compromiso Neurológico' (n=254).
- Las tasas de mortalidad fueron significativamente más altas en 'Shock' (18,9%) y 'Compromiso Neurológico' (18,1%) en comparación con 'Estable' (7,2%).
- Los marcadores fisiológicos como la presión arterial, el lactato y la frecuencia cardíaca fueron discriminadores clave, con patrones de tratamiento similares en todos los fenotipos.
Conclusiones:
- El aprendizaje automático identificó con éxito fenotipos distintos de BTAI con diferentes riesgos de mortalidad.
- El estado fisiológico, particularmente los marcadores de perfusión y metabólicos, es crucial para la fenotipificación y el pronóstico de la BTAI.
- Estos hallazgos respaldan el uso de la fenotipificación fisiológica para mejorar la estratificación del riesgo y la toma de decisiones clínicas de la BTAI.
Más Videos Relacionados
06:18Intravascular Ultrasound Image-Based Finite Element Modeling Approach for Quantifying In Vivo Mechanical Properties of Human Coronary Artery
Published on: December 6, 2024
09:32Manufacturing Abdominal Aorta Hydrogel Tissue-Mimicking Phantoms for Ultrasound Elastography Validation
Published on: September 19, 2018