Search

La HSAa causa graves secuelas neurológicas que condicionan el pronóstico funcional de quienes sobreviven. Existen factores de riesgo que permiten identificar pacientes susceptibles de sufrir una peor evolución. Sin embargo, no predicen con precisión su resultado funcional definitivo. Las técnicas de ML procesan grandes volúmenes de datos y construyen algoritmos predictivos a partir de ellos. El objetivo del estudio es predecir el estado neurológico funcional en una cohorte consecutiva de pacientes con HSAa mediante técnicas de ML a partir de variables clínicas, además de crear un nomograma predictivo a partir de dichas variables. Como conclusión se puede decir que los algoritmos de ML basados en variables clínicas permiten predecir con elevada precisión el resultado funcional de los pacientes con HSAa., Grado en Medicina

La hemorragia subaracnoidea (HSA) conlleva altas tasas de morbimortalidad. Se han identificado varios factores de riesgo como estimadores de mortalidad y resultados funcionales; sin embargo, las predicciones son imprecisas y, en ocasiones, difíciles de establecer de forma precoz. Los algoritmos de inteligencia artificial (IA) permiten manejar datos complejos y de gran dimensión. Dentro de la IA, las redes neuronales (NN), una técnica de aprendizaje automatizado que es capaz de generar predicciones muy precisas a partir de datos de imágenes. El objetivo de este trabajo es predecir la mortalidad en una cohorte consecutiva de pacientes con HSA mediante el procesamiento de la tomografía computarizada inicial en un algoritmo basado en redes neuronales. Se ha realizado un estudio multicéntrico de una cohorte retrospectiva consecutiva de pacientes con HSA entre 2011 y 2022. Se analizaron variables demográficas, clínicas y radiológicas. Las imágenes de tomografía computarizada iniciales se preprocesaron y se usaron como entrada para entrenar una NN cuya arquitectura se basa en DenseNet-121. La variable resultado fue la mortalidad en los tres primeros meses. Las cohortes de entrenamiento, validación y test se obtuvieron mediante una división aleatoria del conjunto de datos inicial. Se procesaron imágenes de 219 pacientes, 175 para entrenamiento y validación de la NN y 44 para su evaluación. El 52,5% de los pacientes eran mujeres y la mediana de edad fue de 57,9 años. El 18,5% fueron HSA idiopáticas. La mediana de WFNS al ingreso fue de 2 y la mortalidad fue del 28,5%. El modelo mostró un gran rendimiento en la predicción de muerte en pacientes con HSA utilizando exclusivamente las imágenes de la tomografía computarizada inicial (Accuracy = 74%, F1 = 72% y AUC = 82%). La conclusión a la que se llegó es que las modernas técnicas de procesamiento de imágenes basadas en inteligencia artificial y redes neuronales hacen posible predecir la mortalidad en pacientes con HSA con alta precisión utilizando imágenes de TC como única entrada. Estos modelos pueden optimizarse al incluir más datos y pacientes, lo que resulta en una mejor capacitación, desarrollo y rendimie., Grado en Medicina