Lesión. 19 de noviembre de 2025;56(12):112893. doi: 10.1016/j.injury.2025.112893. En línea antes de imprimir.
INTRODUCCIÓN: La necrosis digital (ND) es una complicación postoperatoria crítica después de la cirugía de reimplantación de dedos. Esto puede requerir intervenciones quirúrgicas adicionales que pueden afectar negativamente la funcionalidad de la mano, el bienestar psicológico y la situación financiera del paciente. Por lo tanto, la identificación y el manejo oportunos del riesgo de ND posterior al reimplante son cruciales para mejorar los resultados de los pacientes. El objetivo de este estudio fue crear y validar un modelo de aprendizaje automático (ML) fácilmente comprensible para predecir el riesgo de DN después de una cirugía de reimplante de dedo.
PACIENTES Y MÉTODOS: Se recopilaron datos de 1579 pacientes que se sometieron a una cirugía de reimplantación de dedo en el Hospital Ortopédico Suzhou Ruihua entre septiembre de 2018 y septiembre de 2023 y se dividieron en conjuntos de capacitación y validación interna. Además, se emplearon 293 puntos de datos de otras dos instituciones como conjuntos de validación externa independientes. Para el modelado se utilizaron diez métodos de aprendizaje automático, incluida la máquina de aumento de gradiente (GBM). El rendimiento del modelo se evaluó mediante el área bajo la curva característica operativa del receptor (AUC) y el análisis de la curva de decisión (DCA). Se utilizó la explicación aditiva de SHApley (SHAP) para proporcionar interpretaciones tanto globales como locales del modelo final.
RESULTADOS: Nueve índices, incluida la antigüedad del médico y el recuento de neutrófilos, fueron identificados como predictores independientes de ND. El modelo GBM mostró un modelo óptimo con alta precisión predictiva para el riesgo de DN tanto en el conjunto de entrenamiento (AUC: 0,995) como en el conjunto de validación interna (AUC: 0,978), lo cual se confirmó mediante validación externa (AUC: 0,983). La confiabilidad y utilidad del modelo GBM y la plataforma informática basada en web fueron confirmadas por análisis DCA, curva de calibración, precisión y sensibilidad.
CONCLUSIÓN: Se construyó y validó un modelo interpretable de aprendizaje automático basado en recuentos sanguíneos completos y niveles de marcadores inflamatorios relacionados para predecir la probabilidad de desarrollar DN después del reimplante de dedo. Este modelo puede ayudar a los médicos a identificar rápidamente a los pacientes de alto riesgo después del reimplante, lo que permite una intervención oportuna.
PubMed:41275725 | DOI:10.1016/j.lesión.2025.112893