Eur J Orthop Surg Traumatol. 2 de diciembre de 2025; 36 (1): 31. doi: 10.1007/s00590-025-04592-y.
OBJETIVO: Las fracturas del radio distal se encuentran entre las lesiones más comunes de las extremidades superiores. Si bien las redes neuronales convolucionales (CNN) se han mostrado prometedoras en la detección de fracturas, ningún modelo ha abordado específicamente la necesidad de reducción, que es una distinción fundamental para la toma de decisiones clínicas. Los modelos actuales de IA detectan fracturas, pero no logran guiar el tratamiento, lo que destaca una oportunidad para mejorar la clasificación a través de la IA.
MÉTODOS: Reunimos retrospectivamente a 495 pacientes con radiografías AP, lateral y oblicua de muñeca. Para reflejar la implementación en el mundo real, las imágenes eran capturas de pantalla estilo teléfono inteligente estandarizadas a una escala de grises de 224 × 224. Entrenamos a BoraeNet, un modelo DenseNet-169 de tres ramas (una rama por vista) que utiliza un CV quíntuple en el 90 % de los pacientes y evaluamos un conjunto de pruebas internas retenidas (n = 50).
RESULTADOS: BoraeNet demostró un sólido rendimiento en la clasificación de fracturas que necesitan reducción. Las métricas de entrenamiento incluyeron precisión (0,93), precisión (0,95), recuerdo (0,91) y puntuación F1 (0,93), con un rendimiento constante en todos los pliegues. En el conjunto de validación interna retenido (n = 50), el modelo logró un AUC de 0,89 y una precisión promedio de 0,91, clasificando 15 verdaderos positivos, 27 verdaderos negativos, 6 falsos positivos y 2 falsos negativos.
CONCLUSIÓN: El modelo BoraeNet ofrece una herramienta prometedora que utiliza imágenes de baja fidelidad para predecir la necesidad de reducción con una fuerte discriminación, lo que respalda la clasificación en entornos con recursos limitados. El trabajo futuro debería incluir conjuntos de datos más grandes con información demográfica, detección de objetos y validación externa multicéntrica e integración en el flujo de trabajo clínico/PACS. Nivel de evidencia Nivel III.
PubMed:41329228 | DOI:10.1007/s00590-025-04592-y