Emerg Med Int.. 2025 18 de noviembre; 2025: 8879232. Revista: 10.1155/emmi/8879232. Colección electrónica 2025.

OBJETIVO: Para diferenciar la apendicitis complicada (AC) de la apendicitis no complicada (AU) en niños, desarrollamos y validamos un modelo de inteligencia artificial (IA) utilizando un enfoque multimodal que integra imágenes de ultrasonido y datos clínicos.

MÉTODOS: Se realizó un análisis retrospectivo de 372 casos de apendicitis pediátrica patológicamente confirmados (230 hombres, 142 mujeres) de tres centros, todos con ecografía abdominal preoperatoria. Las características de aprendizaje profundo (DL) y las características radiómicas se extrajeron de imágenes de ultrasonido del apéndice utilizando aprendizaje de transferencia profunda (DTL) y métodos radiómicos convencionales, respectivamente. Seleccionamos 12 características radiómicas, 9 características de DL y 3 características clínicas, a saber, recuento de glóbulos blancos (WBC), recuento de neutrófilos (NEU) y proteína C reactiva (CRP), para construir el modelo de clasificación de aprendizaje automático. Con base en estas características, se construyeron cuatro modelos distintos: el modelo Rad (solo características radiómicas), el modelo DL (solo características DL), el modelo DTL (características radiómicas y DL combinadas) y el modelo Combine (que integra los tres tipos de características: características radiómicas, DL y clínicas). El rendimiento del modelo se evaluó mediante curvas de características operativas del receptor (ROC), análisis de curvas de decisión (DCA) y la prueba de DeLong. Finalmente, el modelo combinado se comparó con el desempeño de médicos con distintos niveles de experiencia.

RESULTADOS: El modelo combinado demostró un rendimiento consistentemente favorable en todas las cohortes (AUC: 0,940, 0,895, 0,866 y 0,783 para los conjuntos de entrenamiento y validación, respectivamente). La precisión del modelo (0,862) y el valor predictivo positivo (0,896) fueron comparables a los de los cirujanos experimentados (0,741, 0,970) y superiores a los de los cirujanos jóvenes (0,672, 0,865) en la cohorte de validación interna. DCA confirmó la utilidad clínica del modelo combinado sobre las estrategias convencionales.

CONCLUSIÓN: Nuestro modelo de IA basado en ultrasonido proporciona una diferenciación confiable entre CA y UA en niños, ofreciendo un valor potencial como herramienta de apoyo al diagnóstico para la toma de decisiones clínicas.

PubMed:41306444 | PMC:PMC12646731 | Revista:10.1155/emmi/8879232