quemaduras. 8 de noviembre de 2025;52(1):107770. doi: 10.1016/j.burns.2025.107770. En línea antes de imprimir.

La lesión por inhalación de quemaduras (BII) aumenta la mortalidad y la morbilidad en pacientes quemados. La clasificación broncoscópica precisa, como modalidad de diagnóstico de referencia, es importante para el pronóstico y para optimizar el tratamiento. Sin embargo, el sistema de clasificación clínica más utilizado actualmente (puntuación de lesión abreviada, AIS) para BII, como método de clasificación estandarizado, utiliza el juicio manual de las características visuales de la mucosa traqueobronquial. Esto es subjetivo y tiene limitaciones en la precisión y confiabilidad de la clasificación. Un sistema de clasificación broncoscópica mejor y automatizado tendría un gran valor clínico. Por lo tanto, este estudio probó la capacidad predictiva de un método de calificación basado en tecnología de aprendizaje profundo supervisado para BII diagnosticado mediante broncoscopía. Se ajustó un modelo de transformador de visión (ViT) previamente entrenado para calificar automáticamente las lesiones por inhalación de quemaduras a partir de registros de broncoscopia clínica de 36 pacientes (1089 cuadros de calidad controlada) en el centro de quemaduras de Londres. Las imágenes etiquetadas se diferenciaron en conjuntos de entrenamiento, validación y prueba (70:20:10). Luego, el modelo se aplicó a 2 tareas;1. Identificación del grado de gravedad (sistema simple modificado -ninguno, leve, moderado, grave) y 2. Binario – presencia o no de BII. Se midieron los indicadores de rendimiento (exactitud, precisión, F1 y recuperación). Luego, el ViT se desarrolló aún más mediante técnicas de transferencia de aprendizaje y aumento de datos, y se volvió a probar el rendimiento predictivo. Los conjuntos de pruebas de imágenes en el modelo entrenado lograron una precisión del 98,17 %, una puntuación F1 del 98,15 %, una precisión del 98,29 % y una recuperación del 98,17 %. Para la tarea 2, el modelo mejorado logró una precisión del 98,17 %, puntuación F1 del 98,21 %, precisión del 98,36 %, recuperación del 98,17 %. En comparación con los sistemas tradicionales de puntuación humana calificados visualmente, e incluso con otros estudios basados ​​en modelos de aprendizaje profundo, nuestro método demostró un marco de aprendizaje profundo predictivo muy prometedor para su aplicación en la clasificación de lesiones por inhalación con mayor precisión.

PubMed:41297238 | DOI:10.1016/j.burns.2025.107770