Deep learning y radiomica basada en MRI predicen la hernia discal lumbar recurrente tras discectomía endoscópica percutánea

Qué problema aborda

La hernia discal lumbar recurrente (r-LDH) es una complicación común tras la discectomía endoscópica percutánea (PELD), lo que puede llevar a la necesidad de intervenciones adicionales. Identificar a los pacientes en riesgo de r-LDH es crucial para optimizar el manejo perioperatorio y mejorar los resultados clínicos.

Qué hicieron los autores

Los autores desarrollaron un modelo compuesto que combina características radiómicas extraídas de resonancias magnéticas (MRI) con indicadores clínicos para predecir la r-LDH. En el estudio participaron 573 pacientes, de los cuales se emparejaron grupos con y sin recurrencia mediante un análisis de puntuación de propensión (PSM). Se construyeron cinco modelos de redes neuronales convolucionales (CNN) para evaluar su rendimiento predictivo.

Qué encontraron

De los 573 pacientes, 122 fueron clasificados en el grupo de recurrencia y 203 en el grupo de control. Se seleccionaron cuatro indicadores clínicos y 13 características radiómicas para el modelo combinado. Este modelo mostró un área bajo la curva (AUC) de 0.86 en el conjunto de prueba. Entre los modelos de CNN, el ResNet18 demostró el mejor rendimiento con un AUC de 0.88, seguido de DenseNet121 y MobileNetV3.

Limitaciones

El texto disponible no detalla limitaciones específicas del estudio.

Lectura final

Los hallazgos de este estudio son significativos, ya que la combinación de modelos radiómicos y clínicos podría mejorar la identificación de pacientes en riesgo de r-LDH, lo que facilitaría una mejor planificación quirúrgica y un seguimiento postoperatorio más personalizado. Esto podría transformar la forma en que se gestionan los pacientes tras una discectomía, promoviendo un enfoque más basado en la evidencia en la atención médica.