What Drives Length of Stay After Elective Spine Surgery? Insights from a Decade of Predictive Modeling

Resumen Técnico: ¿Qué impulsa la estancia hospitalaria tras una cirugía de columna electiva? Perspectivas de una década de modelado predictivo

Planteamiento del problema
Predecir la estancia hospitalaria (LOS, por sus siglas en inglés) para pacientes sometidos a cirugía de columna electiva es fundamental para optimizar los resultados de los pacientes, gestionar la capacidad hospitalaria y controlar los costes, que promedian aproximadamente $2.883 por día de hospitalización. Aunque los métodos computacionales como la Inteligencia Artificial (IA) y el Aprendizaje Automático (ML) han avanzado, sigue sin estar claro qué modelos ofrecen una precisión y exactitud superiores para la predicción de la LOS en este dominio específico. Además, las revisiones sistemáticas existentes se han centrado en resultados diversos (no exclusivamente la LOS), carecieron de comparaciones detalladas entre el ML y los enfoques estadísticos tradicionales, o no diferenciaron los predictores específicos que impulsan el rendimiento del modelo. Existe una notable laguna en la literatura respecto a las definiciones estandarizadas de los resultados, la validación externa y el análisis comparativo del rendimiento específicamente para la cirugía de columna electiva.

Metodología
Este estudio es una revisión sistemática realizada de acuerdo con las directrices PRISMA.

• Estrategia de búsqueda: Los autores buscaron en PubMed, Google Scholar y la ACM Digital Library estudios publicados entre el 1 de diciembre de 2015 y el 1 de diciembre de 2024.
• Criterios de inclusión: Estudios empíricos originales que predigan la LOS en pacientes de cirugía de columna electiva utilizando técnicas basadas en datos (modelos estadísticos o de ML), publicados en inglés con acceso al texto completo.
• Proceso de selección: De un grupo inicial de 1.263 estudios, 29 cumplieron los criterios de inclusión tras la revisión de títulos, resúmenes y textos completos.
• Extracción de datos: Dos revisores independientes extrajeron los datos utilizando un libro de códigos exhaustivo que cubría las características del estudio, los enfoques de modelado (estadístico vs. ML vs. PLN), las definiciones de los resultados (continuos, binarios o basados en percentiles), las variables predictoras y las métricas de rendimiento (AUC, exactitud, precisión, sensibilidad, puntuación F1).
• Evaluación de la calidad: El riesgo de sesgo se evaluó mediante la herramienta de riesgo de sesgo de Cochrane.

Contribuciones clave

• Alcance enfocado: A diferencia de revisiones previas (p. ej., Lubelski et al.) que cubrían resultados amplios, este estudio analiza exclusivamente la predicción de la LOS en la cirugía de columna electiva.
• Expansión temporal: Incluye 16 artículos adicionales publicados después de 2020, capturando los avances recientes en metodologías de IA e integración de datos.
• Análisis granular de predictores: El estudio categoriza y analiza sistemáticamente una vasta gama de predictores (demográficos, clínicos, operativos y contextuales) para identificar qué variables impactan más significativamente en el rendimiento del modelo.
• Análisis comparativo de rendimiento: Proporciona una comparación directa de las puntuaciones de rendimiento entre varios modelos, incluyendo la regresión logística, bosques aleatorios (Random Forests), algoritmos de potenciación (boosting) y redes neuronales, identificando los modelos con mejor rendimiento basados en métricas clave.

Resultados

• Características del estudio: Los 29 estudios incluidos fueron predominantemente retrospectivos (90%), con tamaños de muestra que variaron de 77 a 453.717 pacientes. Las fuentes de datos incluyeron Historias Clínicas Electrónicas (44,8%), bases de datos nacionales como NSQIP (20,7%) y bases de datos estatales. La mayoría de los estudios (72,4%) fueron publicados entre 2020 y 2024.
• Enfoques de modelado:
  • Modelos estadísticos: La regresión logística fue el enfoque más común (68,97% de los estudios), sirviendo a menudo como línea de base.
  • Aprendizaje Automático (ML): El 24,1% de los estudios empleó métodos de ML, incluyendo Bosques Aleatorios (Random Forests), Gradient Boosting (XGBoost, LightGBM), Máquinas de Vectores de Soporte (SVM) y K-Vecinos Más Cercanos (KNN).
  • Enfoques híbridos: El 17,24% de los estudios comparó métodos estadísticos y de ML.
• Rendimiento:
  • Los modelos de ML generalmente superaron a los modelos estadísticos tradicionales, con valores de Área Bajo la Curva (AUC) que oscilaron entre 0,94 y 0,99 en los estudios de mayor rendimiento.
  • Mejores exponentes: K-Vecinos Más Cercanos (KNN) y Naive Bayes con potenciación adaptativa (adaptive boosting) alcanzaron los AUC reportados más altos (0,99 y 0,94, respectivamente). Los modelos de Random Forest y Gradient Boosting también demostraron un rendimiento superior, superando frecuentemente un AUC de 0,80.
  • Los modelos de regresión logística mostraron un rendimiento respetable pero generalmente inferior, con AUC típicamente entre 0,70 y 0,80.
• Predictores clave:
  • Demografía: La edad fue el predictor más significativo (incluido en el 79,3% de los estudios), con pacientes de mayor edad asociados a una mayor LOS.
  • Factores clínicos: Las comorbilidades, específicamente la hipertensión, la diabetes y las afecciones cardiovasculares, fueron predictores fuertes incluidos en el 79,3% de los estudios.
  • Factores quirúrgicos: La duración de la operación y la pérdida de sangre estimada fueron factores críticos, vinculados a una LOS prolongada en el 72,4% y 55,2% de los estudios, respectivamente. Los procedimientos mínimamente invasivos se asociaron con una LOS más corta en el 62,1% de los estudios.

Significancia y afirmaciones
El artículo afirma que, si bien los modelos de ML ofrecen un fuerte potencial para mejorar la planificación del alta y la gestión de recursos hospitalarios, su utilidad clínica está actualmente limitada por la falta de estandarización y validación externa.

• Estado actual: La revisión destaca que los modelos de ML, particularmente los métodos de ensamble y algoritmos específicos como KNN y Naive Bayes, tienen el potencial de superar a los enfoques estadísticos tradicionales al manejar relaciones complejas y no lineales en los datos de cirugía de columna.
• Limitaciones: Los autores señalan que muchos estudios carecen de una validación externa robusta, utilizan muestras pequeñas y sufren de definiciones inconsistentes de los resultados de la LOS, lo que dificulta las comparaciones directas.
• Direcciones futuras: El artículo aboga por que los estudios futuros prioricen las definiciones estandarizadas de los resultados, la transparencia en la información y la incorporación de datos no estructurados (p. ej., notas clínicas mediante PLN/LLM) para capturar historias de pacientes más matizadas. Sugiere que los modelos de aprendizaje profundo híbridos y las arquitecturas avanzadas (p. ej., GNNs, mecanismos de atención) representan una dirección futura prometedora, aunque aún no son estándar en la literatura de cirugía de columna revisada.

En conclusión, el estudio posiciona el modelado predictivo basado en datos como una herramienta vital para optimizar la atención de la cirugía de columna electiva, pero enfatiza que su despliegue generalizado en el mundo real requiere abordar las brechas actuales en validación y estandarización de datos.