Individualized Prediction of Postoperative Nausea and Vomiting Following Thoracoscopic Lung Surgery Through a Penalized Multivariable Nomogram

Resumen Técnico: Predicción Individualizada de las Náuseas y Vómitos Postoperatorios tras Cirugía Toracoscópica Pulmonar

Planteamiento del Problema
Las náuseas y los vómitos postoperatorios (NVPO) siguen siendo una complicación frecuente y clínicamente significativa tras la cirugía toracoscópica asistida por video (VATS), con tasas de incidencia que potencialmente se acercan al 50%. Si bien las técnicas mínimamente invasivas reducen el trauma quirúrgico, factores procedimentales específicos —como la intubación de doble luz, la ventilación de un solo pulmón y la manipulación intratorácica extensa— inducen un estrés fisiológico que predispone a los pacientes a los NVPO. Los síntomas persistentes dificultan la movilización temprana y la ingesta oral, impactando negativamente en la calidad de la recuperación (QoR-15).

La estratificación de riesgo clínico actual depende en gran medida del score simplificado de Apfel. Sin embargo, los autores argumentan que este sistema de puntuación general no logra capturar los estresores específicos del procedimiento (p. ej., disección de ganglios linfáticos mediastínicos, duración de la operación) y las alteraciones fisiológicas perioperatorias únicas de la cirugía torácica. Además, los modelos predictivos existentes suelen incorporar variables postoperatorias (p. ej., escalas de dolor, evaluaciones de recuperación) como predictores. Aunque son estadísticamente potentes, estas variables violan la causalidad temporal, lo que hace que tales modelos sean poco prácticos para la toma de decisiones profilácticas preoperatorias.

Metodología
El estudio empleó un diseño observacional retrospectivo que involucró a 121 pacientes consecutivos sometidos a VATS en el Hospital de Tórax de Anhui entre agosto de 2024 y mayo de 2025.

• Partición de Datos: La cohorte se dividió aleatoriamente en un conjunto de entrenamiento ($n=84$) y un conjunto de prueba independiente ($n=37$) en una proporción de 7:3.
• Selección de Predictores: Para garantizar la validez temporal, el modelo se construyó utilizando exclusivamente variables preoperatorias e intraoperatorias. Los indicadores postoperatorios fueron estrictamente excluidos. Se incorporaron catorce predictores candidatos:
  • Demografía/Estilo de Vida: Edad, sexo, IMC, antecedentes de tabaquismo.
  • Evaluaciones Basales: Clasificación ASA, score de Apfel.
  • Biomarcadores de Laboratorio: Hemoglobina, albúmina, globulina, proteína C reactiva (PCR).
  • Factores Intraoperatorios: Tipo de procedimiento quirúrgico, disección de ganglios linfáticos mediastínicos, duración de la operación y pérdida de sangre intraoperatoria.
• Algoritmo: Dada la muestra relativamente pequeña y el riesgo de multicolinealidad entre los 14 predictores, los autores utilizaron regresión logística con regularización L2 (regresión Ridge). Este enfoque se eligió para restringir la magnitud de los coeficientes, reducir el sobreajuste (overfitting) y mejorar la estabilidad del modelo. El parámetro de regularización ($C$) se optimizó mediante validación cruzada, resultando en un coeficiente óptimo de 0.0518.
• Validación: El modelo fue evaluado mediante:
  • Discriminación: Área bajo la curva característica operativa del receptor (AUC).
  • Calibración: Puntuación de Brier y curvas de calibración.
  • Utilidad Clínica: Análisis de la curva de decisión (DCA).
  • Estabilidad: Validación cruzada de cinco pliegues (five-fold cross-validation).

Resultos Clave

• Desempeño del Modelo: El nomograma penalizado final integró las 14 variables.
  • Cohorte de Entrenamiento: Logró un AUC de 0.9132.
  • Cohorte de Prueba Independiente: Mantuvo una fuerte capacidad discriminativa con un AUC de 0.8743 (IC del 95%: 0.6638–1.0000).
  • Validación Cruzada: La validación cruzada de cinco pliegues produjo un AUC medio de 0.8615 ± 0.0508, lo que indica un desempeño estable a través de las particiones de datos.
• Métricas de Clasificación: Utilizando un umbral de probabilidad óptimo de 0.5792 (determinado por el índice de Youden), el modelo alcanzó:
  • Sensibilidad: 72.22%
  • Especificidad: 89.47%
  • Valor Predictivo Positivo (VPP): 86.67%
  • Valor Predictivo Negativo (VPN): 77.27%
• Calibración y Utilidad: La puntuación de Brier de la prueba fue de 0.1648, lo que indica un estrecho acuerdo entre las probabilidades predichas y los resultados observados. El Análisis de la Curva de Decisión demostró que el nomograma proporcionó un mayor beneficio clínico neto que las estrategias de "tratar a todos" o "no tratar a nadie" a través de un amplio rango de probabilidades de umbral.

Contribuciones Clave

1. Validez Temporal: El estudio desarrolló con éxito una herramienta de predicción utilizando solo variables disponibles antes o durante la cirugía, evitando los errores de causalidad temporal de los modelos que dependen de datos postoperatorios.
2. Integración Específica del Procedimiento: El modelo va más allá del score de Apfel genérico al integrar estresores específicos de la cirugía torácica (p. ej., disección de ganglios linfáticos, duración de la operación) y marcadores biológicos (p. ej., PCR, globulina) que reflejan el estado inflamatorio y nutricional del paciente.
3. Enfoque Regularizado: Al aplicar la regresión Ridge, el estudio abordó el desafío del sobreajuste en un conjunto de datos de alta dimensionalidad y muestra pequeña, asegurando la generalizabilidad del modelo a pesar del modesto tamaño de la cohorte.
4. Alta Especificidad: El modelo demostró una especificidad particularmente alta (89.47%), lo que sugiere que es altamente efectivo para identificar a pacientes que no tienen probabilidades de desarrollar NVPO, evitando así intervenciones profilácticas innecesarias.

Significancia y Reivindicaciones
Los autores postulan que este nomograma penalizado sirve como una herramienta práctica de apoyo a la decisión para las vías de Recuperación Mejorada después de la Cirugía (ERAS). Al permitir una estratificación de riesgo individualizada, el modelo facilita:

• Profilaxis Dirigida: Los pacientes de alto riesgo pueden ser identificados para estrategias antieméticas multimodales intensivas.
• Optimización de Recursos: Los pacientes de bajo riesgo (identificados por la alta especificidad del modelo) pueden evitar costos de medicación y posibles efectos secundarios innecesarios.

El artículo concluye que, si bien el modelo muestra una fuerte validez interna y calibración, su aplicación clínica generalizada requiere una validación externa adicional en poblaciones multicéntricas más grandes. Los autores señalan explícitamente las limitaciones relativas a la naturaleza de centro único del estudio y la exclusión de datos anestésicos intraoperatorios detallados (p. ej., consumo específico de opioides) debido a las restricciones de los registros electrónicos.