Machine learning-based identification of key risk factors for deep vein thrombosis within one week after total joint arthroplasty in elderly patients

Cada año, millones de adultos mayores se someten a cirugías mayores para reemplazar articulaciones de la cadera o la rodilla desgastadas, un procedimiento que restaura la movilidad y alivia el dolor. Sin embargo, el proceso de recuperación conlleva un peligro oculto: la formación de coágulos sanguíneos en las venas profundas de las piernas, una condición conocida como trombosis venosa profunda. Para los pacientes de edad avanzada, esta complicación es particularmente grave. Puede prolongar las estancias hospitalarias, aumentar los costos médicos y, en casos graves, derivar en eventos potencialmente mortales si un coágulo viaja hacia los pulmones. Los médicos han dependido durante mucho tiempo de listas de verificación estándar para estimar quién está en mayor riesgo, pero estas herramientas a menudo tratan a todos los pacientes de reemplazo articular por igual, etiquetándolos a todos como de alto riesgo sin distinguir quién está realmente en peligro. Esta falta de precisión dificulta proporcionar el nivel de protección adecuado para cada individuo.

Para resolver esto, los investigadores recurrieron a una rama de la informática llamada aprendizaje automático (machine learning). En lugar de seguir un conjunto fijo de reglas, estos programas informáticos aprenden de vastas cantidades de datos de pacientes pasados para encontrar patrones complejos que los observadores humanos podrían pasar por alto. El objetivo es construir una herramienta digital que pueda analizar el historial médico de un paciente, los resultados de sus análisis de sangre y los detalles de su cirugía para predecir con alta precisión si desarrollará un coágulo de sangre dentro de la primera semana después de la operación. Al identificar los factores específicos que más importan, dicha herramienta podría ayudar a los médicos a personalizar las estrategias de prevención, asegurando que aquellos que necesitan cuidados adicionales los reciban, evitando al mismo tiempo tratamientos innecesarios para quienes no los necesitan.

Un equipo de investigadores de la Universidad de Ciencia y Tecnología de China se propuso construir y probar una herramienta de este tipo. Recopilaron información de 3.050 pacientes de edad avanzada, todos de 60 años o más, que se habían sometido a una artroplastia total de articulación en un solo hospital en 2024. El equipo recopiló una amplia gama de puntos de datos para cada persona, incluyendo su edad, sexo, índice de masa corporal y antecedentes médicos de condiciones como diabetes o cáncer. También extrajeron cifras específicas de los análisis de sangre preoperatorios, como los niveles de inflamación y los factores de coagulación sanguínea, y registraron detalles de la sala de operaciones, incluyendo la duración de la cirugía, si se utilizó cemento óseo y si se aplicó un torniquete para detener el flujo sanguíneo durante el procedimiento. El resultado que intentaban predecir era simple pero crítico: ¿desarrolló el paciente un coágulo de sangre en su pierna dentro de los siete días posteriores a la cirugía, confirmado mediante una exploración por ultrasonido?

Para entrenar sus modelos informáticos, los investigadores tuvieron que abordar un problema común en los datos médicos: la mayoría de los pacientes no desarrollan coágulos, mientras que un número menor sí lo hace. Este desequilibrio puede confundir a un algoritmo de aprendizaje. Para solucionar esto, utilizaron una técnica que crea ejemplos sintéticos del grupo menos común, equilibrando efectivamente el conjunto de datos para que la computadora pudiera aprender de ambos lados por igual. Luego dividieron los datos, utilizando la mayor parte de ellos para enseñar a cuatro tipos diferentes de algoritmos de aprendizaje automático cómo realizar predicciones, y reservando el resto para probar qué tan bien funcionaban esas predicciones en nuevos pacientes no vistos anteriormente. Los cuatro algoritmos que probaron incluyeron un método estadístico tradicional conocido como regresión logística, un árbol de decisión que plantea una serie de preguntas de sí o no, un bosque aleatorio (random forest) que combina muchos árboles de decisión, y un método poderoso llamado XGBoost, que construye un modelo altamente preciso al aprender de sus propios errores.

Cuando el equipo comparó los resultados, un modelo destacó claramente. El algoritmo XGBoost resultó ser el más efectivo, identificando correctamente a la gran mayoría de los pacientes que desarrollarían o no un coágulo. Logró un nivel de precisión que superó con creces a los otros métodos, incluido el enfoque estadístico tradicional que tuvo dificultades para capturar las relaciones complejas entre los diferentes factores de riesgo. El modelo de bosque aleatorio funcionó bien, pero no fue tan preciso, mientras que el árbol de decisión y el modelo estadístico tradicional quedaron significativamente rezagados. El rendimiento superior del modelo XGBoost sugiere que el riesgo de desarrollar un coágulo no es impulsado por un solo factor, sino por una red compleja de interacciones que solo un programa informático sofisticado puede desenredar.

Para entender por qué este modelo funcionó tan bien, los investigadores utilizaron un método para despojar las capas del algoritmo y ver qué piezas de información específicas estaban impulsando las predicciones. Descubrieron que los factores más influyentes no fueron la duración de la cirugía o el uso de cemento óseo, como alguien podría esperar, sino sino el análisis de sangre preoperatorio del paciente. Específicamente, el tiempo que tardaba la sangre en coagularse, el nivel de una proteína llamada proteína C reactiva que señala la inflamación, y la cantidad de una sustancia llamada dímero D fueron los predictores más fuertes. El sexo del paciente también desempeñó un papel significativo, siendo las mujeres quienes mostraron un mayor riesgo que los hombres en este grupo. Estos hallazgos coinciden con lo que se sabe sobre cómo la inflamación y la coagulación sanguínea interactúan en el cuerpo, sugiriendo que el estado interno de un paciente antes de la cirugía es un indicador más fiable del riesgo temprano que los detalles de la operación en sí.

El estudio concluye que este enfoque de aprendizaje automático ofrece una vía prometedora para mejorar la atención al paciente. Al utilizar un modelo capaz de analizar con precisión datos médicos complejos, los médicos pronto podrían identificar a pacientes de edad avanzada con alto riesgo de coágulos sanguíneos con una precisión mucho mayor que los métodos actuales. Esto permitiría estrategias de prevención más dirigidas, concentrando los recursos en quienes más los necesitan. Aunque los investigadores señalan que su trabajo se basa en los datos de un solo hospital y requiere más pruebas en grupos más grandes para confirmar su fiabilidad, los resultados proporcionan una base sólida para una nueva era de evaluación de riesgos personalizada en la cirugía ortopédica. El camino a seguir implica validar estos hallazgos en diferentes centros médicos para asegurar que la herramienta funcione para todos, pero el potencial para prevenir una complicación peligrosa mediante una mejor predicción está ahora al alcance de la mano.