Diagnóstico por IA demuestra alta precisión en detección de infecciones articulares periprotésicas

La infección articular periprotésica (IAP) es una complicación poco frecuente pero grave que afecta entre el 1 % y el 2 % de las cirugías primarias de reemplazo articular. Esta afección se produce cuando bacterias u hongos infectan los tejidos que rodean una articulación artificial implantada y, en casos graves, puede provocar la amputación o la muerte.

El diagnóstico de la IAP es difícil debido a la variabilidad de los síntomas, las comorbilidades y la ausencia de una prueba de referencia estándar en Estados Unidos. Ahora, una nueva herramienta diagnóstica basada en aprendizaje automático ha demostrado una precisión y un nivel de confianza significativamente mayores en el diagnóstico de IAP en comparación con los enfoques tradicionales.

Imagen: La herramienta de aprendizaje automático genera una puntuación de probabilidad específica del paciente para la infección de la articulación periprotésica (Fotografía cortesía de Zimmer Biomet)

El estudio evaluó el algoritmo SynTuition, desarrollado por Zimmer Biomet (Warsaw, IN, EUA), que analiza los resultados del panel integral de pruebas Synovasure para IAP de la compañía, el cual mide 11 biomarcadores en el líquido sinovial.

A diferencia de las pruebas tradicionales que dependen en gran medida de los resultados de cultivo, SynTuition identifica patrones en los datos de biomarcadores para generar una puntuación continua de probabilidad de 0 a 100, que estima la probabilidad de infección en un paciente. Las puntuaciones de 80 o más indican alta probabilidad, las inferiores a 20 indican baja probabilidad y los valores entre 20 y 80 se consideran intermedios. La herramienta también cuantifica la incertidumbre, ayudando a los médicos a tomar decisiones terapéuticas más informadas.

El estudio, publicado en la revista Diagnostics, comparó el rendimiento de SynTuition con los diagnósticos realizados por 12 médicos en 274 casos reales. El algoritmo coincidió con los diagnósticos de expertos en el 96 % de los casos, superando al grupo de médicos, que coincidió con los de expertos en el 91 %.

En los casos no concluyentes, los médicos mostraron tasas de indecisión que oscilaron entre el 38 % y el 48 %, mientras que SynTuition produjo diagnósticos definitivos con un 87 % de coincidencia con los expertos. El algoritmo redujo los resultados inciertos a tan solo el 0,4 %. Se entrenó con uno de los conjuntos de datos de biomarcadores sinoviales más extensos y se validó con una cohorte independiente de 20.818 muestras, demostrando una alta precisión diagnóstica sin depender de datos de cultivo.

Al generar puntuaciones de probabilidad específicas para cada paciente en lugar de resultados binarios, la herramienta puede reducir las cirugías de revisión innecesarias y los tratamientos antibióticos prolongados. Un diagnóstico temprano más preciso también podría ayudar a prevenir procedimientos de revisión fallidos, cirugías repetidas y hospitalizaciones prolongadas.

A medida que el aprendizaje automático continúa integrándose en la atención ortopédica, herramientas como SynTuition pueden fortalecer la toma de decisiones clínicas, especialmente en casos complejos o límite donde las pruebas tradicionales proporcionan información contradictoria.

“Este estudio demuestra que SynTuition puede ser un apoyo significativo para los profesionales clínicos, especialmente en casos donde las pruebas tradicionales ofrecen resultados contradictorios o poco claros”, afirmó el Dr. James Baker, cirujano ortopédico y coautor del estudio. “Consideramos que es una valiosa incorporación al proceso clínico para mejorar la seguridad del paciente, con el beneficio adicional de reducir el costo de atención médica potencialmente innecesaria”.

Enlaces relacionados:
Zimmer Biomet