Predicción del riesgo de cut-out mediante inteligencia artificial en fracturas laterales de cadera tratadas con osteosíntesis: estudio retrospectivo de 71 pacientes

Resumen

Introducción: el cut-out, definido como la migración cefálica del tornillo cefálico es la complicación mecánica más frecuente tras la osteosíntesis de las fracturas laterales de cadera. Su incidencia varía según el implante utilizado, con cifras que van desde el 2,4% hasta el 13%. Se relacionan a diversos factores, como la calidad de la reducción, la posición del implante (distancia punta-vértice o TAD, y distancia punta-vértice referenciada al calcar o CalTAD) y factores propios del paciente, como el sexo o edad [1-6].

Objetivo: Determinar si un modelo de Inteligencia artificial (IA) puede establecer adecuadamente el riesgo de cut-out en pacientes con fractura lateral de cadera, teniendo en cuenta, factores demográficos y sistema de osteosíntesis.

Materiales y métodos: es un estudio observacional, unicéntrico, retrospectivo, de cohorte única. Se incluyeron 71 pacientes con fractura de cadera lateral (AO 31-A1, A2 y A3) intervenidos quirúrgicamente mediante clavo cefalomedular o DHS, con un seguimiento clínico y radiológico mínimo de 12 meses. Se registraron variables demográficas (edad, sexo, comorbilidades), radiológicas (patrón de fractura, calidad de la reducción, TAD, CalTAD, posición del implante) y se entrenó a un modelo de Inteligencia artificial para establecer el riesgo de cut-out en riesgo bajo, moderado o alto.

Resultados:  la concordancia en el patrón de fractura en la clasificación AO de la IA y del observador fue del 85,9% (kappa de Cohen 0,574). Se registraron 8 casos de cut-out (11,3%). La categoría de riesgo alto estimada por la IA se asoció significativamente con la ocurrencia de cut-out (60% vs. 3,3% en riesgo bajo/moderado; test exacto de Fisher p<0,001; OR 34,4, IC95% 6,0-196,9), con una sensibilidad del 75%, especificidad del 93,7% y un área bajo la curva ROC aproximada de 0,89.

Conclusiones: En esta cohorte retrospectiva, el modelo de inteligencia artificial mostro una adecuada capacidad para identificar patrones de fractura en comparación con el observador humano, así como para discriminar pacientes con riesgo de cut-out.