Construcción y validación de modelos de aprendizaje automático que combinan datos clínicos y características radiológicas para la identificación temprana de reoperaciones por infección profunda del cuello

La infección profunda del cuello (DNI) es una condición grave que se propaga rápidamente a través de los planos fasciales cervicales, a menudo conduciendo a compromiso de la vía aérea y sepsis. La protección de la vía aérea, la terapia antibiótica y el drenaje quirúrgico son tratamientos estándar, pero algunos pacientes requieren reoperación cuando la mejoría es insuficiente. Debido a que no existen herramientas confiables para predecir el riesgo de reoperación, este estudio desarrolló un modelo de aprendizaje automático (ML) que integra datos clínicos y de imagen para anticipar la reoperación en DNI. Se analizaron retrospectivamente 415 pacientes con DNI tratados quirúrgicamente. La reoperación se definió como una incisión y drenaje adicional realizados más de 48 h después de la cirugía inicial. Se incorporaron características clínicas y derivadas de tomografía computarizada (TC) en un modelo ML basado en Categorical Boosting (CatBoost) utilizando validación cruzada estratificada de cinco pliegues. El rendimiento del modelo se evaluó mediante el área bajo la curva de característica operativa receptora (ROC AUC), Logloss, matrices de confusión, precisión, sensibilidad, especificidad y F1-score. La modelización predictiva se realizó usando tanto el conjunto completo de características como un conjunto reducido de nueve características significativas identificadas mediante análisis de importancia de características. La población de la cohorte tenía una edad media de 53.63 años, con una tasa de reoperación de 33.97%. Durante la validación cruzada, el modelo con características completas alcanzó un F1-score de 0.9041, precisión de 0.9488, ROC AUC de 0.9678, precisión de 0.9190, sensibilidad de 0.9000 y especificidad de 0.9670. Al evaluarse en el conjunto de prueba independiente, obtuvo un F1-score de 0.8980, precisión de 0.9398, ROC AUC de 0.9891, precisión de 0.8462, sensibilidad de 0.9565 y especificidad de 0.9333. El modelo reducido con nueve características alcanzó un F1-score de 0.9025, precisión de 0.9489, ROC AUC de 0.9503, precisión de 0.9281, sensibilidad de 0.8889 y especificidad de 0.9713 en validación cruzada. En el conjunto de prueba independiente mostró un F1-score de 0.9565, precisión de 0.9759, ROC AUC de 0.9957, precisión de 0.9565, sensibilidad de 0.9565 y especificidad de 0.9833. Las trayectorias de Logloss corroboraron una convergencia estable con sobreajuste mínimo. Este estudio demuestra que un modelo ML puede predecir con precisión la reoperación en DNI integrando características clínicas y derivadas de TC. El modelo simplificado de nueve características logró un rendimiento superior mientras mejora la aceptación clínica y la aplicabilidad práctica. Estos hallazgos resaltan el potencial del ML para apoyar la planificación quirúrgica oportuna y la evaluación individualizada del riesgo de reoperación en pacientes con DNI.