Resumen
La creciente prevalencia de revisiones de artroplastia total de cadera (ATC), junto con sus resultados generalmente peores en comparación con los procedimientos primarios, enfatiza la necesidad urgente de una detección temprana del fracaso de la ATC primaria. Este estudio propone un modelo que integra datos radiográficos, clínicos y de comorbilidad para detectar automáticamente signos patológicos dentro de un año después de la ATC primaria. El conjunto de datos incluyó dos cohortes de pacientes independientes: la primera comprendía 400 pacientes, lo que generó 801 radiografías con signos patológicos y 785 sin ellos; el segundo incluyó a 155 pacientes, resultando 417 radiografías con signos patológicos y 508 sin ellos. Después del preprocesamiento, el conjunto de datos se dividió en conjuntos de entrenamiento, validación y prueba. Se desarrollaron tres modelos, uno para cada tipo de datos. Se aplicó un marco de aprendizaje profundo a los datos radiográficos, mientras que se entrenaron múltiples clasificadores de aprendizaje automático sobre los datos clínicos y de comorbilidad. Se obtuvieron probabilidades predictivas para cada subconjunto y tipo de datos, y el modelo combinado final se generó promediando las probabilidades predichas de todos los modelos individuales. El modelo combinado final logró una puntuación F1 de 0,72 (IC del 95 %: 0,65–0,79), una precisión equilibrada de 0,69 (IC del 95 %: 0,63, 0,77) y un área bajo la curva (AUC) de 0,72 (IC del 95 %: 0,65, 0,79) en el conjunto de pruebas internas. En el conjunto de validación externa, logró una puntuación F1 de 0,66 (IC del 95 %: 0,62, 0,70), una precisión equilibrada de 0,62 (IC del 95 %: 0,59, 0,66) y un AUC de 0,67 (IC del 95 %: 0,62, 0,72). Los resultados demuestran el potencial del enfoque desarrollado para detectar automáticamente signos patológicos tempranos de ATC, lo que permite un seguimiento virtual y reduce potencialmente la carga para los médicos.
Introducción
La artroplastia total de cadera (ATC) es ampliamente reconocida como la intervención quirúrgica de referencia para el tratamiento de diversas afecciones de la cadera, incluida la osteoartritis terminal.1,2). Con el aumento de la esperanza de vida y el envejecimiento de la población, combinados con un mejor acceso a la atención quirúrgica, la demanda de THA ha aumentado significativamente (3). Actualmente se realizan más de 1 millón de THA en los EE. UU. cada año, y se espera que este número aumente alrededor del 129 % para 2030 (4). Aunque es más común entre los ancianos, aproximadamente el 25% de los receptores de reemplazo de articulaciones tienen menos de 65 años (5), y se espera que esta proporción aumente en las próximas décadas (6). Este grupo demográfico más joven es particularmente relevante, ya que la ATC se asocia con una tasa de revisión acumulada de hasta el 13% a los 10 años, y los pacientes más jóvenes enfrentan un mayor riesgo de fracaso.7). Es posible que se requieran cirugías de revisión debido a diversas causas de falla, como aflojamiento aséptico, infección, inestabilidad, dolor persistente, desgaste de la superficie de apoyo y osteólisis (8,9). Dado el creciente número de procedimientos de THA, también se espera que la carga de revisión de los THA aumente significativamente, con proyecciones que indican un aumento del 43% al 70% entre 2014 y 2030 (10,11). Por lo tanto, es importante identificar tempranamente posibles complicaciones y fracasos mediante la realización constante de seguimientos radiográficos después de la ATC primaria. Este enfoque puede ayudar a reducir los costos de atención médica, mejorar la probabilidad de manejar las complicaciones de manera efectiva y permitir la implementación de estrategias preventivas proactivas. Sin embargo, el aumento de los procedimientos de THA da como resultado un número cada vez mayor de exámenes radiográficos que deben analizarse, lo que desafía la capacidad de los médicos para asignar tiempo suficiente para evaluaciones integrales y detalladas.
Para abordar este desafío, las herramientas de inteligencia artificial (IA) son muy adecuadas, ya que pueden procesar rápidamente conjuntos de datos extensos y, por lo tanto, representan un recurso valioso para reducir la carga de los médicos. Estudios recientes desarrollaron modelos de aprendizaje automático (ML) y aprendizaje profundo (DL) que aprovechan conjuntos de datos clínicos, demográficos, radiográficos o variables quirúrgicas para la predicción del fracaso de la ATC (5,12–20). Curiosamente, Shah et al. (12) desarrollaron un modelo DL basado en radiografías preoperatorias y datos clínicos, incluidos los antecedentes del paciente y las comorbilidades. Su estudio demostró que la incorporación de datos clínicos mejoró sustancialmente la capacidad del modelo para detectar el aflojamiento del implante antes de la cirugía de revisión (12). Sin embargo, hasta la fecha, la mayoría de los modelos se basan principalmente en radiografías preoperatorias obtenidas antes de la cirugía de revisión para hacer sus predicciones.12–15).
Hasta donde sabemos, ningún estudio previo ha combinado datos demográficos, clínicos y de imágenes para predecir características patológicas potenciales utilizando radiografías adquiridas solo unos meses después de la ATC primaria. Este enfoque ofrece una evaluación más proactiva en comparación con los modelos que se basan en imágenes preoperatorias obtenidas inmediatamente antes de la cirugía de revisión.
Por lo tanto, el objetivo de este estudio es desarrollar una línea combinada de DL y ML, en la que DL se utiliza para analizar datos de imágenes y ML los integra con datos clínicos y demográficos para la detección temprana de signos patológicos después de una ATC primaria. En este estudio, los signos patológicos se definen como indicadores tempranos de posibles complicaciones, que no se corresponden con el fracaso protésico confirmado. En concreto, además de las radiografías disponibles para cada paciente, se incorporaron datos clínicos del cuestionario Harris Hip Score (HHS), junto con información demográfica y comorbilidades, para mejorar el rendimiento de la clasificación. Si bien los datos radiográficos ofrecen información sobre la condición periprotésica, la incorporación de factores adicionales como el dolor, el peso corporal y las comorbilidades puede proporcionar información complementaria valiosa para identificar posibles signos patológicos.
Métodos
Población
Este estudio involucró dos cohortes independientes de pacientes que se sometieron a ATC primaria. La primera cohorte, inscrita retrospectivamente (cohorte A) se utilizó para el desarrollo del modelo y las pruebas internas, mientras que la segunda cohorte, recopilada prospectivamente (cohorte B) sirvió para la validación externa del modelo. El estudio fue aprobado por el Comité de Ética Institucional (código de protocolo 272/23 aprobado el 14/11/2023), Italia, y todos los pacientes dieron su consentimiento informado por escrito. El acceso a los datos podrá solicitarse dirigiéndose a [email protected]. El código utilizado para los análisis está disponible públicamente en un repositorio de GitHub y archivado en Zenodo en https://doi.org/10.5281/zenodo.19064049.
La cohorte A incluyó 400 pacientes sometidos a ATC primaria, y cuyos datos clínicos, demográficos y radiográficos se recopilaron retrospectivamente del Registro de Artroplastia de la Fondazione Livio Sciutto. La fase de reclutamiento retrospectivo comenzó el 5 de febrero de 2020 y finalizó el 11 de enero de 2023, y se accedió a los datos con fines de investigación el 02/01/2025. Todos los pacientes fueron identificados mediante códigos de estudio anónimos que impedían cualquier identificación personal después de la recopilación de datos. Para cada paciente, estuvieron disponibles al menos dos evaluaciones clínicas y radiográficas realizadas dentro de los primeros 12 meses después de la cirugía, incluido un seguimiento al mes y un segundo seguimiento a los 3, 6 o 12 meses después de la operación, lo que dio como resultado un total de 800 seguimientos disponibles. Se consideraron pacientes tanto asintomáticos como sintomáticos, con radiografías que mostraban características normales o hallazgos patológicos asociados con la prótesis articular y el hueso periprotésico, como mala alineación del implante, hipertrofia o atrofia del hueso periprotésico, líneas de radiolucidez, osteólisis o aflojamiento protésico.
Para cada seguimiento, estuvo disponible al menos una proyección radiográfica, ya sea anteroposterior (AP) o lateral (LAT), y en la mayoría de los casos ambas. En particular, de 400 pacientes, se dispuso de 1.586 radiografías. Cada seguimiento también se asoció con datos clínicos del cuestionario HHS, incluida la puntuación total, la evaluación del dolor y el rango de movimiento, junto con información demográfica (altura, peso) y comorbilidades relevantes (Tabla 1). Es importante destacar que en este estudio cada seguimiento se trató como una observación independiente y la etiqueta patológica se asignó al nivel de seguimiento en lugar de al del paciente. Por tanto, las características clínicas y demográficas mostradas en Tabla 1 se expresan por seguimiento, reflejando el número total de observaciones en lugar del número de pacientes.
Entre estos seguimientos, 401 presentaron características patológicas en las radiografías indicativas de un posible fracaso del implante, constituyendo así el grupo patológicocorrespondientes a 801 radiografías, mientras que los 397 seguimientos restantes, sin tales hallazgos, se clasificaron como grupo no patológico correspondiente a 785 radiografías. Un paciente fue excluido del análisis debido a que faltaban datos del HHS, lo que generó un total de 798 seguimientos disponibles para el desarrollo del modelo.
La cohorte B estuvo compuesta por 155 pacientes que fueron inscritos y monitoreados prospectivamente de acuerdo con un programa de seguimiento post-ATC predefinido, con evaluaciones clínicas y radiográficas al mes (±10 días), 3 meses (±15 días), 6 meses (±1 mes) y 12 meses (±2 meses) después de la cirugía primaria de ATC. Dependiendo de la evaluación por parte del cirujano ortopédico de los hallazgos clínicos y radiográficos, el cronograma de seguimiento podría modificarse.
El período de inscripción prospectivo se extendió del 14 de noviembre de 2023 al 24 de julio de 2024. Se accedió a los datos con fines de investigación el 04/01/2025, solo después de completar el seguimiento clínico, y todos los registros se anonimizaron antes del análisis. En ningún momento los investigadores tuvieron acceso a información que pudiera identificar a los participantes individuales.
Para cada paciente, se recopiló información demográfica y de comorbilidad, así como datos clínicos de manera similar a la cohorte A. En la cohorte B, 206 seguimientos mostraron hallazgos patológicos, correspondientes a 417 imágenes, mientras que 256 seguimientos sin hallazgos patológicos correspondieron a 508 imágenes.
Esta cohorte se utilizó para la validación externa del modelo predictivo, mejorando así la solidez y generalización de su desempeño.
Preprocesamiento de imágenes
Como paso preliminar, las radiografías se extrajeron de los archivos DICOM y se convirtieron a imágenes JPEG utilizando la API PyDICOM de Python. Para abordar la presencia de variabilidades en las imágenes, por ejemplo, cobertura anatómica, calidad de la imagen y rango de color de píxeles, se realizaron diferentes pasos de preprocesamiento utilizando Matlab2024a, siguiendo los procedimientos informados en estudios recientes (13,21). En primer lugar, se recortó manualmente la región de interés (ROI) alrededor de la prótesis de cada imagen, centrándose en el acetábulo, la cabeza femoral y el hueso periprotésico. En segundo lugar, se corrigieron las imágenes con colores invertidos (implante negro sobre fondo blanco). Luego, se realizó una secuencia de operaciones de filtrado para mejorar la calidad de la imagen: (i) se aplicó una transformación de potencia gamma para reducir los efectos de niebla y mejorar el brillo; (ii) se aplicó una función sigmoidea para mejorar el contraste entre el fondo y la prótesis; (iii) se empleó una ecualización de histograma adaptativa limitada por contraste (CLAHE) para resaltar aún más la prótesis en comparación con las estructuras óseas; (iv) se aplicó un núcleo de suavizado gaussiano 2-D como filtro de paso bajo para filtrar el ruido de alta frecuencia y mejorar la calidad de la imagen como en (13,21). Higo 1 muestra un ejemplo de imagen inicial y preprocesada.
Secuencia de: (a) imagen inicial, (b) Imagen después de la transformación gamma, (do) Imagen después del corte sigmoideo, (d) Imagen después de la ecualización del histograma adaptativo, (mi) Imagen final preprocesada.
