Utilidad de una red neuronal artificial para predecir la necesidad de derivación endoluminal en la cirugía carotídea

Predecir la tolerancia del paciente al clampaje sería de utilidad en la cirugía carotídea, a fin de minimizar los riesgos de ictus perioperatorio. En este estudio clínico, se utilizó una red neuronal artificial (RNA), y se comparó con los métodos estadísticos convencionales, con el objetivo de evaluar aquellos parámetros que permitan predecir la necesidad de derivación endoluminal. Se analizó la necesidad de protección del flujo cerebral en 850 pacientes sometidos a endarterectomía carotídea, bajo anestesia local, por estenosis carotídea severa. Con este fin, se utilizó una RNA estándar de alimentación directa y retropropagación (NeuroSolutions®; NeuroDimensions, Gainesville, FL) con tres capas (una capa de entrada, una oculta y otra de salida). Se examinaron de forma separada los parámetros clínicos preoperatorios (n = 9) y los hemodinámicos intraoperatorios (n = 3) de las neuronas de entrada. La precisión de la predicción se comparó con los resultados de un análisis de regresión con las mismas variables. En 173 pacientes (20%) se realizó una derivación debido a la aparición de déficits hemisféricos o pérdida del conocimiento durante el clampaje. La predicción de la RNA de no necesidad de derivación se realizó mediante parámetros preoperatorios e intraoperatorios con una exactitud del 96% y 91%, respectivamente, mientras que el análisis de regresión mostró una exactitud del 98% y el 96%, respectivamente. Los pacientes que necesitaron una derivación fueron identificados mediante parámetros preoperatorios en un 9% y por los intraoperatorios en un 56% al utilizar la RNA. El análisis de regresión predijo correctamente el uso de shunts en el 10% de los que utilizaron los parámetros preoperatorios y en el 41% de los que usaron los intraoperatorios. Los parámetros hemodinámicos intraoperatorios son más adecuados que los preoperatorios a la hora de indicar la necesidad de shunt en los casos en que la aplicación de una RNA proporciona unos resultados ligeramente mejores que el análisis de regresión. Sin embargo, la exactitud global es demasiado baja para renunciar a los m&