COMUNICACIÓN ORAL | 29 noviembre 2021, lunes | Hora: 15:00
AUTORES
Aguirre Hernández, Clara 1; null, Santiago 1; Ramos Martin, Carmen 1; Zapata Wainberg, Gustavo 1; Villacorta Tive, Manuel 2; null, Ignacio 2; Ximénez-Carrillo Rico, Alvaro 1; Barbosa del Olmo, Antonio 3; null, Jose Luis 3; null, Jose 1
CENTROS
1. Servicio de Neurología. Hospital Universitario de la Princesa; 2. Servicio: SL. Human Analytics; 3. Servicio: Radiología. Hospital Universitario de la Princesa
OBJETIVOS
Aplicar técnicas de inteligencia artificia[“machine learning”(ML)]para desarrollar herramientas predictivas de evolución de pacientes con ictus isquémico agudo(IIA)tratado mediante trombectomía teniendo en cuenta la localización de la isquemia(LI).
MATERIAL Y MÉTODOS
Realizamos un estudio retrospectivo con recogida prospectiva de datos de pacientes con IIA de circulación anterior tratados con trombectomía en nuestro centro. Se analizaron variables pre-tratamiento relacionadas con la evolución. LI se midió según las áreas de ASPECTS, aplicada en TC mutimodal[TC basal(TCB), TC volumen(CBV)e imágenes fuente de angioTC(CTASI)]. Con dichas variables se generó una herramienta predictiva a través de ML(software: R 3.5.1;Human-Analytics.S.L) para cada técnica de imagen. Se compararon los resultados con la regresión logística tradicional.
RESULTADOS
N= 177, mediana edad: 60(RIQ: 60-77), mediana NIHSS pre-tratamiento: 18(RIQ: 13-23), 117(66%)HTA, mediana ASPECTS TCB, CBV y CTASI: 8(RIQ: 7-9), 156(88.1%): TICI>=2b. La afectación del lenticular, caudado, M1 o M2 en todas las técnicas de imagen, ínsula en TCB y CTASI y M5 en CBV y CTASI se relacionó con peor evolución, así como HTA, NIHSS pre-tratamiento y ASPECTS en cada técnica de imagen. Se construyó un modelo de ML con dichas variables para cada una de las técnicas obteniéndose un área bajo la curva(AUC)de 0.742 para TCB, 0.753 para CBV y 0.797 para CTASI, todos ellos mayores que el obtenido con técnicas de regresión logística tradicional (0.698, 0.737 y 0.740 respectivamente).
CONCLUSIONES
La LI en TC multimodal ayuda a predecir la evolución de pacientes con IIA tratados con trombectomía. La implementación de herramientas de ML puede mejorar la información obtenida mediante escalas tradicionales.
