\u00ab`html<\/p>\n
La pancreatitis aguda es una inflamaci\u00f3n repentina del p\u00e1ncreas que puede evolucionar r\u00e1pidamente hacia formas graves. Cada a\u00f1o, afecta entre 30 y 40 personas por cada 100.000 habitantes en el mundo. Aunque la mayor\u00eda de los casos son leves y se resuelven espont\u00e1neamente, casi el 30 % de los pacientes desarrollan complicaciones graves, como un fallo persistente de \u00f3rganos o necrosis infectada del p\u00e1ncreas. Estas situaciones aumentan considerablemente la morbilidad y la mortalidad, subrayando la importancia de un manejo temprano y adecuado.<\/p>\n
Actualmente, los m\u00e9todos tradicionales para evaluar la gravedad de la pancreatitis aguda se basan en puntuaciones cl\u00ednicas como las de Ranson o Glasgow-Imrie. Sin embargo, estas herramientas presentan limitaciones. Se apoyan en mediciones realizadas durante las primeras 48 horas, lo que retrasa la identificaci\u00f3n de pacientes en riesgo. Adem\u00e1s, su precisi\u00f3n sigue siendo modesta, con valores de discriminaci\u00f3n en torno a 0,61 para la puntuaci\u00f3n de Ranson y 0,67 para la de Glasgow-Imrie. Los radi\u00f3logos, por su parte, eval\u00faan las im\u00e1genes de tomograf\u00eda computarizada con contraste, pero su juicio visual alcanza en promedio una precisi\u00f3n de 0,63, con una sensibilidad baja del 42,5 %. Esto significa que detectan principalmente los casos graves cuando los signos son evidentes, pero tienen dificultades para identificar a los pacientes cuyo estado empeorar\u00e1 m\u00e1s adelante.<\/p>\n
Para superar estas limitaciones, un enfoque innovador combina la inteligencia artificial, el an\u00e1lisis de im\u00e1genes m\u00e9dicas y datos cl\u00ednicos. Este m\u00e9todo, llamado radi\u00f3mica, extrae informaci\u00f3n cuantitativa de las im\u00e1genes para revelar patrones invisibles a simple vista. Permite capturar caracter\u00edsticas como la intensidad, la textura o la disposici\u00f3n espacial de los tejidos. Otra t\u00e9cnica, el aprendizaje profundo, identifica autom\u00e1ticamente esquemas complejos en las im\u00e1genes sin requerir una definici\u00f3n previa de los criterios. Ambos enfoques transforman la imagen m\u00e9dica en una herramienta no solo visual, sino tambi\u00e9n cuantitativa y predictiva.<\/p>\n
En este estudio, se analizaron 284 pacientes con pancreatitis aguda. De ellos, 140, casi la mitad, presentaron complicaciones graves en los 30 d\u00edas siguientes a su ingreso. Los modelos de inteligencia artificial basados \u00fanicamente en im\u00e1genes obtuvieron mejores resultados que los m\u00e9todos tradicionales, con una precisi\u00f3n de 0,77 para la radi\u00f3mica y 0,76 para el aprendizaje profundo. La integraci\u00f3n de datos de laboratorio, como el recuento de gl\u00f3bulos blancos, la prote\u00edna C reactiva o la lactato deshidrogenasa, mejor\u00f3 a\u00fan m\u00e1s el rendimiento. El modelo que combinaba radi\u00f3mica y datos cl\u00ednicos alcanz\u00f3 una precisi\u00f3n de 0,80, lo que representa una mejora notable frente a otros enfoques.<\/p>\n
Los marcadores biol\u00f3gicos seleccionados reflejan procesos clave de la enfermedad. Por ejemplo, la urea en sangre indica deshidrataci\u00f3n y mala perfusi\u00f3n renal, mientras que la prote\u00edna C reactiva se\u00f1ala una inflamaci\u00f3n intensa. Una alb\u00famina baja est\u00e1 asociada con un mayor riesgo de fallo org\u00e1nico. Estos marcadores complementan la informaci\u00f3n obtenida de las im\u00e1genes, ofreciendo una visi\u00f3n m\u00e1s completa del estado del paciente.<\/p>\n
Los radi\u00f3logos, a pesar de su experiencia, muestran desacuerdos moderados entre ellos al evaluar las im\u00e1genes. Su sensibilidad limitada revela que algunos pacientes que desarrollan complicaciones graves presentan anomal\u00edas sutiles en las im\u00e1genes, dif\u00edciles de detectar visualmente. La inteligencia artificial, en cambio, identifica estos signos precoces gracias al an\u00e1lisis de miles de caracter\u00edsticas cuantitativas.<\/p>\n
Este enfoque multimodal, que combina im\u00e1genes y datos cl\u00ednicos, permite una predicci\u00f3n m\u00e1s fiable de las complicaciones. Podr\u00eda ayudar a los m\u00e9dicos a identificar antes a los pacientes de alto riesgo, adaptar la vigilancia e iniciar r\u00e1pidamente tratamientos adecuados. Sin embargo, estos resultados siguen siendo preliminares y requieren validaci\u00f3n en estudios m\u00e1s amplios antes de su uso generalizado en la pr\u00e1ctica cl\u00ednica.<\/p>\n
\u00ab`<\/p>\n
DOI\u00a0:<\/strong> https:\/\/doi.org\/10.1007\/s00261-026-05588-w<\/a><\/p>\n Titre\u00a0:<\/strong> Multimodal AI for early prediction of adverse clinical outcomes in acute pancreatitis<\/p>\n Revue : <\/strong> Abdominal Radiology<\/p>\n \u00c9diteur : <\/strong> Springer Science and Business Media LLC<\/p>\n Auteurs : <\/strong> Ahmet Yasin Karkas; Yavuz B. Taktak; Burak Gultekin; Ziliang Hong; Halil Ertugrul Aktas; Deniz Seyithanoglu; Timurhan Cebeci; Alper Akin; Ece Elustu; Kerem Arisin; Ali Canturk; Mehmet Ilhan; Naci Senkal; Michael B. Wallace; Abraham F. Bezuidenhout; Frank H. Miller; Alpay Medetalibeyoglu; Mehmet Semih Cakir; Gorkem Durak; Ulas Bagci; Sukru Mehmet Erturk<\/p>\n","protected":false},"excerpt":{"rendered":" \u00ab`html \u00bfMejora la inteligencia artificial la predicci\u00f3n de las complicaciones de la pancreatitis aguda? La pancreatitis aguda es una inflamaci\u00f3n repentina del p\u00e1ncreas que puede evolucionar r\u00e1pidamente hacia formas graves. Cada a\u00f1o, afecta entre 30 y 40 personas por cada 100.000 habitantes en el mundo. Aunque la mayor\u00eda de los casos son leves y se… Seguir leyendo \u00bfMejora la inteligencia artificial la predicci\u00f3n de las complicaciones de la pancreatitis aguda?<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[7,4,2],"tags":[],"class_list":["post-41","post","type-post","status-publish","format-standard","hentry","category-ciencia-y-tecnologia","category-internacional","category-salud","entry"],"_links":{"self":[{"href":"https:\/\/thepublichealthreview.com\/es\/wp-json\/wp\/v2\/posts\/41","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/thepublichealthreview.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/thepublichealthreview.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/thepublichealthreview.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/thepublichealthreview.com\/es\/wp-json\/wp\/v2\/comments?post=41"}],"version-history":[{"count":1,"href":"https:\/\/thepublichealthreview.com\/es\/wp-json\/wp\/v2\/posts\/41\/revisions"}],"predecessor-version":[{"id":42,"href":"https:\/\/thepublichealthreview.com\/es\/wp-json\/wp\/v2\/posts\/41\/revisions\/42"}],"wp:attachment":[{"href":"https:\/\/thepublichealthreview.com\/es\/wp-json\/wp\/v2\/media?parent=41"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/thepublichealthreview.com\/es\/wp-json\/wp\/v2\/categories?post=41"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/thepublichealthreview.com\/es\/wp-json\/wp\/v2\/tags?post=41"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}