Modelos de aprendizaje automático basado en ecografía y exploración física para la evaluación de la vía aérea

• Autores: Lucas Madrid-Vázquez
• Directores de la Tesis: Luis Enrique Muñoz Alameda (codir. tes.), Ruben Casans Francés (codir. tes.)
• Lectura: En la Universidad Autónoma de Madrid ( España ) en 2025
• Idioma: español
• Número de páginas: 181
• Tribunal Calificador de la Tesis: Fernando Gilsanz Rodríguez (presid.), Ignacio Muguruza Trueba (secret.), Matilde Zaballos García (voc.), Emilia Guasch Arévalo (voc.), Manuel Durán Poveda (voc.)
• Programa de doctorado: Programa Oficial de Doctorado en Medicina y Cirugía
• Enlaces
  • Tesis en acceso abierto en: Biblos-e Archivo
• Resumen

  • Introducción: La predicción de la vía aérea difícil (VAD) es un desafío fundamental en anestesiología debido al riesgo de complicaciones graves asociadas a su manejo inadecuado. Tradicionalmente, los métodos clínicos clásicos, como el test de Mallampati y la distancia tiromentoniana, han sido utilizados para identificar pacientes en riesgo. Sin embargo, en los últimos años, la ecografía y los modelos de aprendizaje automático han emergido como herramientas prometedoras para mejorar la evaluación preoperatoria de la VAD. Métodos: Se realizó un estudio prospectivo en 400 pacientes sometidos a cirugía electiva bajo anestesia general. Se recopilaron datos clínicos y ecográficos para evaluar su capacidad predictiva de la VAD, definida como una clasificación Cormack-Lehane >II. Se compararon los métodos clásicos con las mediciones ecográficas y se desarrollaron modelos de aprendizaje automático utilizando algoritmos de random forest para integrar múltiples predictores. Resultados: Los test clínicos tradicionales, especialmente la escala de Mallampati (>II) y la distancia tiromentoniana (<6 cm), demostraron una correlación significativa con la VAD en análisis univariantes y multivariantes. Aunque las mediciones ecográficas presentaron diferencias significativas en el análisis univariante, no mejoraron sustancialmente la capacidad predictiva en los modelos multivariantes. Los modelos de aprendizaje automático que integraban predictores clásicos y ecografía lograron mejorar la precisión diagnóstica, destacando los modelos Clásico y Combinado con las mejores áreas bajo la curva ROC. Conclusiones: Los métodos clínicos tradicionales siguen siendo fundamentales para la predicción de la VAD, mientras que la ecografía presenta un valor complementario más que independiente. La integración de machine learning con parámetros clínicos y ecográficos podría optimizar la detección de la VAD, aunque la variabilidad en la técnica y la necesidad de validación externa siguen siendo desafíos pendientes