La insuficiencia hepática posthepatectomía (PHLF) es una de las principales causas de mortalidad perioperatoria tras una resección hepática. La detección temprana y la predicción de la insuficiencia hepática posthepatectomía clínicamente relevante (CR-PHLF) siguen siendo críticas pero desafiantes. El lactato ha mostrado promesas como biomarcador, pero su poder predictivo cuando se combina con otros factores sigue siendo incierto. Este estudio analizó retrospectivamente a 915 pacientes que se sometieron a resección hepática en el Hospital Popular Provincial de Zhejiang. Se evaluaron variables que incluían demografía, marcadores de función hepática, pérdida de sangre intraoperatoria y niveles de lactato postoperatorio. La regresión logística multivariada identificó predictores significativos de CR-PHLF y se creó un nomograma. El rendimiento del modelo se evaluó utilizando curvas ROC y análisis de curvas de decisión. En este estudio, se aplicó regresión logística multivariada para seleccionar 6 predictores de las variables relevantes, que fueron: género, ICGR-15, pérdida de sangre intraoperatoria, transfusión, extensión de la resección y lactato. En el conjunto de entrenamiento, el AUC del modelo fue de 0.781, superando significativamente a modelos tradicionales como ALBI y APRI. En el conjunto de validación, el AUC del modelo fue de 0.812, lo que indica una precisión predictiva robusta. El modelo integrado que combina lactato y factores intraoperatorios proporciona una predicción más precisa del riesgo de CR-PHLF. Supera a los modelos existentes y tiene un potencial significativo para mejorar la evaluación de riesgo preoperatorio y la toma de decisiones intraoperatorias.
Wintermark et al. (Sat,) estudiaron esta cuestión.