Un algoritmo de aprendizaje automático multiinstitucional para pronosticar la lesión del nervio facial tras la resección microquirúrgica de schwannoma vestibular

Resumen Los schwannomas vestibulares (SV) son el tumor más común de la base del cráneo con opciones de tratamiento disponibles que conllevan un riesgo de lesión iatrogénica del nervio facial, lo que puede impactar significativamente la calidad de vida de los pacientes. Dado que los resultados del nervio facial siguen siendo difíciles de pronosticar, nos esforzamos por utilizar el aprendizaje automático para descifrar los factores predictivos relevantes para los resultados del nervio facial tras la resección microquirúrgica de SV. Se construyó una base de datos de características específicas del paciente, tumor y cirugía a través de la revisión retrospectiva de informes clínicos de 242 pacientes consecutivos que se sometieron a resección microquirúrgica de SV durante un período de estudio de 7 años. Esta base de datos se utilizó para entrenar clasificadores no lineales de aprendizaje automático supervisado para predecir la preservación del nervio facial, definida como House-Brackmann (HB) I frente a lesión del nervio facial, definida como HB II–VI, según lo determinado en el seguimiento ambulatorio a 6 meses. Un algoritmo de bosque aleatorio demostró una precisión del 90.5%, 90% de sensibilidad y 90% de especificidad en la prognosticación de lesión del nervio facial. Se generó una variable aleatoria (rv) mediante el muestreo aleatorio de una distribución gaussiana y se utilizó como referencia para comparar la capacidad predictiva de otras características. Este análisis reveló que la edad, el índice de masa corporal (IMC), la duración del caso y la dimensión del tumor que representa el crecimiento del tumor hacia el tronco encefálico son pronosticadores de lesión del nervio facial. Al ser validado mediante la evaluación prospectiva del riesgo de lesión del nervio facial, este modelo demostró una precisión del 84%. Aquí, describimos el desarrollo de un algoritmo de aprendizaje automático para predecir la probabilidad de lesión del nervio facial tras la resección microquirúrgica de SV. Además de servir como una herramienta clínicamente aplicable, esto destaca el potencial del aprendizaje automático para revelar relaciones no lineales entre variables que pueden tener valor clínico en la prognosticación de resultados para procedimientos quirúrgicos de alto riesgo.