El análisis de reconocimiento de patrones por redes neuronales de las características del flujo de injertos mejora la detección de errores anastomóticos intraoperatorios en cirugía de bypass coronario mínimamente invasiva (CABG)

OBJETIVO: La evaluación intraoperatoria de la calidad de la anastomosis en la cirugía de bypass coronario mínimamente invasiva (CABG) es crítica. Investigaciones recientes demostraron que las sondas de flujo utilizadas intraoperatoriamente para evaluar errores anastomóticos pueden darle al cirujano una falsa sensación de confianza, ya que solo se pudieron detectar de manera confiable anastomosis con estenosis severas (>90%). Desarrollamos un sistema de red neuronal utilizando datos de flujo de injerto y evaluamos su potencial para mejorar la detección de errores anastomóticos. MÉTODOS: Se construyeron injertos mamarios a LAD (n = 46) en perros mestizos sin bomba. Se registró el flujo de injerto continuo latido a latido utilizando sondas de flujo de tiempo de tránsito. Se crearon varios grados de estenosis anastomótica (0-100%) mediante una sutura adicional. El grado de estenosis anastomótica se confirmó mediante angiografía postoperatoria. Se creó una red neuronal de cuantización de vectores de aprendizaje utilizando la frecuencia cardiaca, presión aórtica media, presión sistólica media, presión sistólica máxima, presión sistólica mínima, presión diastólica media, presión diastólica máxima, presión diastólica mínima y flujos medios de injertos. Además, se realizó un análisis espectral de las formas de onda de flujo y se utilizaron la magnitud y la fase de los primeros cinco armónicos para desarrollar aún más la red neuronal. RESULTADOS: El sistema de reconocimiento de patrones de redes neuronales tuvo una precisión del 94% en la detección de cualquier estenosis >50%. Para validar el modelo, se utilizó un conjunto de pruebas con el 20% de los valores de datos, y la precisión se mantuvo en un 100% por encima de la simple azar. CONCLUSIÓN: El reconocimiento de patrones de los trazos de sondas de flujo de tiempo de tránsito utilizando sistemas de redes neuronales puede detectar errores anastomóticos significativamente mejor que la evaluación visual del cirujano, mejorando así el resultado clínico de la CABG mínimamente invasiva.