What question did this study set out to answer?

Esta revisión tiene como objetivo resumir las aplicaciones de la inteligencia artificial en la monitorización y gestión del cuidado postoperatorio para el carcinoma de células escamosas esofágicas.

April 19, 2026SHILAP Revista de lepidopterología0 citationsOpen Access

Aplicaciones de inteligencia artificial en la vigilancia y gestión postoperatoria del carcinoma de células escamosas esofágicas

KLKexun LiUniversity of Electronic Science and Technology of China ZQZilong QianKunming Medical University JMJie MaoKunming Medical University

Puntos clave

Esta revisión tiene como objetivo resumir las aplicaciones de la inteligencia artificial en la monitorización y gestión del cuidado postoperatorio para el carcinoma de células escamosas esofágicas.
Se llevó a cabo una búsqueda bibliográfica en PubMed/MEDLINE desde el inicio hasta 2025 para estudios relevantes.
Se enfatizaron las aplicaciones de IA incluyendo aprendizaje automático, aprendizaje profundo, radiómica y NLP.
Se analizó la integración de algoritmos de salud digital para diversas aplicaciones clínicas.
Los modelos de IA pueden predecir complicaciones mayores con mayor puntualidad que los métodos tradicionales.
La radiómica impulsada por imagenología predice de manera efectiva el riesgo de recurrencia y patrones, mejorando la estratificación del riesgo.
Los enfoques de IA explicativa ayudan a los clínicos a interpretar las predicciones utilizando índices nutricionales e inflamatorios.

Resumen

El carcinoma de células escamosas esofágicas (ESCC) presenta altos riesgos de recurrencia postoperatoria, complicaciones y recuperación nutricional y funcional prolongada, mientras que el seguimiento convencional (visitas programadas con imagenología, endoscopia y pruebas de laboratorio) a menudo se ve limitado por retrasos y restricciones de recursos. Esta revisión resume las aplicaciones recientes de la inteligencia artificial (IA) en el cuidado perioperatorio del ESCC, con énfasis en la vigilancia y gestión postoperatoria. Se realizaron búsquedas en PubMed/MEDLINE, etc. (inicio–2025) para estudios en inglés que utilizan aprendizaje automático, aprendizaje profundo, radiómica, procesamiento de lenguaje natural (NLP) y algoritmos de salud digital en monitoreo postoperatorio, predicción de recurrencias, advertencia de complicaciones y seguimiento remoto. La evidencia indica que los modelos multimodales habilitados por IA que integran registros de salud electrónicos, radiómica de imagenología y biomarcadores pueden predecir complicaciones mayores (por ejemplo, fuga anastomótica y neumonía) con una mejor puntualidad, permitiendo una intervención más temprana en comparación con los flujos de trabajo desencadenados por síntomas. La radiómica impulsada por imagenología combinada con aprendizaje automático demuestra un rendimiento robusto para la predicción del riesgo de recurrencia y patrones de recurrencia, apoyando una estratificación de riesgo refinada más allá de la estadificación TNM e informando la intensidad de vigilancia individualizada y la toma de decisiones adyuvantes. Los enfoques explicativos (por ejemplo, SHAP) mejoran la interpretabilidad clínica al identificar predictores clave como índices nutricionales e inflamatorios. Los sistemas de seguimiento inteligentes que incorporan NLP, sensores portátiles y resultados reportados por pacientes electrónicos (ePROs) facilitan el monitoreo en circuito cerrado, mejoran la detección temprana de problemas y fortalecen la comunicación entre pacientes y clínicos.

Preguntar a la IA

Me gusta

Guardar

Ver artículo completo