logo HCUCH
HCUCH

Estudio liderado por el traumatólogo Maximiliano Barahona es publicado en The Journal of Arthroplasty

La investigación “Desarrollo de un modelo de aprendizaje automático para el dolor anterior de rodilla después de una artroplastia total de rodilla con preservación rotuliana, utilizando variables radiológicas” ha sido publicada en The Journal of Arthroplasty, la revista más importante de artroplastia en los Estados Unidos. Este estudio apunta a implementar un modelo de machine-learning (aprendizaje automático) basado en medidas radiológicas para predecir la probabilidad de que un paciente pueda desarrollar dolor anterior de rodilla tras una artroplastia total.

La artroplastia total de rodilla (TKA es su sigla en inglés por total knee arthroplasty) es un procedimiento quirúrgico de reemplazo de una articulación, utilizado para tratar osteoartritis severa. Sus principales objetivos son aumentar la funcionalidad, reducir el dolor y mejorar la calidad de vida de los pacientes. Mientras que algunos reportes han indicado un 80% de satisfacción después de esta cirugía, un metaanálisis reciente ha reportado un incremento de hasta un 90%.

El dolor anterior de rodilla (AKP, sigla en inglés de anterior knee pain) después de TKA es una de las causas de insatisfacción para los pacientes. Se estima una prevalencia de hasta un 30%, sin embargo tiene distintos grados de intensidad. Se manifiesta como dolor alrededor o detrás de la rótula apareciendo en actividades como pararse después de estar mucho tiempo sentado, bajar escaleras y por arrodillarse en cualquier superficie.

Múltiples factores pueden contribuir al AKP, tales como dolor preoperatorio, el sexo del paciente, su historial psiquiátrico, la manera en que la almohadilla de grasa infrapatelar es manipulada durante la operación, daño en estructuras neurovasculares, el dimensionamiento de los componentes y el diseño de la tróclea (su función es servir como una superficie articular para la interacción con otros huesos). Además, el alineamiento de la TKA juega un rol fundamental, aunque el alineamiento ideal sigue siendo un tópico controversial entre los especialistas.

Esta investigación, dirigida por el Dr. Maximiliano Barahona, traumatólogo de nuestro Hospital, busca establecer asociaciones entre el dolor anterior de rodilla después de TKA y variables radiológicas obtenidas de distintas visiones de la rodilla. Así, fueron incluidos ángulos y medidas de la radiografía de rodilla anteroposterior, lateral, axial de rótula y visión sentada, y de la telerradiografía anteroposterior y lateral, buscando establecer un alineamiento global de la TKA. Para encontrar las asociaciones se estimaron distintos modelos de machine-learning para identificar patrones entre las variables radiológicas y la presencia de dolor anterior de rodilla post TKA. El objetivo de este estudio fue precisamente estimar y establecer una jerarquización del valor predictivo de variables radiológicas en la incidencia de dolor anterior de rodilla después de la artroplastia total de rodilla, usando técnicas de machine-learning.

¿Cómo se llevó a cabo la investigación?

Se trabajaron 131 casos de 105 pacientes del Hospital Clínico U. de Chile entre enero de 2018 y marzo de 2021. En 2022, estos pacientes fueron invitados a una evaluación de seguimiento de su TKA, lo cual incluyó un control con fisioterapeuta y radiografías sin costo. Antes de esta evaluación y exámenes, todos los pacientes recibieron información sobre el estudio y firmaron un consentimiento informado para su participación. El desenlace principal del estudio era la presencia de dolor anterior de rodilla durante el seguimiento en 2022. Se les preguntó a los pacientes si habían experimentado AKP durante sus actividades cotidianas. En pacientes que fueron operados de ambas rodillas, se les preguntó por cada una por separado.

El set de radiografías incluyó vistas anteroposterior y lateral de telerradiografias y vistas de la rodilla anteroposterior con carga, lateral, visión sentada y axial de rótula. Un radiólogo músculo-esquelético y un especialista en Traumatología de rodilla fueron quienes realizaron las mediciones, evaluando en un estudio previo la concordancia de sus medidas. Aquellas variables que obtuvieron al menos concordancia aceptable fueron incluidas en los modelos predictivos de machine-learning.

Resultados

En 35 pacientes se registró dolor anterior de rodilla del total de la muestra, lo cual representa un 26,7%. Los 35 casos corresponden a 33 pacientes, 20, habían tenido una operación unilateral; 11, experimentaron dolor en una rodilla solamente a pesar de haber tenido una cirugía bilateral y solamente 2 pacientes reportaron dolor anterior en ambas rodillas.

El modelo predictivo de Gradient Boost Classifier (GBC) alcanzó parámetros de discriminación altos, validando el uso de las medidas radiológica para predecir dolor anterior de rodilla después de TKA. De acuerdo al algoritmo, ninguna medición radiológica por sí misma tiene una importancia mayor a un 20%. Esto implica que la asociación entre el dolor anterior de rodilla y las mediciones radiológicas no depende exclusivamente de un parámetro. La jerarquía entregada por el algoritmo fue encabezada por el plano sagital (de la tibia y del fémur), discrepancia en la longitud de las extremidades, plano coronal y plano axial.

El Dr. Maximiliano Barahona, principal autor de esta investigación, explicó: “El principal diferenciador del presente estudio es que utilizó un enfoque global del alineamiento al momento de evaluar el desenlace de una TKA. En segundo lugar, el usar técnica de machine-learning nos permitió desarrollar un algoritmo que permita predecir aquellos elementos que aumentan la probabilidad de desarrollar TKA y evitarlos durante la cirugía y ser más agresivos para tratar el dolor en aquellos pacientes que presentan las variables de riesgo. Dentro de los resultados lo más llamativo es el peso que tiene el balance sagital, por lo que somos más conscientes de un correcto alineamiento en nuestras futuras cirugías. Esto es trascendental, porque en la mayoría de los congresos de Traumatología se discute sobre el mejor alineamiento coronal, minimizando en esa discusión tan focalizada el impacto del alineamiento sagital y axial. Esto demuestra la relevancia de evaluar la rodilla no solamente mirada desde el frente, sino que la tenemos que evaluar en su conjunto, desde una mirada global de la extremidad”.

En cuanto a las conclusiones, se demostró que un algoritmo de machine-learning predice efectivamente el dolor anterior de rodilla al usar medidas radiológicas obtenidas por un set de radiografías postoperatorias. Estos resultados indican que los factores más importantes para predecir el dolor anterior son la pendiente tibial mecánica muy plana o demasiado pronunciada, la longitud más corta de las extremidades, la alineación coronal en valgo y la inclinación lateral rotuliana excesiva. Sin embargo, es importante señalar que se requieren más estudios con un tamaño de muestra más grande para validar estos hallazgos.

El trabajo multidisciplinario en este estudio

El Dr. Barahona destacó la relevancia del trabajo colaborativo en este estudio, señalando: “Toda la línea de investigación fue desarrollada en conjunto con el Dr. Mauricio Guzmán, del Departamento de Radiología de nuestro Hospital, y el equipo de tecnólogos encabezado por Cristian Garrido y Álex Zelaya, quienes siempre están dispuestos a incorporar nuevas técnicas en beneficio de la investigación y la atención a nuestros pacientes. Además, en este trabajo colaboró el Dr. Javier Mora y el ingeniero Andrés Arancibia, ambos del Centro de Innovación de la Clínica Las Condes. Ellos fueron clave, aportando su experiencia en ciencia de datos y machine-learning, lo que nos permitió analizar los resultados de manera integral. En la actualidad, la investigación requiere la integración de diferentes áreas del conocimiento, ya que esta colaboración multidisciplinaria es esencial para desarrollar una visión global y consolidar el trabajo realizado”.

Acceda a la publicación completa aquí.

Por: Matías Bustos

Edición general: Fernanda Farfán

Diseño web: Inti Maldonado