Redes neuronales convolucionales que usan TC preoperatoria para predecir recurrencia a corto plazo tras la reparación de hernia incisional

Por qué importa predecir complicaciones quirúrgicas

Cuando una persona se somete a una intervención para reparar una hernia de la pared abdominal originada en una incisión previa, todos esperan que la solución sea duradera. Sin embargo, en una minoría notable de casos la hernia reaparece, lo que suele significar más dolor, más intervenciones y más costes. Los cirujanos suelen estimar ese riesgo basándose en la experiencia y en unos pocos factores clínicos, pero esos juicios son imperfectos. Este estudio explora si una forma de inteligencia artificial, entrenada con TC preoperatorias rutinarias, puede ayudar a predecir qué pacientes tienen mayor probabilidad de experimentar una recurrencia tras la reparación de una hernia incisional.

Convertir exploraciones rutinarias en predicciones

Los investigadores revisaron retrospectivamente a 528 pacientes que se sometieron a cirugía para reparar una hernia incisional en un gran hospital entre 2016 y 2019. Todos tenían tomografías computarizadas del abdomen realizadas antes de la operación, que capturaban el tamaño, la localización y la forma de la hernia y de los tejidos circundantes. El equipo extrajo 44.380 cortes de imagen individuales que mostraban la región herniaria, eliminó toda la información identificativa, estandarizó las imágenes a un formato uniforme y las dividió en un gran conjunto de entrenamiento y otro de prueba más pequeño. Es importante señalar que los modelos informáticos nunca “vieron” las imágenes de prueba durante el entrenamiento, lo que permitió evaluar de forma justa cómo rendiría el sistema con pacientes nuevos.

Cómo aprende el ordenador a partir de imágenes

Para analizar las exploraciones, los autores emplearon tres modelos de imagen de aprendizaje profundo populares conocidos como redes neuronales convolucionales. Estas redes, originalmente desarrolladas para tareas como reconocer objetos cotidianos en fotografías, sobresalen en detectar patrones en imágenes complejas. Durante el entrenamiento, a cada corte de TC se le asignó una etiqueta según si la hernia del paciente recidivó más adelante o no. Las redes compararon repetidamente sus predicciones con los resultados reales y ajustaron sus conexiones internas para reducir los errores. Para cada paciente, las predicciones del modelo a partir de múltiples cortes se combinaron en una única estimación del riesgo de recurrencia.

Qué modelo funcionó mejor

Los tres modelos—ResNet-50, una versión más profunda llamada ResNet-152, y VGG16—no rindieron por igual. Al evaluarlos con imágenes no vistas previamente, ResNet-50 mostró la mayor capacidad para distinguir a los pacientes que experimentarían recurrencia de los que no. Su rendimiento, resumido mediante una métrica estándar conocida como el área bajo la curva, fue notablemente superior al de las otras dos redes. El análisis estadístico confirmó que esas diferencias probablemente no se debían al azar. Para obtener información sobre en qué partes de la imagen estaban “fijando” las redes, el equipo también empleó un método de visualización que resalta las regiones de la imagen más importantes para una predicción, revelando que las áreas alrededor del defecto herniario y de la pared abdominal eran las que mayor peso tenían.

Qué podría significar para pacientes y cirujanos

Si se refinara y validara en varios hospitales, una herramienta de predicción basada en imágenes podría aportar una segunda opinión objetiva al juicio del cirujano. Una estimación más precisa del riesgo de recurrencia, calculada antes de la operación a partir de una exploración que ya forma parte de la atención estándar, podría ayudar a orientar decisiones sobre el momento de la cirugía, la elección del abordaje quirúrgico, el tipo y tamaño de la malla y si el paciente podría beneficiarse de ser tratado en un centro especializado en hernias. Los pacientes de alto riesgo, por ejemplo, podrían recibir asesoramiento sobre medidas adicionales para reforzar la reparación, mientras que los de bajo riesgo podrían evitar intervenciones más agresivas.

Dar los siguientes pasos

Los autores enfatizan que este trabajo es una prueba de concepto temprana y no una herramienta clínica acabada. El estudio se basa en pacientes de un único hospital, usa un número relativamente modesto de casos según los estándares del aprendizaje profundo y se apoya únicamente en imágenes, ignorando otros factores importantes como el estado general de salud, cirugías previas y la técnica quirúrgica. Investigaciones futuras deberán combinar características derivadas de la TC con información clínica y operatoria detallada, probar los modelos en grupos de pacientes más grandes y diversos y asegurar que las predicciones sean comprensibles y confiables para los clínicos. Aun así, los hallazgos sugieren que un análisis inteligente de las imágenes médicas rutinarias podría algún día ayudar a personalizar la cirugía de hernia y reducir las probabilidades de una segunda reparación no deseada.

Cita: Xing, X., Zhao, B., Wang, M. et al. Convolutional neural networks using preoperative CT to predict short-term recurrence after incisional hernia repair. Sci Rep 16, 14601 (2026). https://doi.org/10.1038/s41598-026-44070-x

Palabras clave: hernia incisional, recurrencia de hernia, aprendizaje profundo, imagen por TC, resultados quirúrgicos