Resumen

Objetivos: La resonancia magnética (RM) avanzada se recomienda para la evaluación clínica de pacientes en coma. Sin embargo, la implementación de estas guías se ha visto obstaculizada por una identificación inadecuada de marcadores relevantes entre la gran cantidad de métricas derivadas de RM reportadas. Desarrollamos y validamos un pipeline analítico innovador y explicable basado en aprendizaje automático (machine learning, ML) para cubrir esta brecha crítica de conocimiento.

Diseño: Estudio prospectivo de corte transversal.

Ámbito: Tres Unidades de Cuidados Intensivos Críticos afiliadas a la Universidad de Toulouse (Francia).

Pacientes: Pacientes en coma (puntaje en la Escala de Coma de Glasgow al ingreso hospitalario ≤ 9) de origen traumático o anóxico. El resultado neurológico se evaluó a los 3 meses utilizando la Coma Recovery Scale-Revised. Se analizaron datos estructurales cerebrales completos mediante RM avanzada y conectividad funcional en estado de reposo de redes conocidas por contribuir al procesamiento consciente. Se aplicó y validó mediante validación cruzada un conjunto específicamente diseñado de métodos de ML explicables.

Intervenciones: Ninguna.

Mediciones y resultados principales: En total, se estudiaron 64 pacientes en coma debido a lesiones cerebrales traumáticas (n = 26) o anóxicas (n = 38), comparados con 55 controles. La mediana del tiempo entre el ingreso a UCI y la realización de la RM fue de 9 días (rango intercuartílico, 6–16 días). A los 3 meses, el 50% de los pacientes (32/64) presentó un resultado desfavorable. Todos los modelos mostraron buena capacidad de generalización: diagnóstico de coma (exactitud media, 93,4%), discriminación del tipo de lesión cerebral primaria (exactitud media, 76,2%) y predicción del resultado neurológico (exactitud media, 82,4%).

Conclusiones: Un nuevo conjunto combinado de métricas derivadas de RM cerebral se relacionó específicamente con el estado de coma, su etiología y el potencial de recuperación del paciente a los 3 meses. La integridad estructural y funcional del mesocircuito y de las redes frontoparietales pareció contener la información más relevante.