Modelo de predicción multivariable del resultado del reemplazo total de rodilla

La artroplastia total de rodilla (ATR) es un procedimiento quirúrgico que se aplica como una solución común para superar las limitaciones producidas por estados avanzados de gonartrosis severa. El procedimiento tiene alta prevalencia, altos costos asociados y se considera costo-efectivo. La rehabilitación es esencial para optimizar los resultados. Sin embargo, en la práctica clínica, la duración de la rehabilitación de cada paciente puede ser muy variable y los tiempos programados pueden carecer de la objetividad necesaria. La limitación actual de recursos y el aumento de la prevalencia hacen imprescindible generar estrategias para optimizar los resultados quirúrgicos, de manera que el uso de los recursos del sistema de salud sea eficiente sin perjuicio del beneficio del paciente. Para ello, se debe disponer de información objetiva y pragmática, y debe estar basada en evidencia científica para ayudar en la toma de decisiones clínicas. De hecho, se han identificado una serie de factores demográficos, biomédicos y psicosociales como predictores de los resultados de la ATR (es decir, peso, edad, expectativas...). Algunas de ellas se han asociado a la necesidad de recursos hospitalarios tras la cirugía. Sin embargo, la mayoría de las investigaciones basan sus predicciones en estudios retrospectivos, los cuales están limitados en el tipo de variables que se pueden utilizar (historia clínica), calidad de los registros y limitaciones de los diseños retrospectivos. Por otro lado, la mayoría de las investigaciones prospectivas basan sus predicciones en un número limitado de resultados. Para superar estas limitaciones, este proyecto se ha diseñado como un estudio observacional prospectivo con dos observaciones de cada paciente.

• El objetivo principal es implementar un modelo de predicción multivariable del resultado de la ATR, de modo que el procedimiento sea óptimo en dos aspectos: la recuperación del paciente (beneficio social y económico) y el uso de los recursos del sistema de salud (beneficio económico). La implementación requiere un procesamiento de la información muestreada a través de diversos algoritmos y un procesamiento de datos innovador en este campo, basado en técnicas de minería de datos y aprendizaje automático. Este se utilizará en la búsqueda del modelo con mayor capacidad predictiva.
• Como objetivo secundario, la información extraída de los pacientes tanto en estadios finales de la patología, como a medio plazo tras la intervención permitirá estudiar la realidad funcional y psicosocial de los sujetos con artrosis de rodilla.