Discriminación temprana de infecciones periprotésicas de cadera mediante redes neuronales (SEPTIC-ANNR) (SEPTIC-ANNR)

Las infecciones periprotésicas de cadera son un tema candente en cirugía ortopédica, cuya incidencia ronda el 1%. La morbilidad, la mortalidad y los costos adicionales asociados con la hospitalización prolongada y los tratamientos adicionales son las principales preocupaciones. Las infecciones periprotésicas generalmente se diagnostican utilizando los criterios de los CDC (Centro para el Control y la Prevención de Enfermedades) (2014). El diagnóstico se basa en criterios mayores y menores, incluidos los parámetros preoperatorios e intraoperatorios. Para lograr un diagnóstico confiable de infección, cuando no hay fístulas, se requiere la aspiración de líquido sinovial o muestras de tejido. Sin embargo, estas técnicas son caras e invasivas. Además, la sensibilidad no siempre es tan precisa, como lo demuestran algunas series de cirugías de revisión realizadas por presunto aflojamiento aséptico, que resultó ser séptico después de los cultivos. Por lo tanto, el diagnóstico de infección a menudo ocurre tarde y después de un trabajo de diagnóstico largo, complejo, costoso y no siempre decisivo, lo que afecta el momento y el éxito del tratamiento.

Sería deseable un procedimiento de diagnóstico práctico, rápido, fiable y no invasivo (posiblemente ambulatorio) para las infecciones periprotésicas. Puede basarse en el diagnóstico por imagen, limitando la recogida de líquido o tejidos a casos dudosos. En la actualidad, las técnicas de imagen por TC y de medicina nuclear no se adoptan de forma rutinaria en el diagnóstico de infecciones, debido a la modesta fiabilidad, los costes y la exposición a los agentes radiantes.

Recientemente, se han introducido las redes neuronales: consisten en muchos procesadores paralelos simples, profundamente conectados, que realizan un modelo computacional. Las redes neuronales imitan el cerebro y su capacidad de aprender. Los modelos computacionales reconocen señales visuales, gestionan situaciones complejas en tiempo real, clasifican y gestionan el ruido, usan memoria asociativa con acceso en tiempo real a grandes cantidades de datos y reconstruyen información parcial o corrupta. Las redes neuronales ya se han utilizado para predecir la aparición de infecciones, metástasis y fracasos del tratamiento, integrando datos clínicos y de diagnóstico por imagen. Hasta la fecha no se han realizado estudios sobre redes neuronales en infección periprotésica. El propósito de este estudio es evaluar si las redes neuronales (redes neuronales celulares-algoritmo genético), aplicadas a radiografías convencionales, son precisas, sensibles y específicas para la discriminación temprana de una infección periprotésica de cadera, ya diagnosticada con métodos bien reconocidos ( CDC 2014).

En concreto, se selecciona una población de pacientes, con antecedentes radiográficos completos (radiografías preoperatorias y una serie de otras radiografías posoperatorias), tratados por aflojamiento séptico o aséptico.

Ambos casos son necesarios para "instruir" a una red neuronal. El primer paso consiste en identificar una serie consecutiva de pacientes con diagnóstico de aflojamiento séptico o aséptico, consultando la base de datos del hospital. Por lo tanto, los pacientes se dividen categóricamente en aflojamiento séptico o aséptico. Se utilizan los criterios de los CDC de 2014 (como se realiza de forma rutinaria en el entorno clínico), añadiendo otro criterio importante y necesario: al menos 3 muestras de tejido intraoperatorias positivas (mismo microorganismo). En caso de aflojamiento aséptico, el caso no debe cumplir con los criterios de CDC 2014. Por lo tanto, se recopilan los datos clínicos y de imagen de los pacientes. Una vez comprobado el diagnóstico, se procesa el material radiográfico (redes neuronales celulares-algoritmo genético). El procedimiento propuesto procesa las imágenes radiográficas utilizando la siguiente tubería y el software MatLab (Mathworks, Natick, EE. UU.):

• línea de base: la primera imagen post-implante se compara con la imagen radiográfica pre-implante;
• los progresos se registran mediante radiografías periódicas utilizando proyecciones estándar y repetibles (radiografías de pelvis);
• las características se extraen de cada imagen, en el área segmentada manualmente (región de interés - ROI). Se llevan a cabo tres pasos: 1) preprocesamiento de imágenes, para crear marcos uniformes de datos de entrada (imágenes de nivel de gris). Ecualización de histograma de color; 2) las características extraídas de las redes neuronales se aplican al ROI. Plantillas de clonación mediante algoritmos genéticos. Las características serán procesadas por una capa completamente conectada + SoftMax; 3) funciones extraídas de AutoEconder con capa totalmente conectada + SoftMax;
• análisis de características radiográficas diferenciales (análisis de lados celulares y convolutivos) y comparación con la línea de base. Posprocesamiento de la siguiente manera: 1) capa de regresión totalmente conectada y clasificador multiclase: producirá el porcentaje de riesgo de progresión séptica; 2) capa de regresión totalmente conectada y clasificador binario: características en los grupos sépticos/asépticos;
• un árbol de decisión final: fusión de los datos mencionados anteriormente, proporcionando un porcentaje de riesgo de progresión séptica en la imagen indexada. El objetivo es verificar si las redes neuronales aplicadas a la imagen radiográfica pueden reconocer de forma precisa, sensible y específica una infección periprotésica de cadera crónica tardía diagnosticada según criterios validados y ciertos.