Agrupamiento Basado en Datos en Cirugía de Hemorroides: Estudio Monocéntrico Retrospectivo para la Identificación de Fenotipos Clínicos (PROCTO-CLUSTER)

La enfermedad hemorroidal se presenta con patrones de síntomas heterogéneos, hallazgos anatómicos y estrategias quirúrgicas que no son completamente capturados por las clasificaciones tradicionales basadas en grados. Este estudio tiene como objetivo identificar fenotipos latentes y clínicamente interpretables entre pacientes quirúrgicos utilizando una canalización de aprendizaje automático completamente no supervisada aplicada a datos perioperatorios recogidos de forma rutinaria en un centro de referencia terciario de alto volumen.

Este es un análisis retrospectivo y observacional de registros institucionales anonimizados. El conjunto de datos analítico incluirá variables documentadas de forma rutinaria que abarcan datos demográficos/antropométricos basales, perfil de síntomas e historial clínico relevante, técnica quirúrgica y descriptores intraoperatorios, e información de seguimiento postoperatorio capturada de forma rutinaria. Los datos se extraerán utilizando un diccionario de datos predefinido y reglas de preprocesamiento estandarizadas para apoyar la reproducibilidad y reducir la variabilidad en las definiciones de las variables.

El enfoque analítico principal será la agrupación no supervisada. Las variables se limpiarán y estandarizarán antes del modelado. La reducción de dimensionalidad se realizará utilizando t-distributed stochastic neighbor embedding (t-SNE), inicializado con análisis de componentes principales para mejorar la estabilidad. Posteriormente, el descubrimiento de conglomerados se llevará a cabo utilizando agrupación k-means en el espacio de características reducido. Se explorará un rango de soluciones de conglomerados, y la solución final se seleccionará utilizando métricas de validez interna (por ejemplo, medidas basadas en silueta) junto con la evaluación de la interpretabilidad clínica. La robustez del modelo se evaluará mediante ejecuciones repetidas en múltiples semillas aleatorias y configuraciones de parámetros clave para evaluar la estabilidad de las asignaciones de conglomerados.

Después de la asignación de conglomerados, estos se caracterizarán utilizando estadísticas descriptivas y comparativas para identificar las variables que más diferencian los fenotipos. Se utilizarán enfoques de relevancia/importancia de características post-hoc para explorar qué factores demográficos, clínicos y quirúrgicos contribuyen más fuertemente a la formación de conglomerados, con énfasis en los tamaños del efecto y los patrones clínicamente significativos en lugar de solo pruebas de hipótesis. Los hallazgos se utilizarán para generar hipótesis sobre fenotipos que pueden estar asociados con una mayor complejidad quirúrgica y diferentes trayectorias postoperatorias, apoyando trabajos futuros sobre modelado predictivo y apoyo a la toma de decisiones quirúrgicas individualizadas.

Todos los análisis se realizarán dentro de un entorno institucional controlado utilizando software estadístico y de minería de datos validado, con configuraciones de parámetros documentadas y seguimiento de versiones para permitir la reproducibilidad. Solo se utilizarán datos anonimizados para el análisis, y los resultados se informarán de forma agregada para proteger la privacidad del paciente.