Modelo de árbol para predecir neumotórax clínicamente significativo en pacientes sometidos a biopsia pulmonar coaxial percutánea: Un estudio de cohorte retrospectivo

Resumen

Objetivo: Desarrollar un model de predicción de desarrollo de neumotórax significativo después de una biopsia pulmonar coaxial guiada por TC (CT-CCLB) utilizando modelos de aprendizaje automático basados en árboles. Material y Métodos: Se incluyeron retrospectivamente un total de 469 pacientes junto a una lista de 22 predictores. Se utilizó el análisis Boruta para la selección de predictores más importantes. Posteriormente, se aplicaron cuatro modelos de árbol, CART, AdaBoost, GB y XGBoost. El modelo final fue elegido en función de los valores PPR, PLR y AUC, y analizado mediante el gráfico de árbol y el análisis SHAP. Resultados: La tasa de neumotórax significativo fue del 12,79%. GB tenía el mejor poder discriminatorio (AUC = 76,82%; PPR = 3,80; PLR = 5,08 43,48%). Los 5 principales predictores fueron: tamaño/profundidad de la lesión, DLCO, IMC, compromiso de fisuras/bullas/enfisema. Los escenarios con mayor riesgo se dan en: 1) las superficies mencionadas están comprometidas y el procedimiento se realiza con el paciente en posición supina o lateral; 2) el tamaño de la lesión es menor de 22,37 mm y el IMC es menor de 26,5; 3) el tamaño de la lesión es mayor de 22,37 mm y la profundidad es mayor de 36,86 mm. Conclusión: Es más probable que se desarrolle un neumotórax significativo después de CT-CCLB entre pacientes con lesiones pequeñas, menor IMC, mayor profundidad y biopsias realizadas en posición prona/lateral y cuando hay fisuras/bullas/enfisema. Los modelos de aprendizaje automático demostraron un alto rendimiento predictivo, con resultados fáciles de visualizar y leer.