Revisión de alcance en estrategias sobre machine learning para predecir complicaciones postoperatorias

Abstract

Introducción: Este estudio, desarrollado por estudiantes del programa de Instrumentación Quirúrgica de la Universidad El Bosque, realiza una revisión de alcance sobre la aplicación del Machine Learning (ML) en la predicción de complicaciones postoperatorias entre 2020 y 2025. Actualmente, el uso del ML está en expansión por ser una herramienta útil para el sector salud, sin embargo, existen retos al momento de implementarla por ser una tecnología en crecimiento que aún se encuentra en investigación. Objetivo: Identificar las aplicaciones del Aprendizaje Automático para la predicción de complicaciones postoperatorias, según la literatura científica dentro de los últimos cinco años a partir del año 2020 al 2025. Materiales y métodos: Se realizo un Scoping Review donde se utilizaron cinco ecuaciones de búsqueda para las bases de datos PubMed, Embase, Bireme y Science Direct, los cuales fueron seleccionados con la herramienta Rayyan implementando los criterios de inclusión y exclusión. Resultados: Se analizaron 43 artículos, de los cuales los modelos más utilizados fueron regresiónlogística (LR) con 25 aplicaciones, Random Forest (RF) con 24 aplicaciones y Support Vector Machine (SVM) con 21 aplicaciones, con métricas de rendimiento como AUC y accuracy superiores al 0.80 en la mayoría de los casos, evidenciando la efectividad de estos modelos para la predicción de complicaciones postoperatorias. Conclusión: Se concluye que el ML es una herramienta eficaz para apoyar la toma de decisiones clínicas, aunque su implementación requiere validación externa, infraestructura adecuada y formación del personal de salud. Finalmente, se recomienda fomentar la investigación aplicada en ML desde el ámbito académico y clínico.