Desarrollo y validación de algoritmo predictivo de la longitud total del intestino delgado con técnicas de inteligencia artificial para su aplicación en cirugía bariátrica

• José Fernando Trebolle ^[1] ; Jorge Solano Murillo ^[4] ; Jesús Lobo Cobo ^[5] ; Carmen Pellicer Lostao ^[5] ; Mónica Valero Sabater ^[1] ; Gabriel Tirado Anglés ^[1] ; Irene Cantarero Carmona ^[2] ; María José Luesma Bartolomé ^[3]
  1. [1] Hospital Royo Villanova

     Hospital Royo Villanova

     Zaragoza, España

     
  2. [2] Universidad de Córdoba

     Universidad de Córdoba

     Cordoba, España

     
  3. [3] Universidad de Zaragoza

     Universidad de Zaragoza

     Zaragoza, España

     
  4. [4] Unidad de Cirugía Laparoscópica Avanzada, Hospital Quironsalud, Zaragoza
  5. [5] CESTE, Escuela Internacional de Negocios, Zaragoza

  Mostrar afiliaciones +
• Localización: Cirugía española: Organo oficial de la Asociación Española de Cirujanos, ISSN 0009-739X, Vol. 103, Nº. 7, 2025
• Idioma: español
• DOI: 10.1016/j.ciresp.2025.800124
• Títulos paralelos:
  • Development and validation of a predictive algorithm for the total length of the small intestine using artificial intelligence techniques for application in bariatric surgery
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    Objetivo Desarrollar un modelo predictivo de la longitud total del intestino delgado para aplicar en cirugía bariátrica que permita individualizar la cirugía a cada paciente.

    Material y método Dos tablas Excel® a partir de un archivo FileMaker. Phyton™ a través de un formato Notebook en Google™ Colaboratory. La metodología ha incluido transformación y escalado de datos (MinMaxScaler), clustering (machine learning no supervisado KMeans), interpolación de datos (machine learning sobremuestreo SMOTE), modelización (modelo PyCaret - XGBoost), y validación.

    Resultados Muestra de 1.090 casos. Se han obtenido 3 clusters en los que incluir el conjunto de datos: longitud baja, media y alta. El algoritmo detecta pacientes del cluster c0 con una precisión del 62% y una sensibilidad del 74%, del cluster c1 con una precisión del 63% y una sensibilidad del 50%, y del cluster c2 con una precisión del 86% y una sensibilidad del 87%. La validación se ha realizado a partir de una muestra de 54 casos nuevos, mostrando unos resultados de precisión del 50% y una sensibilidad del 42% para el cluster c0, de puna recisión del 58% y una sensibilidad del 61% para el cluster c1, y de una precisión del 30% y una sensibilidad del 43% para el cluster c2.

    Conclusiones El desarrollo de un algoritmo predictivo para conocer la longitud total del intestino delgado a través de técnicas de clustering y machine learning, y la clasificación XGBoost es factible, aplicable, y potencialmente mejorable si se cuenta con más datos tanto en número de pacientes, como en variables a considerar.

  • English

    Objective To develop a predictive model of the total leServicio de hfGeneral y de Aparato Digestivo, Hospital Royo Villanova, Zaragozangth of the small intestine to be applied in bariatric surgery, allowing for the individualization of surgery for each patient.

    Methodsfhjjgjk Two Excel® taServicio de Cirugía General y de Aparato Digestivo, Hospital Royo Villanova, Zaragozables were generated from a FileMaker file. Python was used through a Notebook format in Google™ Collaborator. The methodology included data transformation anServicio de Cirugía General y de Aparato Digestivo, Hospital Royo Villanova, Zaragozad scaling (MinMaxScaler), clustering (unsupervised machine learning with KMeans), data interpolation (oversampling machine learning technique SMOTE), modeling (PyCaret model - XGBoost), and validation.

    Results The study sample included 1090 cases. Three clusters were obtained to categorize the dataset: low, medium, and high length. The algorithm detected patients in cluster c0 with 62% accuracy and 74% sensitivity, in cluster c1 with 63% accuracy and 50% sensitivity, and in cluster c2 with 86% accuracy and 87% sensitivity. Validation was conducted with a new sampleServicio de Cirugía General y de Aparato Digestivo, Hospital Royo Villanova, Zaragoza of 54 cases, showing results of 50% accuracy and 42% sensitivity for cluster c0, 58% accuracy and 61% sensitivity for cluster c1, and 30% accuracy and 43% sensitivity for cluster c2.

    Conclusions The development of a predictive algorithm for estimating the total length of the small intestine using clustering and machine learning techniques, along with XGBoost classification, is feasible, applicable, and potentially improvable with more data, both in terms of patient numbers and variables to consider.