Predicción temprana del riesgo de mal pronóstico en abscesos amigdalinos y periamigdalinos mediante análisis de TC y Machine Learning

Resumen

Desarrollar un modelo predictivo basado en TC y parámetros radiológicos para identificar pacientes con abscesos amigdalinos o periamigdalinos con alto riesgo de mal pronóstico, definido como necesidad de estancia en UCI, drenaje quirúrgico urgente o ingreso hospitalario >7 días. Se analizaron 173 pacientes con abscesos amigdalinos y periamigdalinos confirmados por TC con contraste intravenoso. Se midieron diámetros máximos y volumen total del absceso, se valoró la estenosis de vía aérea en tres ejes (anteroposterior, transversal y cráneo-caudal) y se contabilizó el número de espacios anatómicos afectados por inflamación o absceso, además de valorar datos clínicos como leucocitosis, PCR o antecedentes como diabetes, hipertensión, tabaquismo o historia oncológica. Los datos se utilizaron para entrenar modelos de machine learning (regresión logística, Random Forest, K Means entre otros) para predecir mal pronóstico. De los 173 pacientes, 38 presentaron mal pronóstico según los criterios definidos. Las variables más predictivas fueron: volumen del absceso > 9 cc, estenosis latero-lateral < 6 mm, afectación de ≥2 espacios anatómicos y diámetro máximo del absceso ≥3,5 cm. La votación ponderada de los diferentes modelos mostró un AUC: 0,91 con sensibilidad del 85%, especificidad del 89% y precisión global del 88%. Los modelos basados únicamente en volumen o diámetro máximo mostraron un rendimiento inferior (AUC <0,80). La integración de métricas radiológicas de TC con algoritmos de machine learning permite predecir de forma precisa el riesgo de mal pronóstico en abscesos amigdalinos y periamigdalinos. Este enfoque puede guiar la priorización de intervenciones tempranas y vigilancia intensiva, optimizando la gestión clínica y el uso de recursos hospitalarios.