Boztas AE, Sencan E, Payza AD, Sencan A. An Innovative Machine Learning-Based Algorithm for Diagnosing Pediatric Ovarian Torsion. J Pediatr Surg. 2025 Sep;60(9):162417
https://www.jpedsurg.org/article/S0022-3468(25)00262-3/abstract
La torsión ovárica en niñas y adolescentes representa una urgencia quirúrgica cuya detección precoz es fundamental para evitar la pérdida del ovario y preservar la fertilidad. Sin embargo, su diagnóstico sigue siendo un reto clínico debido a la inespecificidad de los síntomas y la variabilidad de los hallazgos ecográficos. El estudio liderado por Boztas y cols. (2025) presenta un innovador algoritmo de aprendizaje automático (machine learning, ML) capaz de integrar hallazgos clínicos, analíticos y ecográficos para diagnosticar torsión ovárica pediátrica con una precisión superior al 98 %.
El análisis retrospectivo incluyó 70 pacientes con torsión confirmada y 73 controles atendidos entre 2013 y 2023. Se evaluaron variables como dolor abdominal, náuseas, duración de síntomas, recuento de leucocitos, relación neutrófilos/linfocitos, índice de inmunoinflamación sistémica, índice de respuesta inflamatoria sistémica, proteína C reactiva, y parámetros ecográficos (flujo Doppler, tamaño ovárico, signo del anillo folicular, medialización y líquido libre pélvico). Se probaron tres modelos supervisados: árboles de decisión, bosques aleatorios y LightGBM. El modelo de árbol de decisión destacó por su interpretabilidad y rendimiento, alcanzando un 98.6 % de exactitud, sensibilidad y especificidad en validación cruzada.
Los predictores más poderosos fueron ecográficos: el signo del anillo folicular, la relación de tamaño ovárico y la presencia de líquido libre en pelvis. Aunque los marcadores inflamatorios también mostraron diferencias significativas entre los grupos, el modelo seleccionó principalmente características de imagen como las más reveladoras. Esto subraya el valor de una ecografía detallada más allá del simple flujo doppler, cuya ausencia no siempre está presente (solo en 71.5 % de los casos).
El algoritmo propuesto representa un avance pionero al combinar datos clínicos, analíticos y de imagen para una decisión diagnóstica automatizada, ofreciendo apoyo tanto a radiólogos como a clínicos no especializados. Esta herramienta sirve, por tanto, de apoyo para reconocer signos de alarma en niñas con dolor abdominal agudo. Su aplicación en entornos de primera atención podría agilizar la derivación urgente a cirugía pediátrica, reducir diagnósticos erróneos y mejorar la preservación ovárica y la fertilidad futura.
