Exploración de la asociación entre factores clínicos y morfometría aórtica mediante redes neuronales

Resumen

Introducción: la morfometría de la aorta varía a lo largo de sus segmentos y puede reflejar influencias clínicas diversas. Objetivo: identificar qué segmentos de la aorta muestran mayor asociación con variables clínicas mediante redes neuronales. Materiales y método: estudio analítico y transversal con 801 adultos del repositorio Harvard Dataverse (2018–2019), sometidos a tomografía de tórax sin contraste. Se evaluaron diámetros aórticos desde el seno de Valsalva hasta la aorta abdominal, que habían sido medidos mediante inteligencia artificial, junto con 20 variables clínicas. Se aplicó una red neuronal multicapa como herramienta estadística de análisis no lineal. Resultados: en el análisis del rendimiento del modelo de red neuronal, el diámetro con el menor error relativo fue el de la aorta descendente media, cuyo error relativo fue 0,356 en la fase de prueba, obteniendo un coeficiente de determinación de 0,613, indicando que el modelo explica el 61,3% de la variabilidad del diámetro. Sus variables más influyentes fueron edad (importancia de 0,168), creatinina (0,106), AST (0,082) y potasio (0,071). El error cuadrático medio fue de 0,324 en la fase de entrenamiento y 0,356 en la fase de prueba. Conclusiones: el modelo de red neuronal indica una mayor asociación no lineal entre variables clínicas y el diámetro de la aorta descendente media, lo que refuerza su importancia como zona anatómica sensible a factores hemodinámicos y metabólicos, y su utilidad como marcador estructural en enfermedades cardiovasculares.