La frecuencia de fracturas transtrocantéricas ha aumentado en la actualidad. Existen
mediciones radiográficas posquirúrgicas con las que se puede predecir en cierto grado la
falla de la osteosíntesis, este grado de incertidumbre es un problema. Podrían tomarse en
cuenta además de estas mediciones otros factores y una especie de aprendizaje
automático para mejorar la predicción de esta falla de la osteosíntesis.
El objetivo es crear un clasificador que sea capaz de predecir con alta certeza, si una fractura
de tipo transtrocantérica intervenida quirúrgicamente mediante osteosíntesis, sanará o
fallará después de la intervención.
De un grupo de cincuenta pacientes del Centro Hospital Miguel Hidalgo entre los 60 y los
100 años de edad afectados por una fractura transtrocantérica, se obtuvieron los factores
propios que se relacionan con las mediciones radiográficas, a través de un estudio
retrospectivo y descriptivo con seguimiento mínimo de 6 meses de 2014 a 2019.
De esta base de datos se realizó una limpieza para obtener las variables que se tomarían
en cuenta para alimentar el clasificador.
Se seleccionó el Clasificador Bayesiano Ingenuo por su robustez y se creó un algoritmo en
el lenguaje Swift dentro de una aplicación para la plataforma iOS, que pudiera usarse para
6
introducir una nueva serie de factores propios y mediciones de un nuevo paciente y obtener
la predicción de la falla o correcta osteosíntesis de su fractura transtrocantérica, mediante
el clasificador bayesiano.
Fue posible crear la aplicación con el algoritmo clasificador y se diseñó una interfaz sencilla
y clara de usar, que permite a un usuario introducir la lista de factores y mediciones
radiográficas posquirúrgicas, calcular y obtener el resultado de la predicción en un formato
booleano, es decir, la osteosíntesis fallará o no fallará.
Se concluye, que es posible crear un clasificador bayesiano ingenuo con la base de datos
obtenida, y programar el algoritmo de este clasificador dentro de una aplicación móvil. El
que esté en una aplicación móvil facilita su utilización, y el que este algoritmo pueda
funcionar es prospecto para una mejora en la confiabilidad de dichas predicciones.
Como trabajo futuro, se planea la continuación del estudio, con la validación del grado de
certeza del algoritmo, mediante médicos expertos introduciendo nuevos casos.
The frequency of intertrochanteric fractures has increased today. There are post-surgical
radiographic measurements with which the failure of osteosynthesis can be predicted to
some degree, this degree of uncertainty is a problem. In addition to these measurements,
other factors and some type of machine learning could be taken into consideration to
improve the prediction of this fracture osteosynthesis failure.
The objective is to create a classifier that is capable of reliably predict if an intertrochanteric
fracture, surgically intervened will correctly heal or fail, a correct osteosynthesis or failure
after a surgical intervention of a transtrochanteric fracture.
From a group of patients at the Miguel Hidalgo Hospital Center between 60 and 100 years
of age affected by an intertrochanteric fracture, the proper factors related to radiographic
measurements were obtained through a retrospective and descriptive study with minimal
follow-up of 6 months from 2014 to 2019.
A cleaning of the data was performed to this database in order to obtain the variables that
would be taken into consideration to feed the classifier.
The Naive Bayesian Classifier was selected for its robustness and an algorithm was created
in the swift language within an application for the iOS platform, which could be used to
8
introduce a new series of factors and measurements of a new patient, and obtain the
prediction of failure or correct osteosynthesis of his intertrochanteric fracture, using this
Bayesian classifier.
(Dhanwal, Dennison, Harvey, & Cooper, 2011)
It was possible to create the application with the classifier algorithm and a simple and clear
interface was designed, which allows a user to enter the factor and post-surgical
radiographic measurements strip, calculate and obtain the prediction result in a Boolean
format, this is, the osteosynthesis fails or do not fails.
It is concluded, that it is possible to conform a naive Bayesian classifier with the obtained
database, and program the algorithm of this classifier within a mobile application. Being in a
mobile application makes it easier to use, and the fact that this algorithm can work is a
prospect for an improvement in the reliability of these predictions.
As a future project, the continuation of the study is planned, with the algorithm’s degree of
certainty validation, trough medical experts introducing new cases.
