Introducción y objetivos
Desarrollar un sistema de soporte a la decisión clínica diseñado para identificar pacientes con riesgo de complicaciones postquirúrgicas y hospitalización tras la nefrolitotomía percutánea (NLP), utilizando algoritmos de machine learning.

Materiales y métodos
Se incluyeron 901 pacientes tratados entre 2011 y 2024.

Se analizaron variables preoperatorias (datos demográficos, urocultivo, diabetes y ASA), del tratamiento (características y localización del cálculo, Guy-score, UH, técnica quirúrgica, drenajes y técnica tubeless entre otras) y analíticas (procalcitonina, leucocitos y neutrófilos). Las variables objetivo fueron las complicaciones infecciosas, hemorrágicas y la hospitalización.

Se utilizó el lenguaje de programación Python y el software Visual Studio Code para construir y evaluar modelos.

Resultados
El modelo fue capaz de predecir la necesidad de hospitalización y las complicaciones infecciosas, sin identificar predicadores de complicaciones hemorrágicas por baja incidencia.

El modelo Random Forest alcanzó los valores mas altos de AUC en cuanto a hospitalización 0,726 (en el conjunto de validación) y 0,736 (en la prueba) con una sensibilidad ≥90%. Los principales factores predictores fueron drenaje mediante nefrostomía, neutrófilos ≥ 80%, puntuación de Guy-score grado 4; localización media o difícil del cálculo; lado derecho; leucocitos ≥ 15 o ≤ 4,5 y cálculo coraliforme. Siendo la intervención tubeless, la localización fácil del cálculo y el urocultivo negativo protectores. El mayor diámetro del cálculo y el IMC mostraron relación directa con la hospitalización.

Respecto a las complicaciones infecciosas, el Random Forest alcanzó AUC de 0,799 y 0,735 en los conjuntos de validación y prueba, respectivamente. Los predicadores fueron: procalcitonina > 0,5, drenaje mediante nefrostomía, neutrófilos ≥ 80%, puntuación de Guy -score grado 4, urocultivo positivo y leucocitos ≥ 15 o ≤ 4,5. Los protectores fueron los mismos que en el modelo de hospitalización, con la adición de la cateterización ureteral. En este caso, solo el mayor diámetro del cálculo mostró una relación directamente proporcional con el desenlace.

Conclusiones
Los modelos basados en el machine learning, en particular el modelo Random Forest, muestran un alto potencial para la predicción de complicaciones clave tras la NLP.