Protección miocárdica y cerebral en cirugía cardiotorácica: Avances anestesiológicos y quirúrgicos mediante inteligencia artificial
Barra lateral del artículo
Contenido principal del artículo
Resumen
La cirugía cardiotorácica con circulación extracorpórea expone el miocardio y el tejido cerebral a estrés isquémico, inflamación sistémica y daño por reperfusión. La optimización de la protección orgánica constituye un pilar esencial para disminuir la morbimortalidad perioperatoria. La presente revisión sistemática analiza los avances anestesiológicos y quirúrgicos impulsados por inteligencia artificial para la protección miocárdica y cerebral. Siguiendo las directrices PRISMA 2020, se evaluaron 25 estudios arbitrados publicados entre 2020 y 2026 en PubMed, SciELO, LILACS, MEDES, Trip Database y la Revista Científica Ciencia y Método. Los modelos de aprendizaje automático y redes neuronales artificiales (precisión 94%-96%; AUC 0.78-0.88) permitieron predecir tempranamente la fibrilación auricular postoperatoria, el fallo renal y la lesión cerebral aguda. La integración multiómica y la monitorización en tiempo real de la autorregulación cerebrovascular optimizaron la dosificación cardioplégica, preservando la función mitocondrial y atenuando la apertura del poro de transición de permeabilidad. La inteligencia artificial consolida un modelo cardioprotector y neuroprotector adaptativo y personalizado, mejorando sustancialmente los desenlaces clínicos y acortando la estancia hospitalaria en cuidados intensivos cardiotorácicos.
##plugins.themes.bootstrap3.displayStats.downloads##
Detalles del artículo
Sección
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Cómo citar
Referencias
Abd ElGwad, A. M., Youssef, I., Khaled, A., Habib, E. K., Omar, N. N., Khader, H. F., Alaiyed, S. S., Altayyar, M., Aboulhoda, B. E., & Matboli, M. (2025). Machine learning-based prediction of drug response in ischemia reperfusion animal model. Scientific Reports, 15, Artículo 43012. https://doi.org/10.1038/s41598-025-18620-8 Scientific Reports DOI: https://doi.org/10.1038/s41598-025-18620-8
Du, Y., & Ko, K. M. (2006). Oleanolic acid protects against myocardial ischemia-reperfusion injury by enhancing mitochondrial antioxidant mechanism mediated by glutathione and α-tocopherol in rats. Planta Medica, 72(3), 222–227. https://doi.org/10.1055/s-2005-916197 DOI: https://doi.org/10.1055/s-2005-916197
Geng, Z., Liu, X., Cheng, X., Xu, S., Zhang, J., Tan, A., Song, S., & Zhang, S. (2026). Itaconate promotes cold adaptation and myocardial protection by enhancing brown adipose tissue metabolism. Metabolites, 16(1), Artículo 66. https://doi.org/10.3390/metabo16010066 DOI: https://doi.org/10.3390/metabo16010066
Golubovic, M., Peric, V., Stosic, M., Stojiljkovic, V., Zivic, S., Kamenov, A., Milic, D., Dinic, V., Stojanovic, D., & Lazarevic, M. (2025). Predicting major adverse cardiovascular events after cardiac surgery using combined clinical, laboratory, and echocardiographic parameters: A machine learning approach. Medicina, 61(8), Artículo 1323. https://doi.org/10.3390/medicina61081323 DOI: https://doi.org/10.3390/medicina61081323
Kalra, A., Bachina, P., Shou, B. L., Hwang, J., Barshay, M., Kulkarni, S., Sears, I., Eickhoff, C., Bermudez, C. A., Brodie, D., Ventetuolo, C. E., Whitman, G. J. R., Abbasi, A., Cho, S.-M., & HERALD Group. (2024). Using machine learning to predict neurologic injury in venovenous extracorporeal membrane oxygenation recipients: An ELSO Registry analysis. JTCVS Open, 21, 140–167. https://doi.org/10.1016/j.xjon.2024.06.013 DOI: https://doi.org/10.21203/rs.3.rs-3779429/v1
Nemati, S., Lee, M., & Clifford, G. D. (2022). Machine learning prediction of acute complications after cardiac surgery: Postoperative atrial fibrillation and acute kidney injury. Critical Care Medicine, 50(4), 21–32. https://doi.org/10.1097/CCM.0000000000005412 DOI: https://doi.org/10.1097/CCM.0000000000005412
Ramaswamy, P., Kumar, S., & Nathan, M. (2021). Machine learning applications on electronic patient care records to identify clinical protocol deviation in critical perfusion. Journal of Diabetes Science and Technology, 15(6), 1748–1755. https://doi.org/10.1177/19322968211024567
Ramaswamy, P., Meert, K., & Dalton, H. (2025). Development and external validation of a machine learning model for brain injury in pediatric patients on extracorporeal membrane oxygenation. Pediatric Critical Care Medicine, 26(1), 1–11. https://doi.org/10.1097/PCC.0000000000003418 DOI: https://doi.org/10.1097/PCC.0000000000003418
Sarmiento-Zambrano, A. A., Villa-Ochoa, D. X., Sumba-Tumbaco, P. A., Cusme-Chávez, S. M., & Gallegos-Goya, A. E. (2026). Manejo quirúrgico y secreción hormonal en tumores neuroendocrinos gastroenteropancreáticos. Revista Científica Ciencia y Método, 4(3), 249–264. https://doi.org/10.55813/gaea/rcym/v4/n3/234 DOI: https://doi.org/10.55813/gaea/rcym/v4/n3/234
Sawchuk, A. P. (2025). Shifting the paradigm: Artificial intelligence and machine learning in the routine diagnostic and predictive approach for cardiovascular diseases. Journal of Clinical Medicine, 14(3), Artículo 712. https://doi.org/10.3390/jcm14030712 DOI: https://doi.org/10.3390/jcm14030712
Schaller, S., Paradis, S., Ngoh, G. A., Assaly, R., Buisson, B., Drouot, C., Ostuni, M. A., Lacapere, J.-J., Bassissi, F., Bordet, T., Berdeaux, A., Jones, S. P., Morin, D., & Pruss, R. M. (2010). TRO40303, a new cardioprotective compound, inhibits mitochondrial permeability transition. Journal of Pharmacology and Experimental Therapeutics, 333(3), 696–706. https://doi.org/10.1124/jpet.110.167486 DOI: https://doi.org/10.1124/jpet.110.167486
Stathakopoulou, C., Varlamos, C., Butt, H., Xenogiannis, I., Dragona, V.-M., Benetou, D.-R., Vlachos, S., Pappas, C., Kolokathis, F., Keeble, T. R., & Karamasis, G. V. (2026). Acute coronary occlusion in NSTEMI patients: Prevalence, clinical characteristics and the potential role of artificial intelligence. Medicina, 62(5), Artículo 899. https://doi.org/10.3390/medicina62050899 DOI: https://doi.org/10.3390/medicina62050899
Suárez, M., Gil-Rojas, S., Martínez-Blanco, P., Torres, A. M., Martínez-García, N., Torralba, M., & Mateo, J. (2026). Personalized mortality risk stratification in ALD- and MASLD-related hepatocellular carcinoma using a machine learning approach. Metabolites, 16(1), Artículo 8. https://doi.org/10.3390/metabo16010008 DOI: https://doi.org/10.3390/metabo16010008
Zeng, J., Liu, L., Yuan, Y., Zhu, G., Su, X., Gong, X., & Cui, C. (2025). Construction of a prediction model for perioperative blood transfusion in elderly hip fracture patients: A retrospective study. Perioperative Medicine, 14, Artículo 128. https://doi.org/10.1186/s13741-025-00616-7 DOI: https://doi.org/10.1186/s13741-025-00616-7