Hemorragia intraventricular: una «línea dorsal del tronco» en la TC, leída por un modelo de fundación tabular, para predecir la discapacidad a seis meses

Una colaboración de nueve hospitales chinos, coordinada por el Southwest Hospital (Army Medical University), propone la «Brainstem Dorsal Line» (BSDL), un grado semicuantitativo de compresión del tronco encefálico por la sangre del cuarto ventrículo, legible en la TC de ingreso. Combinada con ocho variables clínicas y de imagen y entregada a TabICLv2 — un modelo de fundación para datos tabulares que clasifica «en contexto» sin reentrenamiento clásico — predice un mal desenlace funcional a seis meses con una AUC de 0,90 en validación externa y una calibración correcta. La señal es real y el marcador es ingenioso, pero la validación externa se apoya solo en 118 pacientes de un único país, todo el estudio es retrospectivo, la BSDL aún se gradúa a mano, y la ventaja del modelo elegido sobre sus rivales cabe dentro del ruido estadístico.

El contexto

La hemorragia intracerebral espontánea es uno de los ictus más letales: representa del 10 al 20 % de todos los ictus y sigue siendo la segunda causa de muerte por ictus en el mundo. Cuando la sangre alcanza el sistema ventricular — la hemorragia intraventricular (HIV), que complica del 20 al 60 % de estos sangrados — el pronóstico se ensombrece aún más: la mortalidad a 30 días llega al 40-60 %, y solo una cuarta parte de los supervivientes recuperan la autonomía funcional a seis meses. La recuperación neurológica se juega sobre todo en los primeros tres a seis meses, de ahí el interés de un pronóstico precoz y fiable para orientar la intensidad de los cuidados e informar a las familias.

Las herramientas existentes son toscas. El clínico se apoya en la escala de Glasgow (GCS, que puntúa la profundidad del coma de 3 a 15), el volumen del hematoma, la presencia de hidrocefalia y los scores de Graeb (original, oGS, y modificado, mGS), que cuantifican la carga de sangre en los ventrículos. Estos indicadores provienen sobre todo de análisis univariados y captan mal la fisiopatología multifactorial de la HIV. Sobre todo, no existe un modelo pronóstico diseñado específicamente para la HIV — la mayoría de los trabajos la tratan como una simple variable binaria — ni una forma estandarizada de cuantificar un fenómeno que, sin embargo, es central: el efecto de masa de la sangre del cuarto ventrículo sobre el tronco encefálico, una estructura vital situada justo por delante.

El método

La primera idea del artículo es un marcador de imagen. La Brainstem Dorsal Line se lee en una reconstrucción sagital de la TC de ingreso sin contraste: se traza el contorno dorsal del tronco encefálico y se mide la «distancia de desplazamiento» (shift distance, SD), es decir, la separación perpendicular máxima entre el tronco comprimido y su posición teórica no deformada. De ahí tres grados: grado 0, sin sangre o poca en el cuarto ventrículo, línea recta; grado 1, sangre presente pero sin deformación clara, SD igual o menor a 2 mm; grado 2, hematoma voluminoso que empuja el tronco hacia adelante, SD superior a 2 mm. Dos neurorradiólogos ciegos al desenlace graduaron cada estudio, resolviendo un tercero los desacuerdos.

La BSDL se suma luego a otras ocho variables retenidas por una selección en tres pasos (filtrado univariado, eliminación de variables demasiado correlacionadas y regresión LASSO — un método que pone a cero los coeficientes de las variables menos útiles). Los nueve predictores finales son: grado BSDL, GCS, volumen del hematoma parenquimatoso, volúmenes de sangre en los ventrículos laterales, tercero y cuarto, hidrocefalia aguda, oGS y mGS. El objetivo es el desenlace funcional a seis meses, medido con la escala de Rankin modificada (mRS, de 0 sin síntomas a 6 por muerte) y dicotomizado en favorable (mRS 0-3) o desfavorable (mRS 4-6).

El núcleo algorítmico es TabICLv2 (Tabular In-Context Learning). Es un modelo de fundación para datos tabulares: en vez de entrenarse desde cero sobre la cohorte, fue preentrenado con enormes colecciones de conjuntos de datos tabulares sintéticos, y clasifica a un nuevo paciente por aprendizaje en contexto — se le muestran los ejemplos de entrenamiento y predice en una sola pasada, sin un descenso de gradiente dedicado. Esta familia (a la que también pertenece TabPFN, probado aquí) tiene fama de eficaz precisamente en conjuntos de datos clínicos pequeños. Los autores lo comparan con otros siete modelos: regresión logística, bosque aleatorio, SVM, XGBoost, LightGBM, una red neuronal y TabPFN. La evaluación va más allá de la AUC: incluye la AUPRC (área bajo la curva de precisión-exhaustividad, más honesta cuando los casos positivos son minoría), la calibración (score de Brier, test de Hosmer-Lemeshow), la utilidad clínica mediante análisis de curva de decisión, y la interpretabilidad mediante valores SHAP.

Los resultados

El desarrollo se apoya en 610 pacientes de siete centros, divididos en 488 para el entrenamiento y 122 para la validación interna; la validación externa cubre 118 pacientes de otros dos centros. Los malos desenlaces suponen cerca del 28 % de la cohorte de desarrollo y el 26 % de la cohorte externa. La señal del nuevo marcador salta a la vista ya en la descripción: un grado BSDL 2 afecta al 47,1 % de los pacientes con desenlace desfavorable frente al 4,5 % de los de desenlace favorable.

En la validación externa, TabICLv2 alcanza una AUC de 0,90 (IC 95 % 0,825-0,958), una AUPRC de 0,82, un score de Brier de 0,099, una sensibilidad del 77,4 %, una especificidad del 92,0 % y una exactitud del 88,1 %. La calibración se sostiene: los tests de Hosmer-Lemeshow no son significativos (p = 0,59 interno, p = 0,38 externo), señal de que las probabilidades mostradas se ajustan aproximadamente a las frecuencias observadas — una cualidad que demasiados estudios descuidan. El análisis SHAP sitúa el grado BSDL 2 a la cabeza de las contribuciones, por delante del GCS y del volumen del hematoma parenquimatoso, con una relación dosis-respuesta del grado 0 al grado 2.

Traducido a la clínica, mantengamos la mesura. De 1 000 pacientes con HIV que cumplan los criterios del estudio, unos 260 tendrán un mal desenlace a seis meses. En el umbral elegido, el modelo identificaría correctamente a unos 200, dejaría escapar a unos 60 (declarados como recuperables cuando evolucionarán mal), a costa de unas 60 falsas alarmas (declarados desfavorables cuando se recuperarán). Es una mejora real sobre los scores univariados, pero un modelo que pierde casi una cuarta parte de los malos desenlaces no es un oráculo — y esa cifra describe una discriminación, no una prueba de que el actuar cambie gracias a él.

Lo que está bien

Un marcador concreto, gratuito y fisiológicamente plausible. La BSDL no exige ninguna imagen adicional: se lee en la TC de ingreso que todo paciente ya recibe. Formaliza una intuición clínica — la compresión del tronco encefálico por la sangre del cuarto ventrículo — que hasta ahora carecía de una cuadrícula estandarizada. El contraste bruto (grado 2 en el 47,1 % de los malos desenlaces frente al 4,5 % de los buenos) y su primer lugar en el ranking SHAP muestran que no es un refinamiento cosmético, sino el predictor dominante del modelo.

Una higiene metodológica por encima de la media del campo. Validación externa en dos centros no usados para el entrenamiento, calibración explícitamente medida (Brier, Hosmer-Lemeshow), curvas de decisión para la utilidad clínica, interpretabilidad SHAP y reporte conforme al marco TRIPOD+AI. Muchos modelos pronósticos se quedan en una AUC interna halagüeña; este va claramente más lejos, lo que hace verificables sus afirmaciones.

Un banco de pruebas honesto de los modelos de fundación tabulares. Enfrentar ocho algoritmos, incluidos los recientes TabPFN y TabICLv2, sobre un conjunto de datos clínico pequeño es útil en sí mismo: documenta que el aprendizaje en contexto aguanta en este tipo de tarea, donde se suele creer que el deep learning exige grandes volúmenes. El preprint es de acceso abierto (licencia CC BY 4.0), sin conflictos de interés declarados, financiado con fondos públicos provinciales, y tanto el código como los datos están disponibles a petición.

Lo que está menos bien

Un sesgo de población y una validación externa estrecha. Los 728 pacientes provienen exclusivamente de nueve centros chinos, con criterios de inclusión ajustados: edad 18-80 años, ingreso en UCI, hematoma parenquimatoso igual o menor a 20 ml, autonomía previa casi perfecta (mRS 0-1). La validación «externa» sigue siendo china y solo cuenta con 118 pacientes, de ahí intervalos de confianza amplios (la AUC va de 0,83 a 0,96). Nada garantiza la transferibilidad a otros sistemas de salud, otras poblaciones, otras prácticas neuroquirúrgicas — el sesgo de población clásico, aquí agravado por una muestra de test modesta.

Una ventaja del modelo elegido que cabe en el ruido, y una métrica escaparate. TabICLv2 no aplasta a nadie: en el entrenamiento, TabPFN lo hace algo mejor (AUC 0,820 frente a 0,818); en externo, la red neuronal muestra una AUC superior (0,910) pero una sensibilidad hundida (48 %). Los intervalos de confianza se solapan mucho: presentar a TabICLv2 como el ganador es una elección de compromiso, no una superioridad demostrada (un comparador que relativizar). Y la AUC de 0,90, la cifra más vendible, debe leerse junto a la AUPRC de 0,82 y sobre todo a la sensibilidad del 77 %: casi uno de cada cuatro malos desenlaces pasa bajo el radar (una métrica engañosa).

El riesgo de profecía autocumplida, y un marcador aún artesanal. Predecir el desenlace de una hemorragia grave a partir de marcadores de gravedad plantea el espectro del confusión por indicación: si un tronco encefálico muy comprimido (grado 2) lleva a limitar los cuidados o a rechazar una cirugía, entonces el «mal desenlace» pasa a ser en parte consecuencia de la decisión, no solo de la lesión. Los autores reconocen haber registrado las estrategias de tratamiento sin analizar su interacción con la BSDL — un punto ciego importante para un score destinado, a la larga, a guiar el gesto. Añádase que la BSDL se gradúa a mano por radiólogos (subjetividad, variabilidad interobservador no cuantificada aquí), que aún no existe segmentación automática, y que no hay ni validación prospectiva ni marcado regulatorio.

Lo que cambia

Para la comunidad de investigación, dos aportes. Primero, una pista creíble de que los modelos de fundación tabulares (TabPFN, TabICL) son competitivos en cohortes clínicas pequeñas, lo que podría aliviar la exigencia de volumen de datos. Segundo, un marcador, la BSDL, lo bastante sencillo como para probarse en otros lugares, automatizarse por segmentación y confrontarse con cohortes no chinas. Los siguientes pasos se imponen: validación prospectiva, análisis por subgrupos, consideración de los tratamientos recibidos y automatización de la graduación.

Para los clínicos, hoy no cambia nada: es un modelo de investigación, no desplegado, sin validación prospectiva ni autorización. La BSDL tiene, sin embargo, un valor pedagógico inmediato — nombra y gradúa un fenómeno que el neurocirujano percibe de forma intuitiva — y podría, si se confirma, afinar la mirada sobre una TC de ingreso. La cautela recae en un doble escollo: no convertir un score en un pronóstico fijo, y no dejar que una predicción pesimista decida por sí sola la intensidad de los cuidados.

Para los pacientes y el público, la promesa es legible: dar pronto, a partir de un examen ya realizado, una estimación más justa del desenlace, para informar mejor y asignar mejor los recursos de cuidados intensivos. Pero una estimación no es una sentencia, se aprendió sobre una población concreta, y una herramienta de este tipo nunca debería trasplantarse tal cual a otro contexto sin nueva validación — ni, si un día sirviera para orientar decisiones, escapar a una supervisión como software como dispositivo médico.

Para saber más

El preprint está disponible en medRxiv (DOI 10.64898/2026.07.28.26359173), bajo licencia CC BY 4.0, con código y datos disponibles a petición. Para el contexto, véanse los scores de Graeb (original y modificado) y la escala de Glasgow en la hemorragia intraventricular, la literatura sobre modelos de fundación tabulares (TabPFN, TabICL) y el aprendizaje en contexto, así como el marco de reporte TRIPOD+AI para la evaluación de modelos pronósticos clínicos.