Nevárez-Prieto AO

Idioma: Español
Referencias bibliográficas: 6
Paginas: 350-352
Archivo PDF: 886.04 Kb.

FRAGMENTO

INTRODUCCIÓN

El dolor agudo postoperatorio constituye uno de los problemas clínicos más relevantes en el manejo perioperatorio. Se estima que entre 60 y 80% de los pacientes sometidos a procedimientos quirúrgicos experimentan dolor moderado o severo durante el período postoperatorio inmediato, lo que puede afectar la recuperación funcional, prolongar la estancia hospitalaria e incrementar el riesgo de cronificación del dolor. Para los anestesiólogos, identificar de forma temprana a los pacientes con mayor riesgo de desarrollar dolor severo es fundamental para implementar estrategias analgésicas personalizadas.

REFERENCIAS (EN ESTE ARTÍCULO)

1. Gan TJ. Poorly controlled postoperative pain: prevalence, consequences,and prevention. J Pain Res. 2017;10:2287-2298.

2. Tighe PJ, Harle CA, Hurley RW, Aytug H, Boezaart AP, FillingimRB. Teaching a machine to feel postoperative pain: combining highdimensionalclinical data with machine learning algorithms to forecastacute postoperative pain. Pain Med. 2015;16:1386-1401.

3. Schneller T, Cina A, Moroder P, Scheibel M, Lazaridou A. Using deeplearning to predict postoperative pain in reverse shoulder arthroplastypatients. JSES Int. 2025;9:748-755.

4. Fang J, Wu W, Liu J, Zhang S. Deep learning-guided postoperative painassessment in children. Pain. 2023;164:2029-2035.

5. Zhang C, He J, Liang X, Shi Q, Peng L, Wang S, et al. Deep learningmodels for the prediction of acute postoperative pain in PACU forvideo-assisted thoracoscopic surgery. BMC Med Res Methodol.2024;24:232.

6. Liu R, Gutiérrez R, Mather RV, Stone TAD, Santa Cruz MercadoLA, Bharadwaj K, et al. Development and prospective validationof postoperative pain prediction from preoperative EHR data usingattention-based set embeddings. NPJ Digit Med. 2023;6:209.