| medida | n QX | n ETE | n TAC | n ETE-QX | n TAC-QX | n completos |
|---|---|---|---|---|---|---|
| GHNF | 28 | 27 | 26 | 27 | 26 | 26 |
| GHCD | 34 | 36 | 35 | 34 | 33 | 33 |
| GHCI | 34 | 36 | 35 | 34 | 33 | 33 |
| GHNC | 36 | 36 | 35 | 36 | 35 | 35 |
| AniMax | 17 | 36 | 31 | 17 | 16 | 16 |
Notas metodológicas para el manuscrito RepAor
Comparación de ETE y TAC frente a QX en reparación aórtica
1 Nota inicial
Estas notas son una versión de trabajo para ordenar los resultados del manuscrito de reparación aórtica. El objetivo no es cerrar aquí la redacción final del artículo, sino dejar claro qué aporta cada análisis y cómo puede contarse de una forma útil para lectura clínica.
El punto principal es separar dos preguntas que se parecen, pero no son iguales. La primera es de acuerdo: cuánto se separan ETE y TAC de la medición quirúrgica QX cuando se miran en milímetros. La segunda es de predicción calibrada: qué combinación de variables permite estimar QX después de ajustar una ecuación.
Con los datos actuales, la lectura general es que ETE parece quedar más cerca de QX como medición directa, mientras que TAC aporta más información predictiva en varias medidas cuando se ajustan modelos lineales. Por eso no conviene presentar el resultado como una competición simple entre técnicas.
1.1 Referencia externa: estudio chino con CTA
La referencia más cercana que tenemos localizada es Fang et al. (2026), del Shanghai Chest Hospital. Ese trabajo utiliza sobre todo Bland-Altman e ICC como análisis de acuerdo. La impresión de una relación casi directa entre TAC y QX probablemente viene de ahí: valores medios muy próximos e ICC altos.
Para nuestro artículo, esa referencia sirve como marco metodológico, pero nuestra pregunta es algo más amplia. En nuestro trabajo no se evalúa solo TAC, sino ETE y TAC frente a QX. Por eso tiene sentido mostrar Bland-Altman, Pearson, CCC e ICC en la parte de acuerdo, y después mantener modelos lineales para estudiar la predicción calibrada.
2 Lectura y preparación de datos
El cuaderno se ejecuta directamente desde el Excel original. Dejo n_pacientes = 36 como parámetro porque así se hicieron los análisis previos. Si se actualiza la base, basta con cambiar ese valor.
2.1 Disponibilidad de medidas
Empiezo por la disponibilidad porque condiciona la lectura de todas las tablas. AniMax tiene menos mediciones QX disponibles, así que sus resultados deben interpretarse con más prudencia.
3 Acuerdo y precisión frente a QX
Este bloque responde a la pregunta más directa desde el punto de vista clínico: cuánto se aparta cada modalidad de QX. Aquí todavía no se corrige nada con una ecuación; se comparan las mediciones tal como están.
Para cada paciente calculo el error como método - QX. Si el resultado es negativo, la modalidad tiende a medir por debajo de QX. Si es positivo, tiende a medir por encima. El MAE resume el error medio sin importar el signo, y el RMSE penaliza más los errores grandes. Los límites de acuerdo de Bland-Altman ayudan a ver hasta dónde pueden llegar los errores individuales, algo importante cuando se piensa en decisiones paciente a paciente.
Incluyo tres medidas complementarias de asociación y concordancia:
- Pearson r: indica si los pacientes se ordenan de forma parecida con el método y con QX. Es útil, pero no implica que ambos valores coincidan.
- CCC de Lin: valora si los puntos siguen una relación lineal y además se acercan a la línea de igualdad. Por eso penaliza el sesgo sistemático.
- ICC de acuerdo absoluto: resume concordancia entre dos mediciones. Lo incluyo porque se usa mucho en estudios de imagen y permite comparar mejor con trabajos previos como Fang et al.
- %<=: da el porcentaje de acuerdos asumiendo una discordancia de 2mm, pero este valor se puede cambiar. Esto nos indica qué porcentaje de pacientes tienen el mismo valor respecto a QX en cada medición tomando un margen de 2mm.
| Medida | Método | n | Sesgo [IC95%] | LoA 95% | MAE [IC95%] | RMSE [IC95%] | Pearson r [IC95%] | CCC [IC95%] | ICC abs. [IC95%] | % <= margen |
|---|---|---|---|---|---|---|---|---|---|---|
| GHNF | ETE | 27 | -3.05 [-4.20, -1.85] | -9.28, 3.18 | 3.39 [2.39, 4.56] | 4.36 [3.17, 5.65] | 0.50 [0.04, 0.75] | 0.28 [0.01, 0.52] | 0.28 [0.04, 0.52] | 44.4 |
| GHNF | TAC | 26 | -3.26 [-4.50, -2.03] | -9.54, 3.02 | 3.79 [2.87, 4.79] | 4.53 [3.46, 5.50] | 0.49 [0.05, 0.76] | 0.24 [0.01, 0.45] | 0.25 [0.03, 0.45] | 30.8 |
| GHCD | ETE | 34 | -1.35 [-2.53, -0.20] | -8.09, 5.40 | 2.65 [1.84, 3.47] | 3.65 [2.47, 4.63] | 0.47 [0.16, 0.71] | 0.44 [0.13, 0.69] | 0.45 [0.11, 0.71] | 64.7 |
| GHCD | TAC | 33 | -2.87 [-3.99, -1.81] | -9.10, 3.36 | 3.60 [2.91, 4.44] | 4.25 [3.27, 5.13] | 0.56 [0.24, 0.77] | 0.41 [0.14, 0.62] | 0.41 [0.15, 0.63] | 33.3 |
| GHCI | ETE | 34 | -0.44 [-1.51, 0.66] | -6.82, 5.95 | 2.56 [1.95, 3.31] | 3.24 [2.45, 4.03] | 0.52 [0.27, 0.72] | 0.51 [0.26, 0.71] | 0.52 [0.26, 0.72] | 58.8 |
| GHCI | TAC | 33 | -2.22 [-3.11, -1.36] | -7.57, 3.12 | 2.92 [2.31, 3.55] | 3.49 [2.76, 4.09] | 0.69 [0.55, 0.81] | 0.57 [0.41, 0.70] | 0.57 [0.42, 0.70] | 42.4 |
| GHNC | ETE | 36 | -2.31 [-3.46, -1.35] | -8.59, 3.98 | 2.94 [2.19, 3.82] | 3.91 [2.91, 4.96] | 0.40 [-0.01, 0.68] | 0.26 [-0.01, 0.54] | 0.26 [-0.02, 0.52] | 50.0 |
| GHNC | TAC | 35 | -3.11 [-4.04, -2.16] | -8.97, 2.74 | 3.51 [2.78, 4.39] | 4.28 [3.33, 5.31] | 0.51 [0.17, 0.74] | 0.28 [0.06, 0.48] | 0.28 [0.08, 0.46] | 37.1 |
| AniMax | ETE | 17 | 2.68 [1.53, 3.82] | -2.24, 7.59 | 2.91 [1.94, 4.00] | 3.62 [2.45, 4.74] | 0.69 [0.32, 0.89] | 0.50 [0.19, 0.72] | 0.50 [0.19, 0.74] | 47.1 |
| AniMax | TAC | 16 | 4.69 [2.98, 6.38] | -2.42, 11.81 | 4.82 [3.31, 6.53] | 5.86 [4.10, 7.47] | 0.68 [0.34, 0.86] | 0.40 [0.15, 0.61] | 0.41 [0.15, 0.59] | 25.0 |
| Nota. Sesgo = método - QX. LoA = límites de acuerdo de Bland-Altman. Pearson resume asociación lineal; CCC e ICC absoluto resumen concordancia/acuerdo. El margen clínico mostrado es <= 2 mm; conviene contrastarlo con el equipo de cardiología. |
3.1 Lectura de la tabla de acuerdo
La tabla apunta a un patrón bastante estable: ETE suele presentar menor error absoluto que TAC. Esto se aprecia en el MAE, en el RMSE y en el porcentaje de casos dentro del margen de 2 mm. Dicho en otras palabras, cuando se miran los valores crudos, ETE queda más cerca de QX en la mayoría de medidas.
TAC no queda descartado por esto. En varias medidas muestra correlaciones razonables, especialmente en GHCI, lo que indica que ordena bien a los pacientes. La diferencia es importante: ordenar bien no siempre significa medir igual. Por eso Pearson puede ser aceptable mientras que CCC, ICC, MAE o Bland-Altman muestran limitaciones de acuerdo.
En GHNF, GHCD, GHCI y GHNC, las dos modalidades tienden a medir por debajo de QX, aunque el desplazamiento suele ser mayor con TAC. En AniMax aparece el patrón contrario: ETE y TAC tienden a sobreestimar, sobre todo TAC. Este cambio de dirección justifica tratar AniMax con prudencia y no mezclarlo sin más con el resto de medidas.
3.2 Cómo leer los Bland-Altman
Cada panel compara una modalidad con QX. El eje horizontal representa el tamaño medio de la medición y el eje vertical muestra el error. La línea central es el sesgo medio: si está por debajo de cero, el método suele infraestimar; si está por encima, suele sobreestimar. Las líneas discontinuas muestran los límites de acuerdo del 95%.
Para interpretarlo correctamente, primero hay que mirar si la línea central está cerca de cero. Segundo, hay que mirar la amplitud entre los límites discontinuos. Una modalidad puede tener poco sesgo medio, pero errores individuales amplios; en ese caso, el promedio parece aceptable, pero la precisión paciente a paciente puede ser limitada.
En estos datos los Bland-Altman refuerzan la idea de que ETE tiene mejor comportamiento como medición directa. Aun así, los límites de acuerdo son relativamente amplios en varias medidas, por lo que conviene evitar expresiones de intercambiabilidad estricta entre imagen y QX.
4 Modelos lineales seleccionados y fórmulas
Después de mirar el acuerdo de las mediciones crudas, el segundo bloque pregunta otra cosa: qué valor de QX se obtiene si se calibra una ecuación con ETE, con TAC o con ambos. Aquí el interés no es si la medición coincide directamente con QX, sino si ayuda a estimarlo después de ajustar un modelo lineal.
Para evitar comparaciones engañosas, dentro de cada medida uso siempre el mismo conjunto de casos completos (QX + ETE + TAC). Así, los modelos con ETE, TAC o ETE + TAC compiten con los mismos pacientes.
Modelos comparados:
QXᵢ = β₀ + β₁·ETEᵢ + εᵢ
QXᵢ = β₀ + β₁·TACᵢ + εᵢ
QXᵢ = β₀ + β₁·ETEᵢ + β₂·TACᵢ + εᵢLa validación cruzada queda en anexos. Desde el punto de vista de análisis predictivo es razonable incluirla, especialmente con muestras pequeñas, pero no la coloco como eje del cuerpo principal porque no es una métrica tan familiar en lectura clínica. En esta sección dejo el rendimiento aparente y las fórmulas en unidades originales.
| Medida | Modelo | n | R² adj. | RMSE ap. | MAE ap. | AIC | BIC | Lectura |
|---|---|---|---|---|---|---|---|---|
| GHNF | Completo | 26 | .265 | 2.97 | 2.31 | 138.34 | 143.38 | El modelo con ETE y TAC mejora algo, pero la ventaja es limitada. |
| GHCD | Solo TAC | 33 | .288 | 2.82 | 2.05 | 168.02 | 172.51 | TAC solo conserva prácticamente el mismo rendimiento que el modelo completo. |
| GHCI | Completo | 33 | .514 | 2.38 | 1.89 | 158.87 | 164.86 | Es la medida en la que combinar ETE y TAC aporta una mejora más clara. |
| GHNC | Solo TAC | 35 | .235 | 2.93 | 2.30 | 180.52 | 185.19 | TAC solo ofrece una solución más simple que el modelo completo. |
| AniMax | Solo ETE | 16 | .423 | 2.46 | 2.04 | 80.28 | 82.59 | Modelo simple, con lectura prudente por el menor número de QX disponibles. |
| Medida | Modelo | Fórmula predictiva |
|---|---|---|
| GHNF | Completo | QX estimada = -1.162 + 0.600·ETE + 0.615·TAC |
| GHCD | Solo TAC | QX estimada = 10.208 + 0.581·TAC |
| GHCI | Completo | QX estimada = 2.294 + 0.338·ETE + 0.625·TAC |
| GHNC | Solo TAC | QX estimada = 6.155 + 0.847·TAC |
| AniMax | Solo ETE | QX estimada = 2.141 + 0.837·ETE |
| Nota. Las fórmulas usan coeficientes no estandarizados, en unidades originales. Las betas estandarizadas no deben usarse para predicción clínica directa. |
Estas fórmulas no deben leerse como una herramienta clínica validada. Son la traducción de los modelos observados en esta muestra. Sirven para explicar la dirección y el tamaño de la corrección que hace cada modelo cuando intenta estimar QX.
En GHCI, la ecuación combinada es la más convincente porque ETE y TAC aportan información complementaria. En GHCD y GHNC, TAC solo mantiene una solución más simple. En GHNF el modelo completo mejora, pero no de forma contundente. En AniMax el modelo simple con ETE es razonable, con la limitación del menor tamaño muestral.
4.1 Nota sobre b y Beta
Las fórmulas predictivas usan coeficientes no estandarizados (b). Son los que están en las unidades originales y, por tanto, los que sirven para calcular una QX estimada a partir de ETE y/o TAC.
Las betas estandarizadas (Beta) responden a otra pregunta. Sirven para comparar el peso relativo de ETE y TAC dentro de un mismo modelo, porque expresan los cambios en desviaciones típicas y no en milímetros. Son útiles para decir qué predictor pesa más, pero no para construir una fórmula clínica directa.
En el texto del artículo usaría b para fórmulas e interpretación en unidades originales, y Beta solo para comparar la importancia relativa de ETE y TAC.
5 Modelo mixto global
El modelo mixto lo mantengo como análisis secundario. Resume el patrón global usando todas las medidas en formato largo y teniendo en cuenta que un mismo paciente puede aportar varias observaciones. No sustituye a los modelos por medida, porque GHNF, GHCD, GHCI, GHNC y AniMax no tienen el mismo significado clínico.
Antes de ajustar el modelo, QX, ETE y TAC se estandarizan dentro de cada medida. Esto permite comparar el peso global de ETE y TAC sin mezclar escalas anatómicas distintas.
Modelo ajustado:
QX_zij = β₀ + β₁·ETE_zij + β₂·TAC_zij + γ_m·medida_mij + u_i + ε_ijEn esta notación, u_i es el intercepto aleatorio del paciente. Dicho de forma práctica: el modelo permite que cada paciente tenga un nivel basal propio, y luego estima el efecto medio de ETE, TAC y la medida anatómica.
| Efecto | b | SE | IC95% | p |
|---|---|---|---|---|
| Intercepto | .038 | .147 | -.255, .330 | .799 |
| ETE estandarizado | .145 | .074 | -.001, .291 | .052 |
| TAC estandarizado | .458 | .067 | .326, .590 | <.001 |
| medidaGHCD | -.057 | .152 | -.358, .244 | .708 |
| medidaGHCI | -.057 | .152 | -.358, .244 | .708 |
| medidaGHNC | -.038 | .149 | -.333, .257 | .801 |
| medidaAniMax | .100 | .187 | -.270, .470 | .594 |
Componentes aleatorios: varianza del intercepto por paciente = .304; varianza residual = .319. R² marginal = .323; R² condicional = .653.
La lectura es bastante directa. En el modelo global, TAC estandarizado tiene una pendiente claramente mayor que ETE estandarizado. Esto significa que, una vez calibrado el modelo y considerada la estructura repetida por paciente, TAC aporta más señal predictiva global. ETE queda en una zona más limítrofe: aporta información, pero con menos fuerza y con más incertidumbre.
Esto no contradice el bloque de acuerdo. Lo que indica es que ETE puede estar más cerca de QX como medición cruda, mientras que TAC puede ser más útil para predecir QX después de calibrar una ecuación. Son preguntas distintas y conviene mantenerlas separadas en el artículo.
El R² marginal resume lo explicado por los predictores del modelo. El R² condicional añade lo que se captura al permitir diferencias basales entre pacientes. Cuando el R² condicional es claramente mayor que el marginal, como ocurre aquí, parte de la estructura de los datos depende de diferencias entre pacientes que el modelo reconoce mediante el intercepto aleatorio.
6 Interpretación integrada para redactar Resultados
La interpretación que mejor resume los resultados es: ETE muestra mejor acuerdo directo con QX como medición cruda, mientras que TAC conserva mayor utilidad como predictor calibrable en varias medidas.
En la redacción del artículo conviene evitar frases absolutas del tipo “un método es mejor que otro” sin aclarar el criterio. Si el criterio es cercanía directa a QX, ETE sale favorecido. Si el criterio es estimar QX mediante una ecuación ajustada, TAC gana peso, sobre todo en GHCD y GHNC, y contribuye claramente en GHCI.
La combinación ETE + TAC queda más defendible en GHCI. En GHNF también mejora algo, pero la ganancia es modesta. AniMax debe presentarse con más cautela por el menor número de QX disponibles.
7 Materiales suplementarios
Los anexos dejan documentados los modelos alternativos, la validación interna, la influencia de casos concretos y los análisis que no aportan suficiente señal para el cuerpo principal.
| ID | Material | Contenido |
|---|---|---|
| S1 | Modelos completos | Modelos Solo ETE, Solo TAC y Completo por medida. |
| S2 | Coeficientes completos | Coeficientes no estandarizados y betas estandarizadas. |
| S3 | Validación cruzada LOOCV | RMSE, MAE y R² LOOCV para todos los modelos. |
| S4 | Discordancia TAC-ETE | Valor incremental de la discordancia sobre la media de métodos. |
| S5 | Diagnósticos | Residuos, leverage y distancia de Cook. |
| S6 | Sensibilidad | Modelos seleccionados excluyendo casos influyentes. |
| S7 | Bland-Altman individuales | Paneles por medida y modalidad. |
| S8 | Tolerancias alternativas | Porcentaje dentro de ±1, ±2 y ±3 mm. |
7.1 S1. Modelos completos
| Medida | Modelo | n | R2 | R2 adj. | AIC | BIC | RMSE | MAE | p |
|---|---|---|---|---|---|---|---|---|---|
| GHNF | Solo ETE | 26 | .255 | .224 | 138.85 | 142.62 | 3.11 | 2.48 | .009 |
| GHNF | Solo TAC | 26 | .242 | .211 | 139.29 | 143.06 | 3.14 | 2.47 | .011 |
| GHNF | Completo | 26 | .323 | .265 | 138.34 | 143.38 | 2.97 | 2.31 | .011 |
| GHCD | Solo ETE | 33 | .225 | .200 | 171.86 | 176.35 | 2.99 | 2.24 | .005 |
| GHCD | Solo TAC | 33 | .310 | .288 | 168.02 | 172.51 | 2.82 | 2.05 | <.001 |
| GHCD | Completo | 33 | .337 | .292 | 168.72 | 174.70 | 2.76 | 2.04 | .002 |
| GHCI | Solo ETE | 33 | .262 | .239 | 172.74 | 177.23 | 3.03 | 2.35 | .002 |
| GHCI | Solo TAC | 33 | .474 | .457 | 161.59 | 166.08 | 2.56 | 2.12 | <.001 |
| GHCI | Completo | 33 | .544 | .514 | 158.87 | 164.86 | 2.38 | 1.89 | <.001 |
| GHNC | Solo ETE | 35 | .156 | .130 | 185.01 | 189.67 | 3.12 | 2.43 | .019 |
| GHNC | Solo TAC | 35 | .257 | .235 | 180.52 | 185.19 | 2.93 | 2.30 | .002 |
| GHNC | Completo | 35 | .285 | .241 | 181.17 | 187.39 | 2.87 | 2.31 | .005 |
| AniMax | Solo ETE | 16 | .461 | .423 | 80.28 | 82.59 | 2.46 | 2.04 | .004 |
| AniMax | Solo TAC | 16 | .469 | .431 | 80.04 | 82.36 | 2.45 | 2.05 | .003 |
| AniMax | Completo | 16 | .503 | .427 | 80.98 | 84.07 | 2.37 | 1.88 | .011 |
7.2 S2. Coeficientes completos: b y Beta
| Medida | Modelo | Término | b | SE | IC95% | p |
|---|---|---|---|---|---|---|
| GHNF | Solo ETE | Intercepto | 5.273 | 6.418 | -7.974, 18.519 | .419 |
| GHNF | Solo ETE | ETE | .897 | .313 | .251, 1.543 | .009 |
| GHNF | Solo TAC | Intercepto | 3.767 | 7.180 | -11.051, 18.585 | .605 |
| GHNF | Solo TAC | TAC | .975 | .352 | .249, 1.702 | .011 |
| GHNF | Completo | Intercepto | -1.162 | 7.539 | -16.758, 14.435 | .879 |
| GHNF | Completo | ETE | .600 | .361 | -.148, 1.348 | .110 |
| GHNF | Completo | TAC | .615 | .403 | -.219, 1.449 | .141 |
| GHCD | Solo ETE | Intercepto | 11.142 | 3.122 | 4.775, 17.509 | .001 |
| GHCD | Solo ETE | ETE | .485 | .162 | .155, .815 | .005 |
| GHCD | Solo TAC | Intercepto | 10.208 | 2.768 | 4.562, 15.854 | <.001 |
| GHCD | Solo TAC | TAC | .581 | .156 | .263, .898 | <.001 |
| GHCD | Completo | Intercepto | 8.518 | 3.159 | 2.066, 14.970 | .011 |
| GHCD | Completo | ETE | .213 | .194 | -.183, .610 | .281 |
| GHCD | Completo | TAC | .445 | .198 | .041, .850 | .032 |
| GHCI | Solo ETE | Intercepto | 8.272 | 3.591 | .948, 15.596 | .028 |
| GHCI | Solo ETE | ETE | .602 | .181 | .232, .971 | .002 |
| GHCI | Solo TAC | Intercepto | 6.744 | 2.561 | 1.520, 11.968 | .013 |
| GHCI | Solo TAC | TAC | .746 | .141 | .458, 1.035 | <.001 |
| GHCI | Completo | Intercepto | 2.294 | 3.188 | -4.217, 8.806 | .477 |
| GHCI | Completo | ETE | .338 | .157 | .017, .659 | .040 |
| GHCI | Completo | TAC | .625 | .145 | .328, .921 | <.001 |
| GHNC | Solo ETE | Intercepto | 8.885 | 5.773 | -2.860, 20.629 | .133 |
| GHNC | Solo ETE | ETE | .685 | .278 | .120, 1.250 | .019 |
| GHNC | Solo TAC | Intercepto | 6.155 | 5.025 | -4.069, 16.379 | .229 |
| GHNC | Solo TAC | TAC | .847 | .251 | .337, 1.357 | .002 |
| GHNC | Completo | Intercepto | 2.389 | 6.029 | -9.892, 14.671 | .695 |
| GHNC | Completo | ETE | .334 | .298 | -.273, .940 | .271 |
| GHNC | Completo | TAC | .690 | .286 | .107, 1.274 | .022 |
| AniMax | Solo ETE | Intercepto | 2.141 | 7.157 | -13.209, 17.491 | .769 |
| AniMax | Solo ETE | ETE | .837 | .242 | .319, 1.356 | .004 |
| AniMax | Solo TAC | Intercepto | 11.788 | 4.321 | 2.520, 21.055 | .016 |
| AniMax | Solo TAC | TAC | .477 | .136 | .186, .768 | .003 |
| AniMax | Completo | Intercepto | 5.599 | 7.856 | -11.374, 22.571 | .489 |
| AniMax | Completo | ETE | .431 | .456 | -.554, 1.416 | .362 |
| AniMax | Completo | TAC | .270 | .258 | -.286, .827 | .313 |
| Medida | Modelo | Término | Beta | SE | IC95% | p |
|---|---|---|---|---|---|---|
| GHNF | Solo ETE | ETE | .505 | .176 | .141, .869 | .009 |
| GHNF | Solo TAC | TAC | .492 | .178 | .126, .859 | .011 |
| GHNF | Completo | ETE | .338 | .204 | -.083, .759 | .110 |
| GHNF | Completo | TAC | .310 | .204 | -.111, .731 | .141 |
| GHCD | Solo ETE | ETE | .474 | .158 | .152, .797 | .005 |
| GHCD | Solo TAC | TAC | .557 | .149 | .252, .861 | <.001 |
| GHCD | Completo | ETE | .209 | .190 | -.179, .596 | .281 |
| GHCD | Completo | TAC | .427 | .190 | .039, .815 | .032 |
| GHCI | Solo ETE | ETE | .512 | .154 | .198, .827 | .002 |
| GHCI | Solo TAC | TAC | .688 | .130 | .423, .954 | <.001 |
| GHCI | Completo | ETE | .288 | .134 | .014, .561 | .040 |
| GHCI | Completo | TAC | .576 | .134 | .303, .850 | <.001 |
| GHNC | Solo ETE | ETE | .394 | .160 | .069, .720 | .019 |
| GHNC | Solo TAC | TAC | .507 | .150 | .202, .812 | .002 |
| GHNC | Completo | ETE | .192 | .171 | -.157, .541 | .271 |
| GHNC | Completo | TAC | .413 | .171 | .064, .762 | .022 |
| AniMax | Solo ETE | ETE | .679 | .196 | .258, 1.100 | .004 |
| AniMax | Solo TAC | TAC | .685 | .195 | .267, 1.103 | .003 |
| AniMax | Completo | ETE | .350 | .370 | -.450, 1.149 | .362 |
| AniMax | Completo | TAC | .388 | .370 | -.411, 1.187 | .313 |
7.3 S3. Validación cruzada LOOCV
LOOCV queda en el suplemento. En análisis predictivo es útil disponer de alguna validación cruzada para no depender solo del rendimiento aparente, especialmente con muestras pequeñas. Al no ser una métrica habitual en lectura clínica, queda como control metodológico y no como eje del resultado principal.
| Medida | Modelo | n | n pred. | RMSE | MAE | R2 |
|---|---|---|---|---|---|---|
| GHNF | Solo ETE | 26 | 26 | 3.32 | 2.67 | .152 |
| GHNF | Solo TAC | 26 | 26 | 3.39 | 2.69 | .117 |
| GHNF | Completo | 26 | 26 | 3.25 | 2.56 | .188 |
| GHCD | Solo ETE | 33 | 33 | 3.19 | 2.39 | .114 |
| GHCD | Solo TAC | 33 | 33 | 3.02 | 2.21 | .205 |
| GHCD | Completo | 33 | 33 | 3.01 | 2.25 | .212 |
| GHCI | Solo ETE | 33 | 33 | 3.18 | 2.49 | .185 |
| GHCI | Solo TAC | 33 | 33 | 2.73 | 2.26 | .399 |
| GHCI | Completo | 33 | 33 | 2.58 | 2.07 | .466 |
| GHNC | Solo ETE | 35 | 35 | 3.34 | 2.60 | .034 |
| GHNC | Solo TAC | 35 | 35 | 3.13 | 2.46 | .152 |
| GHNC | Completo | 35 | 35 | 3.15 | 2.55 | .141 |
| AniMax | Solo ETE | 16 | 16 | 2.84 | 2.36 | .286 |
| AniMax | Solo TAC | 16 | 16 | 2.85 | 2.37 | .282 |
| AniMax | Completo | 16 | 16 | 2.92 | 2.31 | .245 |
7.4 S4. Discordancia TAC-ETE
La discordancia se define como TAC - ETE, y la media de métodos como (TAC + ETE) / 2. El modelo con media + discordancia es una reparametrización del modelo completo, así que lo relevante es si la discordancia añade algo clínicamente interpretable sobre la media.
| Medida | R² media | R² media + disc. | Delta R² | F | p |
|---|---|---|---|---|---|
| GHNF | .323 | .323 | .000 | 0.000 | .983 |
| GHCD | .327 | .337 | .010 | 0.431 | .516 |
| GHCI | .524 | .544 | .020 | 1.297 | .264 |
| GHNC | .274 | .285 | .011 | 0.500 | .485 |
| AniMax | .501 | .503 | .002 | 0.055 | .819 |
7.5 S5. Diagnósticos de residuos e influencia
| medida | modelo | n | p | Cook>4/n | Lev>2p/n | |stud|>3 | n influyentes | Cook max | |stud| max |
|---|---|---|---|---|---|---|---|---|---|
| GHNF | Completo | 26 | 3 | 1 | 2 | 0 | 2 | 0.173 | 2.769 |
| GHCD | Solo TAC | 33 | 2 | 3 | 2 | 0 | 3 | 0.278 | 2.577 |
| GHCI | Completo | 33 | 3 | 0 | 2 | 0 | 2 | 0.110 | 2.601 |
| GHNC | Solo TAC | 35 | 2 | 4 | 3 | 0 | 5 | 0.238 | 2.498 |
| AniMax | Solo ETE | 16 | 2 | 1 | 1 | 0 | 1 | 0.501 | 2.490 |
7.6 S6. Sensibilidad excluyendo casos influyentes
| Medida | Modelo | n inicial | n excluidos | n sensibilidad | R²adj antes | R²adj desp. | RMSE antes | RMSE desp. | MAE desp. | Max cambio coef. |
|---|---|---|---|---|---|---|---|---|---|---|
| GHNF | Completo | 26 | 2 | 24 | .265 | .135 | 2.97 | 3.01 | 2.35 | 1.842 |
| GHCD | Solo TAC | 33 | 3 | 30 | .288 | .256 | 2.82 | 2.66 | 1.85 | 1.105 |
| GHCI | Completo | 33 | 2 | 31 | .514 | .508 | 2.38 | 2.39 | 1.93 | 0.774 |
| GHNC | Solo TAC | 35 | 5 | 30 | .235 | .354 | 2.93 | 2.54 | 1.92 | 9.904 |
| AniMax | Solo ETE | 16 | 1 | 15 | .423 | .184 | 2.46 | 2.41 | 1.98 | 6.833 |
7.7 S7. Bland-Altman individuales
La Figura 1 ya actúa como panel Bland-Altman por medida y modalidad. Si hace falta, se puede exportar como figura suplementaria de alta resolución.
7.8 S8. Tolerancias alternativas
| Medida | Método | <=1 mm | <=2 mm | <=3 mm |
|---|---|---|---|---|
| GHNF | ETE | 22.2 | 44.4 | 59.3 |
| GHNF | TAC | 19.2 | 30.8 | 46.2 |
| GHCD | ETE | 35.3 | 64.7 | 73.5 |
| GHCD | TAC | 9.1 | 33.3 | 51.5 |
| GHCI | ETE | 32.4 | 58.8 | 73.5 |
| GHCI | TAC | 24.2 | 42.4 | 60.6 |
| GHNC | ETE | 33.3 | 50.0 | 66.7 |
| GHNC | TAC | 20.0 | 37.1 | 51.4 |
| AniMax | ETE | 29.4 | 47.1 | 58.8 |
| AniMax | TAC | 18.8 | 25.0 | 43.8 |
| Nota. El umbral principal de tolerancia debe contrastarse con el equipo de cardiología. |
8 Referencias recomendadas
Bland, J. M., & Altman, D. G. (1986). Statistical methods for assessing agreement between two methods of clinical measurement. The Lancet, 327(8476), 307-310.
Bland, J. M., & Altman, D. G. (1999). Measuring agreement in method comparison studies. Statistical Methods in Medical Research, 8(2), 135-160.
Fang, L., Zheng, Y., Zhao, N., Dai, H., Zhang, X., Dang, X., Wang, Y., Ma, W., Jiao, J., Xing, J., Ma, L., Zhu, D., & Kong, Y. (2026). The use of root computed tomography angiography as morphological evaluation for aortic valve repair and valve sparing aortic root replacement. European Journal of Cardio-Thoracic Surgery, 68(2), ezaf479. https://doi.org/10.1093/ejcts/ezaf479
Harrell, F. E. (2015). Regression modeling strategies (2nd ed.). Springer.
McCulloch, C. E., Searle, S. R., & Neuhaus, J. M. (2008). Generalized, linear, and mixed models (2nd ed.). Wiley.
Steyerberg, E. W. (2019). Clinical prediction models (2nd ed.). Springer.
Yang, T., Wen, H., El-Hamamsy, I., Ni, Q., Sun, Y., & Zhu, D. (2021). Relationship between leaflets and root in normal aortic valve based on computed tomography imaging: Implication for aortic valve repair. Frontiers in Cardiovascular Medicine, 8, 731440. https://doi.org/10.3389/fcvm.2021.731440