INTELIGENCIA ARTIFICIAL APLICADA A LA
PLANIFICACIÓN PREOPERATORIA DE LA
RECONSTRUCCIÓN MAMARIA AUTÓLOGA:
REVISIÓN SISTEMÁTICA
ARTIFICIAL INTELLIGENCE APPLIED TO PREOPERATIVE
PLANNING FOR AUTOLOGOUS BREAST
RECONSTRUCTION: A SYSTEMATIC REVIEW
Mateo José González Dávila
Hospital General Docente Vicente Corral Moscoso, Ecuador
Santiago David Dutan Amay
Universidad de Cuenca, Ecuador
Diego Xavier Gutiérrez Ramón
Universidad de Cuenca, Ecuador
María José Arévalo Abad
Hospital General Docente Vicente Corral Moscoso, Ecuador
Diego Alejandro Espinoza Marin
Universidad de Cuenca, Ecuador
pág. 805
DOI: https://doi.org/10.37811/cl_rcm.v10i5.25945
Inteligencia Artificial aplicada a la Planificación Preoperatoria de la
Reconstrucción Mamaria Autóloga: Revisión Sistemática
Mateo José González Dávila1
mateojgonzalezd@gmail.com
https://orcid.org/0009-0001-1303-4360
Departamento de Cirugía, Hospital General
Docente Vicente Corral Moscoso
Ecuador
Santiago David Dutan Amay
santiago.dutana@ucuenca.edu.ec
https://orcid.org/0000-0002-3847-0554
Universidad de Cuenca
Ecuador
Diego Xavier Gutiérrez Ramón
dieg_gr_10@hotmail.com
https://orcid.org/0000-0001-6560-5711
Universidad de Cuenca
Ecuador
María José Arévalo Abad
majo.231066@gmail.com
https://orcid.org/0009-0009-2151-8072
Hospital General Docente Vicente Corral
Moscoso
Ecuador
Diego Alejandro Espinoza Marin
Diego.espinozam@ucuenca.edu.ec
https://orcid.org/0009-0008-7758-9729
Universidad de Cuenca
Ecuador
RESUMEN
Se realizó una revisión sistemática para sintetizar la evidencia clínica sobre las aplicaciones de
inteligencia artificial (IA) en reconstrucción mamaria, con énfasis en la planificación preoperatoria de
colgajos autólogos. Se siguieron las recomendaciones PRISMA 2020 y se realizaron búsquedas en
PubMed/MEDLINE, Scopus y Cochrane Library entre 2015 y 2026. Se incluyeron estudios originales
con resultados cuantitativos y, debido a la heterogeneidad metodológica, se efectuó una síntesis
narrativa. Se analizaron 16 estudios. En reconstrucción autóloga, los algoritmos de visión computacional
y aprendizaje profundo permitieron automatizar el mapeo vascular, reducir el tiempo de análisis y
obtener mediciones anatómicas reproducibles, aunque persistieron limitaciones en vasos de pequeño
calibre. Los modelos pronósticos mostraron un rendimiento variable para falla de colgajo,
complicaciones y resultados reportados por las pacientes. Las redes neuronales aplicadas a evaluación
estética alcanzaron alta precisión, mientras que los modelos de lenguaje mostraron utilidad en educación
y apoyo a decisiones estructuradas. No se identificó evidencia prospectiva multicéntrica que demostrara
reducción de necrosis, pérdida del colgajo o reintervenciones. La IA muestra utilidad como herramienta
complementaria, pero aún requiere validación externa y estudios clínicos prospectivos antes de su
incorporación rutinaria.
Palabras clave: inteligencia artificial, mamoplastia, colgajo perforante, aprendizaje automático,
aprendizaje profundo
1
Autor principal
Correspondencia: mateojgonzalezd@gmail.com
pág. 806
Artificial intelligence applied to preoperative planning for autologous
breast reconstruction: a systematic review
ABSTRACT
A systematic review was conducted to synthesize the clinical evidence on artificial intelligence (AI)
applications in breast reconstruction, with particular emphasis on preoperative planning for autologous
flaps. The review followed PRISMA 2020 recommendations, and searches were performed in
PubMed/MEDLINE, Scopus, and the Cochrane Library for studies published between 2015 and 2026.
Original studies reporting quantitative outcomes were included, and a narrative synthesis was
undertaken because of methodological heterogeneity. Sixteen studies were analyzed. In autologous
reconstruction, computer vision and deep learning algorithms automated vascular mapping, reduced
image-analysis time, and provided reproducible anatomical measurements, although performance
remained limited for small-caliber vessels. Prognostic models showed variable performance for flap
failure, complications, and patient-reported outcomes. Neural networks used for aesthetic assessment
achieved high accuracy, whereas language models showed potential for patient education and support
in structured decision-making. No prospective multicenter evidence demonstrated reductions in flap
necrosis, flap loss, or reoperation attributable to AI. Current evidence supports AI as an adjunctive tool,
but external validation and prospective clinical studies are still required before routine implementation.
Keywords: artificial intelligence, mammaplasty, perforator flap, machine learning, deep learning
Artículo recibido 15 julio 2023
Aceptado para publicación: 15 agosto 2023
pág. 807
INTRODUCCIÓN
La reconstrucción mamaria posterior a mastectomía puede realizarse con implantes, tejido autólogo o
mediante técnicas combinadas. La elección depende de factores oncológicos, características anatómicas,
antecedentes quirúrgicos y preferencias de la paciente. Entre las alternativas disponibles, la
reconstrucción autóloga ofrece la posibilidad de utilizar tejido propio para restaurar el volumen y el
contorno mamario, con resultados favorables en satisfacción y calidad de vida en comparación con
algunas modalidades protésicas (Broyles et al., 2022; Garza et al., 2021).
Dentro de las técnicas autólogas, el colgajo de perforante de la arteria epigástrica inferior profunda
(DIEP, deep inferior epigastric perforator) permite transferir piel y tejido adiposo del abdomen inferior
preservando, en gran medida, el músculo recto abdominal. Su ejecución depende de una adecuada
selección de las perforantes, cuya anatomía puede variar en calibre, localización y trayecto
intramuscular; estas diferencias condicionan la estrategia quirúrgica y pueden influir en la perfusión del
colgajo y en determinados resultados posoperatorios (Aravind et al., 2023; Saldanha et al., 2022).
La planificación preoperatoria mediante angiografía por tomografía computarizada, angiografía por
resonancia magnética o ultrasonografía Doppler facilita la identificación de perforantes y la anticipación
de su recorrido anatómico. La evidencia disponible sugiere que el mapeo preoperatorio puede reducir el
tiempo operatorio y mejorar la concordancia entre los vasos identificados en las imágenes y aquellos
seleccionados durante la cirugía, aunque persisten diferencias metodológicas entre los estudios y una
calidad de evidencia variable (Kiely et al., 2021; Wade et al., 2018).
La interpretación convencional de estas imágenes requiere localizar los vasos, seguir su trayecto, estimar
su calibre y establecer su relación con referencias anatómicas. Los sistemas computacionales y, más
recientemente, los modelos de inteligencia artificial han comenzado a automatizar parte de este proceso.
Estudios iniciales demostraron errores espaciales pequeños en la identificación de perforantes y una
reducción importante del tiempo dedicado al análisis de la angio-TC; los modelos de aprendizaje
profundo han ampliado estas aplicaciones hacia la segmentación vascular y la extracción automatizada
de parámetros anatómicos útiles para la planificación del colgajo (Andrade et al., 2026; Araújo et al.,
2019; Maita et al., 2024; Mavioso et al., 2020).
pág. 808
A pesar de estos avances, la evidencia continúa centrada principalmente en métricas de rendimiento
técnico, como precisión, segmentación o tiempo de procesamiento, mientras que el efecto sobre
desenlaces clínicos, tiempo de isquemia, reintervenciones, necrosis o pérdida del colgajo, sigue siendo
menos claro (El Hachem & Ibrahim, 2026; Maita et al., 2024). Por ello, el objetivo de esta revisión
sistemática fue sintetizar la evidencia disponible sobre la aplicación de inteligencia artificial en la
planificación preoperatoria de la reconstrucción mamaria autóloga, con énfasis en el mapeo vascular, la
identificación de perforantes, el rendimiento de los modelos y su posible repercusión sobre los resultados
quirúrgicos.
METODOLOGÍA
Diseño de estudio
La revisión se estructuró conforme a la declaración PRISMA 2020, que organiza el reporte de la
identificación, cribado, elegibilidad e inclusión de estudios y exige transparencia sobre las razones de
exclusión a texto completo (Page et al., 2021).
Pregunta de investigación
En mujeres adultas candidatas a reconstrucción mamaria, especialmente reconstrucción autóloga con
colgajos libres (P), ¿la utilización de IA, aprendizaje automático, aprendizaje profundo, visión
computacional o herramientas algorítmicas de apoyo (I), comparada con evaluación convencional,
lectura radiológica, decisión multidisciplinaria o referencia experta (C), mejora la precisión del mapeo,
la eficiencia de la planificación, la predicción de resultados o la evaluación clínica (O)?
Componente
Definición
P – Población
Mujeres adultas candidatas a reconstrucción mamaria, con énfasis en colgajos autólogos
DIEP/DIEAP.
I – Intervención
IA, machine learning, deep learning, computer vision, modelos generativos o sistemas
computacionales automatizados aplicados a planificación, predicción o evaluación
reconstructiva.
C – Comparación
Planificación manual, interpretación radiológica, modelos estadísticos convencionales,
evaluación humana, comité multidisciplinario o estándar de referencia del estudio.
O – Resultados
Precisión/localización/segmentación; tiempo de análisis; AUC, sensibilidad/especificidad;
concordancia; resultados BREAST-Q; complicaciones; desenlaces del colgajo.
pág. 809
Estrategia de búsqueda y fuentes de información
El protocolo definió PubMed/MEDLINE, Scopus y Cochrane Library como fuentes principales, con un
periodo de publicación entre enero de 2015 y septiembre de 2026. Se combinaron términos: “Breast
Reconstruction”, “Mammaplasty”, “DIEP”, “DIEAP”, “perforator flap”, “Artificial Intelligence”,
“Machine Learning”, “Deep Learning”, “Computer Vision”, “Large Language Model”, “ChatGPT”,
“Computed Tomography Angiography”, “preoperative planning”, “perforator mapping”, “outcome
prediction”, “BREAST-Q” y “aesthetic assessment”.
Estrategia para PubMed: ((“Breast Reconstruction” OR “autologous breast reconstruction” OR DIEP
OR DIEAP OR “perforator flap”) AND (“Artificial Intelligence” OR “Machine Learning” OR “Deep
Learning” OR “computer vision” OR “large language model” OR ChatGPT) AND (planning OR
mapping OR prediction OR complication* OR outcome* OR symmetry OR education)).
Estrategia para Scopus: TITLE-ABS-KEY ( ( "breast reconstruction" OR "autologous breast
reconstruction" OR "breast reconstructive surgery" OR mammaplasty ) AND ( DIEP OR DIEAP OR
"deep inferior epigastric perforator" OR "deep inferior epigastric artery perforator" OR "perforator flap"
OR "perforator flaps" ) AND ( "artificial intelligence" OR "machine learning" OR "deep learning" OR
"neural network" OR "neural networks" OR "computer vision" OR "computer aided" OR "computer-
aided" OR automated OR automation ) AND ( "preoperative planning" OR "surgical planning" OR
"vascular mapping" OR "perforator mapping" OR "perforator detection" OR "perforator identification"
OR segmentation OR "vascular segmentation" OR volumetry OR "computed tomography angiography"
OR CTA ) ) AND PUBYEAR > 2014 AND PUBYEAR < 2027
Estrategia para Cochrane Library: #1 ("breast reconstruction" OR "autologous breast reconstruction"
OR DIEP OR DIEAP OR "deep inferior epigastric perforator"):ti,ab,kw
#2 ("artificial intelligence" OR "machine learning" OR "deep learning" OR "computer vision" OR
automated OR segmentation OR algorithm*):ti,ab,kw
#3 #1 AND #2
Criterios de inclusión y exclusión
Se incluyeron estudios originales en seres humanos o conjuntos de imágenes clínicas vinculados con
reconstrucción mamaria que evaluaran un sistema de IA o automatización algorítmica y comunicaran al
pág. 810
menos una medida cuantitativa de rendimiento, concordancia, tiempo, predicción o resultado clínico.
Para el núcleo de planificación autóloga se exigió relación explícita con colgajos DIEP/DIEAP, mapeo
vascular o selección de perforantes. Los modelos pronósticos, de resultados reportados por pacientes,
simetría y apoyo a decisiones se conservaron como dominios complementarios porque forman parte del
uso preoperatorio y de la evaluación reconstructiva.
Se excluyeron editoriales, cartas sin datos originales, resúmenes sin información suficiente, estudios sin
vínculo con reconstrucción mamaria y trabajos puramente técnicos sin imágenes o pacientes clínicos.
Las revisiones narrativas, sistemáticas y de alcance no se contabilizaron como evidencia primaria; se
utilizaron para contextualizar y confrontar los hallazgos en la discusión.
Selección de estudios y extracción de datos
La información extraida de la búsqueda fue cargada en Rayyan, donde se realizó el cribado de estudios
por dos revisores independientes, con resolución de discrepancias por consenso o mediante un tercer
revisor. Para cada estudio se diseñó una matriz con autor, año, diseño, tamaño muestral, modalidad de
datos, algoritmo, comparador, variable principal, rendimiento y limitaciones. Figura 1.
Figura 1. Diagrama de Flujo Prisma 2020 para selección de estudios.
pág. 811
Evaluación de la calidad metodológica y riesgo de sesgo
Para estudios de desarrollo o validación de modelos pronósticos se propuso PROBAST, que examina
participantes, predictores, desenlace y análisis y permite separar problemas de aplicabilidad de los
sesgos del modelo (Wolff et al., 2019).
Los estudios en los que el algoritmo se comportó como una prueba índice frente a una referencia
radiológica o quirúrgica se consideraron compatibles con una evaluación adaptada mediante QUADAS-
2, centrada en selección, prueba índice, estándar de referencia y flujo/tiempo (Whiting et al., 2011).
Síntesis de la evidencia
No se realizó metaanálisis debido a la heterogeneidad de los estudios, que resolvieron tareas diferentes
y utilizaron métricas no intercambiables. Los resultados se agruparon en cuatro dominios: planificación
vascular autóloga; predicción de complicaciones y resultados; evaluación estética; y apoyo generativo
a educación y decisiones.
RESULTADOS
La búsqueda bibliográfica identificó 215 registros, de los cuales 71 procedieron de PubMed/MEDLINE,
31 de Scopus y 113 de Cochrane Library. Tras la eliminación de aproximadamente 48 registros
duplicados, 167 artículos pasaron a la fase de cribado por título y resumen. En esta etapa se excluyeron
cerca de 133 publicaciones por no cumplir con los criterios de elegibilidad, principalmente por no
abordar aplicaciones de inteligencia artificial en reconstrucción mamaria, no corresponder a estudios
originales o no evaluar desenlaces relacionados con planificación, predicción, evaluación estética o
apoyo clínico. Posteriormente, 34 artículos fueron revisados a texto completo; 18 fueron excluidos por
población, intervención o desenlaces no pertinentes, ausencia de datos suficientes o diseño no elegible.
Finalmente, 16 estudios cumplieron los criterios de inclusión y fueron incorporados en la síntesis
cualitativa de la revisión sistemática, de acuerdo con el proceso de selección establecido por PRISMA.
De los 17 estudios primarios cuatro evaluaron mapeo o segmentación vascular en reconstrucción
DIEP/DIEAP, seis desarrollaron modelos de predicción de complicaciones o resultados reportados por
pacientes, tres analizaron evaluación estética automatizada, dos estudiaron apoyo generativo para
educación o planificación, y uno evaluó termografía automatizada como extensión intraoperatoria;
pág. 812
algunos trabajos abarcaron más de un dominio.
La Tabla 1 resume los estudios originales incluidos. Los trabajos de mapeo vascular muestran una
progresión desde visión computacional semiautomática hasta segmentación tridimensional con
aprendizaje profundo; los modelos pronósticos, por su parte, presentan rendimientos muy variables y
dependen con frecuencia de la distribución del evento y de la validación externa.
Tabla 1. Estudios primarios incluidos en la síntesis cualitativa
Estudio
Aplicación
de IA
Comparador
Hallazgo
principal
Lectura
metodológica
Andrade et
al., 2026
(Andrade
et al., 2026)
SAM 2,
MedSAM-2 y
nnInteractive
con ajuste
topológico
Segmentación experta
El ajuste fino del
modelo
incrementó el
coeficiente Dice
medio de 0,174 a
0,265 y permitió
automatizar la
estimación del
trayecto
intramuscular de
las perforantes y
de su distancia al
ombligo.
Conjunto de
prueba muy
pequeño; utilidad
anatómica aún por
validar
prospectivamente.
Mavioso et
al., 2020
(Mavioso
et al., 2020)
Visión
computacional
y extracción de
línea central
Mapeo manual + medidas
intraoperatorias
La detección
automatizada
mostró errores de
localización de
aproximadamente
2–3 mm, sin
repercusión
relevante sobre la
planificación de la
disección, y
redujo el tiempo
de análisis de las
imágenes en cerca
de 2 horas por
caso.
Aporta referencia
quirúrgica; peor
estimación de
calibre en vasos
<1,5 mm.
Araújo et al.,
2019 (Araújo
et al., 2019)
Tracking +
optimización de
coste para
trayecto
vascular
Anotación manual de radiólogo
El método alcanzó
una alta precisión
en la
reconstrucción del
trayecto vascular,
con errores
medios de 0,64
mm en el
segmento
subcutáneo y de
0,50 mm en el
segmento
intramuscular.
Muestra pequeña;
validación técnica
unicéntrica; buen
referente
anatómico.
pág. 813
O’Neill et al.,
2020 (O’Neill
et al., 2020)
1.012
reconstrucciones
microvasculares;
12 fallas
Árboles de
decisión +
remuestreo para
evento raro
Cohorte retrospectiva;
entrenamiento/prueba
El modelo alcanzó
un AUC de 0,95
durante el
entrenamiento,
que disminuyó a
0,67 en el
conjunto de
prueba,
evidenciando una
menor capacidad
de generalización
ante datos no
utilizados para su
desarrollo.
Ilustra
sobreajuste y
efecto de
desbalance de
clases; falla de
colgajo muy
infrecuente.
Myung et al.,
2021 (Myung
et al., 2021)
568
reconstrucciones
con colgajo
abdominal
Redes
neuronales y
otros paquetes
supervisados
Modelos estadísticos y
comparación entre algoritmos
El modelo
Neuralnet
presentó el mejor
rendimiento
predictivo. Las
complicaciones
del sitio donante
se asociaron con
la presencia de
defecto fascial,
diabetes, el uso de
colgajos muscle-
sparing y la
administración de
quimioterapia.
Cohorte
retrospectiva;
modelo
condicionado a
variables del
centro.
Pfob et al.,
2023 (Pfob
et al., 2023)
1.921 mujeres; 11
centros
ML para
resultados
BREAST-Q a 1
año
Validación entre centros
El modelo mostró
un buen
desempeño para
identificar a las
pacientes que
presentarían
cambios
clínicamente
significativos en
calidad de vida y
otros resultados
informados por
ellas mismas.
Fortaleza
multicéntrica;
desenlace
subjetivo pero
validado;
depende de datos
preoperatorios
completos.
Pfob et al.,
2021 (Pfob
et al., 2021)
1.553 mujeres; 11
centros
Elastic net,
XGBoost y red
neuronal
Validación externa en un centro
no usado para entrenamiento
El modelo alcanzó
una buena
capacidad
discriminativa
para predecir
cambios en la
satisfacción
mamaria a los 2
años, con AUC de
0,86–0,87 para
mejoría y de 0,84–
0,85 para
disminución de la
satisfacción.
Validación
externa real;
centrado en PRO
y no en
complicaciones
quirúrgicas.
pág. 814
Naoum et al.,
2022 (Naoum
et al., 2022)
1.617 pacientes;
varias técnicas
reconstructivas
Nomogramas
ML/LASSO
para
complicaciones
con/sin
radioterapia
Validación interna por cross-
validation
El modelo alcanzó
AUC de 0,73 para
infección, 0,75
para contractura
capsular, 0,76
para falla absoluta
del implante y
0,68 para falla
global, con un
rendimiento
predictivo
variable según el
desenlace
evaluado.
Desempeño
moderado;
mezcla
reconstrucción
autóloga e
implantaria.
Chen Y et al.,
2023 (Y.
Chen et al.,
2023)
209 mujeres; 406
muestras
Modelos
supervisados +
red neuronal
Partición
entrenamiento/validación/prueba
La red neuronal
alcanzó una
exactitud de 0,82
y un AUC de 0,79
para predecir
contractura
capsular, lo que
indica una
capacidad
discriminativa
aceptable.
Tamaño
moderado;
reconstrucción
implantaria;
requiere
validación
externa.
Kenig et al.,
2024 (Kenig,
Monton
Echeverria, &
De La Ossa,
2024)
200 imágenes
entrenamiento; 47
reconstrucciones
prueba
CNN YOLOv3
para puntos
anatómicos
Detección frente a anotación
humana
El modelo detectó
los límites
mamarios, el
complejo areola-
pezón y la
escotadura
supraesternal con
una tasa global de
detección del
97,74 %, en un
tiempo medio de
0,52 segundos por
imagen.
Prueba pequeña;
tarea estrecha y
bien definida; no
mide satisfacción
ni desenlaces
clínicos.
Kenig et al.,
2024 (Kenig,
Monton
Echeverria,
Chang
Azancot,
et al., 2024)
81 imágenes
postreconstrucción
Red neuronal +
BAS-Calc para
simetría
Dos observadores humanos
El modelo
identificó
correctamente 399
de 405 referencias
anatómicas (98,51
%) y realizó el
análisis en un
tiempo
significativamente
menor que la
evaluación
humana (0,92
frente a 14,09
segundos), con
una fuerte
correlación entre
ambas
mediciones.
Nivel de
evidencia IV;
evaluación
fotográfica, no
resultado clínico
longitudinal.
pág. 815
Marcaccini et
al., 2025
(Marcaccini
et al., 2025)
Preguntas
frecuentes en 4
procedimientos
mamarios
ChatGPT para
educación de
pacientes
Panel de cirujanos plásticos
En el contexto de
reconstrucción
mamaria, las
respuestas
generadas
alcanzaron
puntuaciones altas
en relevancia,
exactitud, claridad
y empatía, con
valores
aproximados de
4,8–4,9 sobre 5,
sin diferencias
globales
estadísticamente
significativas entre
los grupos
comparados.
Evalúa calidad de
respuesta, no
comprensión ni
conducta real de
pacientes.
Cossu et al.,
2025 (Cossu
et al., 2025)
30 mujeres con
cáncer de mama
Asistente
generativo
estructurado
BREAST AI-
PLAN
Decisión del comité
multidisciplinario
La concordancia
fue muy alta para
la indicación de
neoadyuvancia
(κ=0,91),
moderada para la
decisión
quirúrgica
(κ=0,58), y menor
para el abordaje
quirúrgico
(κ=0,43), la
reconstrucción
mamaria (κ=0,36)
y la terapia
adyuvante
(κ=0,29).
Muestra pequeña;
la concordancia
cae en decisiones
sensibles a
preferencia y
contexto.
Chen J et al.,
2026 (J. Chen
et al., 2026)
4.776 pacientes:
2.687 MSKCC +
2.089 MROC
Cinco
algoritmos ML
para BREAST-Q
a 1 año
Validación externa
multicéntrica
AUC 0,97
bienestar físico
abdomen; 0,86
satisfacción
mamaria; 0,79
sexual; 0,78 tórax;
0,74 psicosocial.
Uno de los
ejemplos más
sólidos de
validación
externa; predice
PRO, no
complicaciones
del colgajo.
pág. 816
Kapila et al.,
2026 (Kapila
et al., 2026)
504 angio-TC; 55
segmentadas y 100
para ombligo
3D Swin
UNETR y CAD
automatizado
Anotación experta
El sistema localizó
correctamente la
región de interés
(ROI) en el 100 %
de los casos, con
un tiempo medio
de procesamiento
de 28 ± 5 segundos
y un error
aproximado de 2
mm en la
localización
umbilical. La
segmentación
vascular alcanzó
un coeficiente
Dice de 0,58, que
mejoró a 0,60 tras
incorporar un
entrenamiento
orientado a
preservar la
continuidad de los
vasos.
Base grande, pero
referencia manual
en submuestra; sin
validación
intraoperatoria
externa.
Cardenas De
La Hoz et al.,
2024 (De La
Hoz et al.,
2024)
Termografía
dinámica durante
DIEP
CNN para
segmentación de
vasos/perfusión
Anotación
quirúrgica/segmentación
tradicional
La segmentación
vascular alcanzó
un coeficiente
Dice aproximado
de 0,8 a los 2
minutos y de 0,9 a
los 4 minutos,
demostrando un
desempeño
progresivamente
mayor durante el
análisis y
capacidad de
segmentación en
tiempo real.
Aplicación
intraoperatoria
complementaria;
no sustituye
evidencia de
planificación
CTA.
IA: inteligencia artificial; angio-TC/CTA: angiografía por tomografía computarizada; DIEP/DIEAP: deep inferior epigastric
perforator; SAM 2: Segment Anything Model 2; MedSAM-2: modelo SAM adaptado a imágenes médicas; nnInteractive:
modelo interactivo de segmentación 3D; AUC: área bajo la curva ROC; ML: aprendizaje automático; BREAST-Q:
instrumento validado de resultados reportados por pacientes; PRO: resultados reportados por pacientes; XGBoost: Extreme
Gradient Boosting; LASSO: Least Absolute Shrinkage and Selection Operator; CNN: red neuronal convolucional; YOLOv3:
You Only Look Once, versión 3; BAS-Calc: Breast Aesthetic Scale Calculator; κ: coeficiente kappa; MSKCC: Memorial
Sloan Kettering Cancer Center; MROC: Mastectomy Reconstruction Outcomes Consortium; ROI: región de interés; CAD:
análisis asistido por computadora; 3D Swin UNETR: arquitectura tridimensional de segmentación basada en transformadores;
Dice: coeficiente de similitud de segmentación.
Planificación vascular de colgajos autólogos
Los estudios sobre planificación vascular muestran una evolución progresiva de estas herramientas. Los
primeros trabajos utilizaron sistemas computacionales para seguir el trayecto de las perforantes ya
identificadas en la angio-TC y disminuir el tiempo necesario para analizar las imágenes. En
investigaciones más recientes, especialmente las publicadas en 2026, se incorporaron modelos capaces
de realizar segmentación vascular tridimensional de forma automática y calcular datos útiles para la
pág. 817
cirugía, como la longitud del trayecto intramuscular y la distancia de la perforante al ombligo. Sin
embargo, el rendimiento de estos sistemas disminuye cuando los vasos son muy pequeños, presentan
trayectos complejos o cuando el algoritmo debe reconstruir de forma continua todo el recorrido vascular.
Desde el punto de vista clínico, Mavioso et al. aportaron una de las comparaciones más cercanas con
los hallazgos quirúrgicos. Posteriormente, Andrade et al. y Kapila et al. ampliaron el grado de
automatización del análisis vascular (Andrade et al., 2026; Kapila et al., 2026; Mavioso et al., 2020). A
pesar de estos avances, todavía no se ha demostrado de forma consistente que la perforante seleccionada
por el algoritmo sea la misma que finalmente elige el cirujano, ni que el uso de estas herramientas
reduzca el tiempo de isquemia, la necrosis del colgajo o la necesidad de una nueva intervención. Por
esta razón, los resultados de precisión y segmentación deben considerarse indicadores del
funcionamiento técnico del modelo y no una demostración directa de mejores resultados quirúrgicos.
Predicción de complicaciones y resultados reportados por pacientes
Los modelos pronósticos mostraron resultados variables según el desenlace evaluado. La predicción de
falla del colgajo fue especialmente difícil por tratarse de un evento poco frecuente. En el estudio de
O’Neill et al., el buen desempeño observado durante el entrenamiento disminuyó de forma marcada al
aplicar el modelo al conjunto de prueba, lo que sugiere una capacidad limitada para mantener el mismo
rendimiento en nuevos pacientes (O’Neil & Gilmour, 2003). En cambio, los modelos diseñados para
predecir resultados del BREAST-Q obtuvieron un desempeño más consistente, favorecido por muestras
de mayor tamaño y, en los estudios más recientes, por la validación en diferentes centros (J. Chen et al.,
2026; Pfob et al., 2021, 2023). Algunos de estos modelos lograron una buena discriminación para
dominios específicos relacionados con satisfacción y calidad de vida.
En los estudios centrados en reconstrucción con implantes, la capacidad para anticipar complicaciones
fue moderada. Estos resultados pueden ser útiles para identificar pacientes con mayor riesgo, aunque no
deben trasladarse directamente a la reconstrucción autóloga, ya que los factores relacionados con cada
técnica son diferentes. Los predictores también variaron según el desenlace analizado: la radioterapia y
determinadas características del implante tuvieron mayor peso en la predicción de contractura capsular
o falla del implante, mientras que los modelos orientados a resultados reportados por las pacientes
estuvieron más relacionados con las puntuaciones preoperatorias del BREAST-Q, el tipo de
pág. 818
reconstrucción, el índice de masa corporal, la edad y el momento de administración de la radioterapia
(Y. Chen et al., 2023; Naoum et al., 2022).
Evaluación estética y simetría
Las aplicaciones de inteligencia artificial dirigidas a la evaluación estética mostraron un desempeño
elevado en la identificación automática de referencias anatómicas mamarias. Los estudios de Kenig et
al. alcanzaron tasas de detección superiores al 97 % y tiempos de procesamiento inferiores a un segundo,
lo que podría facilitar mediciones más rápidas y reproducibles de la simetría mamaria frente a la
evaluación manual (Kenig, Monton Echeverria, Chang Azancot, et al., 2024; Kenig, Monton Echeverria,
& De La Ossa, 2024).
La concordancia observada entre las mediciones automatizadas y las realizadas por evaluadores
humanos respalda su utilidad como herramienta objetiva para cuantificar características morfológicas.
Sin embargo, estos resultados proceden de muestras pequeñas y del análisis de fotografías
bidimensionales, por lo que no permiten asumir que una mejor puntuación de simetría refleje
necesariamente mayor satisfacción con la reconstrucción, mejor imagen corporal o mejor calidad de
vida de las pacientes.
Modelos generativos para educación y apoyo a decisiones
Los estudios que evaluaron modelos de lenguaje mostraron un comportamiento diferente al observado
con las herramientas de visión computacional. Cuando se utilizaron para responder preguntas frecuentes
o proporcionar información sobre reconstrucción mamaria, las respuestas recibieron valoraciones
favorables por parte de especialistas en aspectos como claridad, exactitud y relevancia (Cossu et al.,
2025; Marcaccini et al., 2025).
El desempeño fue menos uniforme cuando los modelos se aplicaron a decisiones clínicas más complejas.
En el estudio de Cossu et al., la concordancia con el comité multidisciplinario fue mayor para decisiones
basadas en criterios relativamente estructurados, como la indicación de tratamiento neoadyuvante, y
disminuyó en aspectos como el tipo de cirugía, el abordaje reconstructivo y otras decisiones
dependientes del contexto clínico (Cossu et al., 2025).
Estos hallazgos sugieren que los modelos de lenguaje pueden desenvolverse mejor en tareas con criterios
definidos y menor variabilidad interpretativa. En cambio, su rendimiento parece disminuir cuando la
pág. 819
decisión exige integrar preferencias de la paciente, características anatómicas, hallazgos visuales y juicio
clínico individualizado, elementos que no siempre pueden representarse de forma completa mediante
información textual estructurada.
Riesgo de sesgo y aplicabilidad
La principal debilidad metodológica de los estudios incluidos fue la limitada validación externa. En los
trabajos basados en imágenes fueron frecuentes las muestras pequeñas, procedentes de un solo centro y
evaluadas mediante particiones internas del mismo conjunto de datos. En los modelos pronósticos, las
principales fuentes de sesgo estuvieron relacionadas con el bajo número de eventos, el desequilibrio
entre clases y la posibilidad de sobreajuste. En contraste, los estudios multicéntricos con validación en
poblaciones independientes, especialmente aquellos orientados a resultados medidos mediante
BREAST-Q, ofrecieron mayor respaldo para valorar la capacidad de generalización de los modelos.
En los estudios que utilizaron modelos generativos, las limitaciones estuvieron asociadas principalmente
con el reducido número de casos, la influencia de la formulación del prompt, la ausencia de seguimiento
clínico y la dificultad para incorporar aspectos individuales como las preferencias de la paciente o el
contexto específico de cada decisión reconstructiva. Debido a la diversidad de diseños y objetivos, no
se utilizó una única puntuación global de calidad. La evaluación del riesgo de sesgo se realizó con
herramientas acordes con cada tipo de estudio, como PROBAST para modelos predictivos y QUADAS-
2 para estudios de rendimiento diagnóstico o de segmentación.
En la Tabla 2 se presenta la evaluación del riesgo de sesgo de los estudios incluidos, considerando el
tipo de diseño, la herramienta metodológica aplicada y las principales limitaciones identificadas en cada
investigación.
pág. 820
Tabla 2. Evaluación del riesgo de sesgo de los estudios incluidos
Estudio
Tipo de estudio
Herramienta de evaluación
Principales aspectos
metodológicos
Riesgo
global
Andrade et al.,
2026
Desarrollo/validación de
segmentación
QUADAS-2 adaptado
Muestra y conjunto de prueba
pequeños; sin validación
externa
Alto
Mavioso et al.,
2020
Validación de herramienta
de imagen
QUADAS-2 adaptado
Comparación intraoperatoria,
pero muestra unicéntrica
Moderado
Araújo et al.,
2019
Validación técnica
QUADAS-2 adaptado
Muestra pequeña; referencia
radiológica; sin validación
externa
Alto
O’Neill et al.,
2020
Modelo pronóstico
retrospectivo
PROBAST/PROBAST+AI
Muy pocos eventos;
desbalance de clases; menor
rendimiento en prueba
Alto
Myung et al.,
2021
Modelo pronóstico
retrospectivo
PROBAST/PROBAST+AI
Validación interna; estudio
unicéntrico
Alto
Pfob et al., 2023
Modelo pronóstico
multicéntrico
PROBAST/PROBAST+AI
Amplia muestra y validación
entre centros
Bajo–
moderado
Pfob et al., 2021
Modelo pronóstico
multicéntrico
PROBAST/PROBAST+AI
Validación externa; PRO
como desenlace
Bajo–
moderado
Naoum et al.,
2022
Modelo predictivo
retrospectivo
PROBAST/PROBAST+AI
Validación interna; población
reconstructiva heterogénea
Moderado–
alto
Chen Y et al.,
2023
Modelo predictivo
PROBAST/PROBAST+AI
Muestra moderada y ausencia
de validación externa
Alto
Kenig et al.,
2024
Validación de visión
computacional
QUADAS-2 adaptado
Conjunto de prueba pequeño
Alto
Kenig et al.,
2024
Validación de evaluación
estética
QUADAS-2 adaptado
Muestra limitada;
comparación con
observadores humanos
Moderado–
alto
Marcaccini et al.,
2025
Evaluación de modelo
generativo
Criterios metodológicos
adaptados
Evaluación subjetiva;
dependencia del prompt
Alto
Cossu et al.,
2025
Concordancia IA-comité
QUADAS-2 adaptado
Solo 30 pacientes; unicéntrico
Alto
Chen J et al.,
2026
Modelo pronóstico
multicéntrico
PROBAST/PROBAST+AI
Cohorte amplia y validación
externa
Bajo–
moderado
Kapila et al.,
2026
Segmentación vascular
mediante IA
QUADAS-2 adaptado
Base amplia, pero referencia
manual en submuestra; sin
validación externa
Moderado–
alto
Cardenas De La
Hoz et al., 2024
Segmentación
intraoperatoria
QUADAS-2 adaptado
Muestra limitada; validación
principalmente técnica
Alto
Nota. La evaluación del riesgo de sesgo se realizó de acuerdo con el diseño de cada estudio. Los modelos predictivos se
valoraron mediante PROBAST/PROBAST+AI y los estudios de detección, segmentación o concordancia frente a una
referencia experta mediante QUADAS-2 adaptado. Debido a la heterogeneidad metodológica, no se calculó una puntuación
global común para todos los estudios.
DISCUSIÓN
Los estudios revisados muestran que la IA ya puede ejecutar tareas concretas de reconstrucción
mamaria, pero su rendimiento no es uniforme, los modelos que predicen desenlaces quirúrgicos
presentan una dispersión considerable y una revisión sistemática reciente encontró una mediana de AUC
de 0,71 entre 19 modelos, por lo que nuestros hallazgos coinciden con Rosenbloom et al. en que la
madurez técnica depende más del problema y del diseño de validación que de la etiqueta “IA”
pág. 821
(Rosenbloom et al., 2026).
En planificación microquirúrgica, la progresión desde el seguimiento semiautomático de vasos hasta
modelos profundos tridimensionales coincide con la revisión de Shadid et al., que describe una
transición rápida hacia segmentación, mapeo de perforantes y apoyo individualizado; ambos análisis,
sin embargo, señalan que la evidencia sigue dominada por series retrospectivas de un solo centro (Shadid
et al., 2025).
La concentración de estudios en la fase preoperatoria también coincide con la revisión de alcance de El
Hachem e Ibrahim, donde 28 de 40 trabajos originales correspondieron a aplicaciones preoperatorias,
mientras las herramientas intraoperatorias y posoperatorias fueron menos frecuentes; esa distribución
ayuda a explicar por qué existen más datos sobre predicción o planificación que sobre desenlaces
quirúrgicos posteriores (El Hachem & Ibrahim, 2026).
Los resultados pronósticos deben interpretarse junto con herramientas clínicas simples: Joo y Giatsidis
encontraron que un índice de fragilidad elevado se asociaba de manera consistente con complicaciones,
readmisión y retorno al quirófano en reconstrucción autóloga, lo que contrasta con la idea de que un
algoritmo complejo necesariamente supera a una variable clínica bien seleccionada y refuerza la
necesidad de comparar los modelos con baselines clínicos útiles (Joo & Giatsidis, 2022).
La automatización de medidas estéticas coincide con la aceptación observada por Kenig et al., quienes
comunicaron altos niveles de comodidad con el uso de IA cuando esta estaba mediada por un médico;
el mismo estudio mostró una pérdida de confianza cuando se planteaba una interacción sin supervisión
profesional, de modo que la precisión técnica de una medición no elimina la necesidad de
contextualizarla con la paciente (Kenig, Muntaner Vives, & Monton Echeverria, 2024).
En educación, nuestros resultados favorables para respuestas estructuradas contrastan con el trabajo de
Xie et al., en el que ChatGPT produjo explicaciones pertinentes pero superficiales y llegó a generar
referencias inexistentes; la diferencia indica que la utilidad clínica de un modelo de lenguaje depende
tanto de la tarea como del mecanismo de verificación de sus salidas (Xie et al., 2023).
Ese contraste se repite fuera de la consulta reconstructiva: Gomez-Cabello et al. observaron respuestas
posoperatorias globalmente precisas en varios modelos de lenguaje, pero con diferencias en legibilidad,
comprensión y capacidad de orientar acciones, lo que coincide con nuestra conclusión de que la calidad
pág. 822
debe evaluarse por dimensiones y no mediante una impresión general de “buena respuesta” (Gomez-
Cabello et al., 2024).
Gorgy et al. plantean que la aplicación de la inteligencia artificial en cirugía reconstructiva abarca
distintos campos, entre ellos los modelos predictivos, la visión computacional, el procesamiento del
lenguaje y la robótica. Nuestros hallazgos coinciden con esta diversidad de aplicaciones; sin embargo,
muestran la necesidad de diferenciar con claridad los resultados técnicos, como el coeficiente Dice, la
exactitud o el tiempo de procesamiento de los desenlaces clínicos como necrosis, pérdida del colgajo,
reintervención o calidad de vida, ya que una mejora en el rendimiento del algoritmo no implica
necesariamente un beneficio clínico para la paciente (Gorgy et al., 2026).
Las limitaciones observadas también coinciden con lo señalado por Mansoor e Ibrahim, quienes
advierten dificultades relacionadas con la privacidad de los datos, el sesgo algorítmico, la atribución de
responsabilidades y la validación de sistemas propietarios. En nuestra revisión, sin embargo, los
problemas más inmediatos para trasladar estos modelos a la práctica clínica fueron la escasa validación
externa y la heterogeneidad de las cohortes, más que las limitaciones técnicas de los propios algoritmos
(Mansoor & Ibrahim, 2025).
Shen et al. consideran que la IA puede integrarse en planificación, visualización, perfusión y
seguimiento, pero subrayan la necesidad de validación clínica a gran escala; nuestros hallazgos
coinciden con esa dirección y añaden que, en el caso específico del DIEP, el siguiente estudio decisivo
no debería limitarse a mejorar el Dice, sino comparar la perforante propuesta por el algoritmo con la
selección radiológica, la elección intraoperatoria y los resultados del colgajo (Shen et al., 2025).
Peet et al. señalan que las aplicaciones de inteligencia artificial centradas en la paciente han aumentado
en áreas como la predicción de resultados reportados por las pacientes, la evaluación estética y la
educación en salud. Nuestros hallazgos coinciden con esta tendencia; sin embargo, los buenos valores
de discriminación alcanzados por algunos modelos para predecir cambios en los dominios del BREAST-
Q no demuestran que el uso de la inteligencia artificial mejore por sí mismo la calidad de vida o la
satisfacción de las pacientes. Aún es necesario establecer si incorporar estas predicciones a la práctica
clínica modifica la toma de decisiones y se traduce en mejores resultados reconstructivos (Peet et al.,
2025).
pág. 823
Fortalezas de la revisión
Entre las fortalezas de esta revisión destaca la clasificación de las aplicaciones de inteligencia artificial
en cuatro grupos: análisis anatómico, predicción clínica, evaluación estética y modelos de lenguaje. Esta
estructura permite valorar los resultados dentro de su contexto metodológico, evitando equiparar
indicadores que responden a objetivos diferentes. A su vez, ayuda a reconocer qué herramientas
presentan mayor cercanía con la práctica clínica y cuáles aún requieren validación antes de una
implementación más amplia.
Limitaciones
La heterogeneidad impidió un metaanálisis. Las diferencias abarcaron población, modalidad de imagen,
fase clínica, algoritmo, estándar de referencia y medida de rendimiento. En varios artículos, el tamaño
efectivo del conjunto de prueba fue pequeño aun cuando la base total de imágenes era mayor, y la
ausencia de validación externa limita la inferencia sobre rendimiento en otros escáneres, centros y
poblaciones.
Implicaciones clínicas y para investigación
Con la evidencia disponible, la aplicación más respaldada de la inteligencia artificial es como
herramienta de apoyo clínico. Su utilidad actual se concentra en agilizar el mapeo vascular, estandarizar
mediciones, estimar riesgos y organizar información que pueda facilitar la planificación y la discusión
terapéutica. En reconstrucción mamaria autóloga, los algoritmos aplicados a la angio-TC deberían
considerarse, por ahora, como una segunda lectura o un complemento para la preparación quirúrgica,
hasta que estudios prospectivos demuestren su capacidad para igualar o mejorar la selección de
perforantes y los resultados del colgajo frente a la planificación convencional.
Las futuras investigaciones deberían mejorar, sobre todo, la calidad de la validación. Es necesario
separar con claridad las fases de desarrollo y prueba externa, registrar previamente el modelo y el plan
de análisis, y reportar no solo medidas de discriminación, sino también calibración y desempeño en
poblaciones independientes. En el caso de la planificación con colgajo DIEP, sería especialmente útil
evaluar la concordancia entre la perforante sugerida por el algoritmo y la finalmente utilizada en cirugía,
así como el tiempo de disección e isquemia, la lesión muscular o nerviosa, la necesidad de reexploración
vascular, la necrosis parcial o pérdida total del colgajo y los resultados reportados por las pacientes
pág. 824
mediante instrumentos como BREAST-Q.
CONCLUSIONES
La inteligencia artificial ya ofrece aplicaciones concretas en reconstrucción mamaria, sobre todo para el
análisis de imágenes, la predicción de resultados y la evaluación objetiva de la simetría. En la
reconstrucción autóloga con colgajo DIEP, los algoritmos aplicados a la angio-TC pueden reducir el
tiempo necesario para el mapeo vascular y facilitar la identificación y caracterización de las perforantes.
Sin embargo, la evidencia disponible todavía no permite afirmar que su uso mejore la selección final del
vaso, disminuya el tiempo de isquemia o reduzca complicaciones como necrosis, reexploración o
pérdida del colgajo.
Para el cirujano plástico, estas herramientas tienen actualmente mayor utilidad como complemento de
la planificación que como sustituto de la valoración radiológica y del juicio intraoperatorio. Los modelos
con mejor validación pueden aportar información útil para estimar riesgos y anticipar resultados
reportados por las pacientes, pero su desempeño depende de la población y de los datos utilizados para
desarrollarlos. Antes de incorporarlos de forma rutinaria, se necesitan estudios prospectivos y
multicéntricos que comparen las recomendaciones del algoritmo con la decisión quirúrgica real y
evalúen desenlaces directamente relevantes para la práctica reconstructiva.
Financiación
La presente revisión sistemática fue financiada por los autores.
Conflicto de interés
Los autores declaran no tener conflicto de intereses.
Disponibilidad de datos, códigos y otros materiales
Cualquier información adicional requerida puede ser solicitada a los autores mediante correo
electrónico.
Declaración sobre el uso de inteligencia artificial
Durante la preparación del manuscrito se utilizó una herramienta de inteligencia artificial generativa
como apoyo para mejorar la redacción, claridad y organización lingüística de un borrador elaborado
previamente por los autores. La selección de los estudios, extracción e interpretación de los datos,
evaluación metodológica y elaboración de las conclusiones fueron realizadas por los autores. Todo el
pág. 825
contenido generado o modificado con apoyo de inteligencia artificial fue posteriormente revisado,
corregido y aprobado por los autores, quienes asumen la responsabilidad íntegra del contenido final del
manuscrito.
REFERENCIAS BIBLIOGRÁFICAS
Andrade, M., Loução, N., Pinto, D., Marques, T., Vigário, R., Gouveia, P., & Santinha, J. (2026). AI-
based planning for DIEAP flap procedures: Exploring foundation models for artery perforators
analysis. Frontiers in Medicine, 13, 1757637. https://doi.org/10.3389/fmed.2026.1757637
Araújo, R. J., Garrido, V., Baraças, C. A., Vasconcelos, M. A., Mavioso, C., Anacleto, J. C., Cardoso,
M. J., & Oliveira, H. P. (2019). Computer aided detection of deep inferior epigastric perforators
in computed tomography angiography scans. Computerized Medical Imaging and Graphics, 77,
101648. https://doi.org/10.1016/j.compmedimag.2019.101648
Aravind, P., Colakoglu, S., Bhoopalam, M., Ibrahim, A., Mathes, D., Kaoutzanis, C., Mureau, M., &
Reddy, S. (2023). Perforator Characteristics and Impact on Postoperative Outcomes in DIEP
Flap Breast Reconstruction: A Systematic Review and Meta-Analysis. Journal of
Reconstructive Microsurgery, 39(02), 138-147. https://doi.org/10.1055/s-0042-1750124
Broyles, J. M., Balk, E. M., Adam, G. P., Cao, W., Bhuma, M. R., Mehta, S., Dominici, L. S., Pusic, A.
L., & Saldanha, I. J. (2022). Implant-based versus Autologous Reconstruction after Mastectomy
for Breast Cancer: A Systematic Review and Meta-analysis. Plastic and Reconstructive Surgery
- Global Open, 10(3), e4180. https://doi.org/10.1097/GOX.0000000000004180
Chen, J., Gabay, A., Boe, L. A., Shammas, R. L., Stern, C., Pusic, A., Mehrara, B. J., Gibbons, C., &
Nelson, J. A. (2026). Machine Learning Accurately Predicts Patient-reported Outcomes 1 Year
After Breast Reconstruction. Annals of Surgery, 284(1), 176-183.
https://doi.org/10.1097/SLA.0000000000006688
Chen, Y., Wang, M. L., Black, G. G., Qin, N., Zhou, G., Bernstein, J. L., Chinta, M., & Otterburn, D.
M. (2023). Machine-Learning Prediction of Capsular Contraction after Two-Stage Breast
Reconstruction. JPRAS Open, 38, 1-13. https://doi.org/10.1016/j.jpra.2023.07.008
Cossu, M., Cuniolo, L., Diaz, R., Oliva, M., Cornacchia, C., Murelli, F., Depaoli, F., Gipponi, M.,
Margarino, C., Boccardo, C., Franchelli, S., Pesce, M., Allievi, R., D’Agraives, A. C., Abdallah,
pág. 826
S., & Fregatti, P. (2025). BREAST AI-PLAN: Prompt-Driven AI Assistance for Breast Surgery
Planning – A Retrospective Single-center Study. In Vivo, 39(6), 3271-3277.
https://doi.org/10.21873/invivo.14126
De La Hoz, E. C., Verstockt, J., Verspeek, S., Clarys, W., Thiessen, F. E. F., Tondu, T., Tjalma, W. A.
A., Steenackers, G., & Vanlanduit, S. (2024). Automated thermographic detection of blood
vessels for DIEP flap reconstructive surgery. International Journal of Computer Assisted
Radiology and Surgery, 19(9), 1733-1741. https://doi.org/10.1007/s11548-024-03199-8
El Hachem, T., & Ibrahim, A. E. (2026). Artificial Intelligence in Breast Reconstruction: A Scoping
Review of Pre-, Intra-, and Postoperative Applications. Plastic and Reconstructive Surgery -
Global Open, 14(5), e7706. https://doi.org/10.1097/GOX.0000000000007706
Garza, R., Ochoa, O., & Chrysopoulo, M. (2021). Post-mastectomy Breast Reconstruction with
Autologous Tissue: Current Methods and Techniques. Plastic and Reconstructive Surgery -
Global Open, 9(2), e3433. https://doi.org/10.1097/GOX.0000000000003433
Gomez-Cabello, C. A., Borna, S., Pressman, S. M., Haider, S. A., Sehgal, A., Leibovich, B. C., & Forte,
A. J. (2024). Artificial Intelligence in Postoperative Care: Assessing Large Language Models
for Patient Recommendations in Plastic Surgery. Healthcare, 12(11), 1083.
https://doi.org/10.3390/healthcare12111083
Gorgy, A., Xu, H. H., Hawary, H. E., Nepon, H., Lee, J., & Vorstenbosch, J. (2026). Integrating AI into
Breast Reconstruction Surgery: Exploring Opportunities, Applications, and Challenges. Plastic
Surgery, 34(1), 37-46. https://doi.org/10.1177/22925503241292349
Joo, A., & Giatsidis, G. (2022). In Autologous Breast Reconstruction, Frailty Is a More Accurate
Predictor of Postoperative Complications: A Retrospective Cohort Analysis. Plastic &
Reconstructive Surgery, 150, 82S-94S. https://doi.org/10.1097/PRS.0000000000009531
Kapila, A. K., Lamtenzan Marcos, D., Ceranka, J., Brussaard, C., Boonen, P. T., Ledegen, L.,
Vandemeulebroucke, J., & Hamdi, M. (2026). Automated CTA-based perforator mapping for
DIEP flap planning in breast cancer reconstruction. Artificial Intelligence Surgery, 6(2), 255-
267. https://doi.org/10.20517/ais.2026.01
pág. 827
Kenig, N., Monton Echeverria, J., Chang Azancot, L., & De La Ossa, L. (2024). A Novel Artificial
Intelligence Model for Symmetry Evaluation in Breast Cancer Patients. Aesthetic Plastic
Surgery, 48(7), 1500-1507. https://doi.org/10.1007/s00266-023-03554-1
Kenig, N., Monton Echeverria, J., & De La Ossa, L. (2024). Identification of Key Breast Features Using
a Neural Network: Applications of Machine Learning in the Clinical Setting of Plastic Surgery.
Plastic & Reconstructive Surgery, 153(2), 273e-280e.
https://doi.org/10.1097/PRS.0000000000010603
Kenig, N., Muntaner Vives, A., & Monton Echeverria, J. (2024). Is My Doctor Human? Acceptance of
AI among Patients with Breast Cancer. Plastic and Reconstructive Surgery - Global Open,
12(10), e6257. https://doi.org/10.1097/GOX.0000000000006257
Kiely, J., Kumar, M., & Wade, R. G. (2021). The accuracy of different modalities of perforator mapping
for unilateral DIEP flap breast reconstruction: A systematic review and meta-analysis. Journal
of Plastic, Reconstructive & Aesthetic Surgery, 74(5), 945-956.
https://doi.org/10.1016/j.bjps.2020.12.005
Maita, K. C., Avila, F. R., Torres-Guzman, R. A., Garcia, J. P., De Sario Velasquez, G. D., Borna, S.,
Brown, S. A., Haider, C. R., Ho, O. S., & Forte, A. J. (2024). The usefulness of artificial
intelligence in breast reconstruction: A systematic review. Breast Cancer, 31(4), 562-571.
https://doi.org/10.1007/s12282-024-01582-6
Mansoor, M., & Ibrahim, A. F. (2025). The Transformative Role of Artificial Intelligence in Plastic and
Reconstructive Surgery: Challenges and Opportunities. Journal of Clinical Medicine, 14(8),
2698. https://doi.org/10.3390/jcm14082698
Marcaccini, G., Susini, P., Xie, Y., Cuomo, R., Pozzi, M., Grimaldi, L., Rozen, W. M., & Seth, I. (2025).
Enhancing patient education in breast surgery: Artificial intelligence-powered guidance for
mastopexy, augmentation, reduction, and reconstruction. Translational Breast Cancer Research,
6, 12-12. https://doi.org/10.21037/tbcr-24-67
Mavioso, C., Araújo, R. J., Oliveira, H. P., Anacleto, J. C., Vasconcelos, M. A., Pinto, D., Gouveia, P.
F., Alves, C., Cardoso, F., Cardoso, J. S., & Cardoso, M. J. (2020). Automatic detection of
perforators for microsurgical reconstruction. The Breast, 50, 19-24.
pág. 828
https://doi.org/10.1016/j.breast.2020.01.001
Myung, Y., Jeon, S., Heo, C., Kim, E.-K., Kang, E., Shin, H.-C., Yang, E.-J., & Jeong, J. H. (2021).
Validating machine learning approaches for prediction of donor related complication in
microsurgical breast reconstruction: A retrospective cohort study. Scientific Reports, 11(1),
5615. https://doi.org/10.1038/s41598-021-85155-z
Naoum, G. E., Ho, A. Y., Shui, A., Salama, L., Goldberg, S., Arafat, W., Winograd, J., Colwell, A.,
Smith, B. L., & Taghian, A. G. (2022). Risk of Developing Breast Reconstruction
Complications: A Machine-Learning Nomogram for Individualized Risk Estimation with and
without Postmastectomy Radiation Therapy. Plastic & Reconstructive Surgery, 149(1), 1e-12e.
https://doi.org/10.1097/PRS.0000000000008635
O’Neil, B., & Gilmour, D. (2003). Approach to urinary incontinence in women. Diagnosis and
management by family physicians. Canadian Family Physician Medecin De Famille Canadien,
49, 611-618.
O’Neill, A. C., Yang, D., Roy, M., Sebastiampillai, S., Hofer, S. O. P., & Xu, W. (2020). Development
and Evaluation of a Machine Learning Prediction Model for Flap Failure in Microvascular
Breast Reconstruction. Annals of Surgical Oncology, 27(9), 3466-3475.
https://doi.org/10.1245/s10434-020-08307-x
Page, M. J., Moher, D., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L.,
Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M.,
Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., …
McKenzie, J. E. (2021). PRISMA 2020 explanation and elaboration: Updated guidance and
exemplars for reporting systematic reviews. BMJ (Clinical Research Ed.), 372, n160.
https://doi.org/10.1136/bmj.n160
Peet, B. M., Sidoti, A., Allen, R. J., Nelson, J. A., & Graziano, F. (2025). Artificial Intelligence in Breast
Reconstruction: Enhancing Surgical Planning, Aesthetic Outcomes, and Patient-Centered Care.
Journal of Clinical Medicine, 14(21), 7821. https://doi.org/10.3390/jcm14217821
Pfob, A., Mehrara, B. J., Nelson, J. A., Wilkins, E. G., Pusic, A. L., & Sidey-Gibbons, C. (2021).
Machine learning to predict individual patient-reported outcomes at 2-year follow-up for women
pág. 829
undergoing cancer-related mastectomy and breast reconstruction (INSPiRED-001). The Breast,
60, 111-122. https://doi.org/10.1016/j.breast.2021.09.009
Pfob, A., Mehrara, B. J., Nelson, J. A., Wilkins, E. G., Pusic, A. L., & Sidey-Gibbons, C. (2023).
Towards Patient-centered Decision-making in Breast Cancer Surgery: Machine Learning to
Predict Individual Patient-reported Outcomes at 1-year Follow-up. Annals of Surgery, 277(1),
e144-e152. https://doi.org/10.1097/SLA.0000000000004862
Rosenbloom, A., Gasbeck, T., Mamoun, L., Shah, N., Nanda, A., & Lee, G. (2026). Predicting Surgical
Outcomes in Breast Reconstruction With Machine Learning: A Systematic Review. Annals of
Plastic Surgery, 96(4S), S159-S172. https://doi.org/10.1097/SAP.0000000000004667
Saldanha, I. J., Broyles, J. M., Adam, G. P., Cao, W., Bhuma, M. R., Mehta, S., Pusic, A. L., Dominici,
L. S., & Balk, E. M. (2022). Autologous Breast Reconstruction after Mastectomy for Breast
Cancer: A Systematic Review. Plastic and Reconstructive Surgery - Global Open, 10(3), e4181.
https://doi.org/10.1097/GOX.0000000000004181
Shadid, O., Seth, I., Cuomo, R., Rozen, W. M., & Marcaccini, G. (2025). Artificial Intelligence in
Microsurgical Planning: A Five-Year Leap in Clinical Translation. Journal of Clinical Medicine,
14(13), 4574. https://doi.org/10.3390/jcm14134574
Shen, Y., Malek, A. J., Gao, R., & Broyles, J. M. (2025). Artificial intelligence in breast reconstruction.
Artificial Intelligence Surgery, 5(1), 150-159. https://doi.org/10.20517/ais.2024.71
Wade, R. G., Watford, J., Wormald, J. C. R., Bramhall, R. J., & Figus, A. (2018). Perforator mapping
reduces the operative time of DIEP flap breast reconstruction: A systematic review and meta-
analysis of preoperative ultrasound, computed tomography and magnetic resonance
angiography. Journal of Plastic, Reconstructive & Aesthetic Surgery, 71(4), 468-477.
https://doi.org/10.1016/j.bjps.2017.12.012
Whiting, P. F., Rutjes, A. W. S., Westwood, M. E., Mallett, S., Deeks, J. J., Reitsma, J. B., Leeflang, M.
M. G., Sterne, J. A. C., Bossuyt, P. M. M., & the QUADAS-2 Group*. (2011). QUADAS-2: A
Revised Tool for the Quality Assessment of Diagnostic Accuracy Studies. Annals of Internal
Medicine, 155(8), 529-536. https://doi.org/10.7326/0003-4819-155-8-201110180-00009
pág. 830
Wolff, R. F., Moons, K. G. M., Riley, R. D., Whiting, P. F., Westwood, M., Collins, G. S., Reitsma, J.
B., Kleijnen, J., Mallett, S., & for the PROBAST Group†. (2019). PROBAST: A Tool to Assess
the Risk of Bias and Applicability of Prediction Model Studies. Annals of Internal Medicine,
170(1), 51-58. https://doi.org/10.7326/M18-1376
Xie, Y., Seth, I., Rozen, W. M., & Hunter-Smith, D. J. (2023). Evaluation of the Artificial Intelligence
Chatbot on Breast Reconstruction and Its Efficacy in Surgical Research: A Case Study.
Aesthetic Plastic Surgery, 47(6), 2360-2369. https://doi.org/10.1007/s00266-023-03443-7