Inteligencia artificial y carcinoma hepatocelular (ARTIHCC)

El carcinoma hepatocelular (HCC) es una de las 5 neoplasias malignas más comunes en todo el mundo y la tercera causa más común de mortalidad relacionada con el cáncer de 500 000 muertes en todo el mundo cada año.

Aunque es más común en el este de Asia, la incidencia de HCC está aumentando en el mundo occidental. La resección hepática es la opción terapéutica de primera línea, y se acepta como un tratamiento seguro y de probado impacto pronóstico, con una baja mortalidad operatoria gracias a los avances en las técnicas quirúrgicas y el manejo perioperatorio. Sin embargo, la resección quirúrgica es aplicable solo en alrededor del 20% al 30% de los pacientes con HCC, ya que la mayoría tiene una función de reserva hepática deficiente causada por una enfermedad hepática crónica subyacente y distribuciones hepáticas multifocales de HCC. Aunque la resección hepática es uno de los tratamientos curativos para el carcinoma hepatocelular, la tasa de recurrencia del CHC incluso después de la resección curativa es bastante alta, estimada en aproximadamente el 50 % durante los primeros 3 años y más del 70 % durante los primeros 5 años después de la resección curativa. , por lo que los resultados postoperatorios a largo plazo siguen siendo insatisfactorios. En este escenario, el papel del trasplante hepático ha sido, en los últimos años, predominante, debido a la capacidad del trasplante para reducir la recurrencia de la enfermedad, debido al tratamiento de la cirrosis hepática asociada al CHC, que representa el factor más importante de recurrencia. Por lo demás, la escasez de fuente de órganos ha sido un impulso para la expansión de la resección hepática, no solo confinada en el límite considerado en el algoritmo BCLC (directrices avaladas por EASL y AASLD), sino incluso en pacientes considerados no aptos para el tratamiento curativo así como la resección hepática. Aunque el tratamiento quirúrgico se ha adoptado en los últimos años en más pacientes fuera de las Guías con resultados satisfactorios en términos de mortalidad, morbilidad y resultados oncológicos a corto plazo, los límites de este abordaje siguen siendo la supervivencia libre de enfermedad a largo plazo.

Los factores de riesgo para la recurrencia aún se han identificado en los últimos años como la dimensión del hcc, la clasificación, la invasión microvascular y la satelitosis. La evidencia de que estos dos factores pronósticos podrían tener un impacto negativo en el pronóstico a largo plazo aumentando el riesgo de recurrencia, ha llevado a muchos autores a proponer la resección anatómica (resección segmentaria) como el tratamiento quirúrgico ideal para reducir estos riesgos en pacientes con CHC. De lo contrario, los resultados de la literatura están en conflicto con respecto al beneficio real de este enfoque. De hecho, en muchos pacientes con CHC y cirrosis subyacente, el abordaje anatómico no es factible debido al riesgo de insuficiencia hepática posoperatoria. Por lo tanto, se ha desarrollado una técnica de preservación del parénquima y se ha comparado con la resección anatómica en términos de resultados oncológicos. En la actualidad, todos estos factores de riesgo no son predecibles y los sistemas de estadificación se basan únicamente en características radiológicas crudas como el número y el tamaño de los nódulos. En los últimos años, varios autores propusieron nuevos enfoques para aumentar nuestra capacidad de extraer datos de las imágenes radiológicas: mediante el análisis de las medidas y los números obtenidos durante la adquisición radiológica (mediante tomografías computarizadas o resonancias magnéticas), se pueden obtener miles de otras informaciones, superando la capacidad de los ojos humanos. Esas técnicas se denominan "Radiomics", que es una rama muy prometedora cuando se fusiona con los nuevos algoritmos de aprendizaje automático (p. Deep Learning, Redes Neuronales, etc). Además, hoy en día, también se pueden obtener datos novedosos mediante una simple fotografía intraoperatoria obtenida durante el procedimiento quirúrgico, por ejemplo, de la superficie del corte del hígado: mediante el "análisis de visión por computadora", otro poderoso algoritmo de aprendizaje automático, se pueden producir otros datos para predecir resultados a corto y largo plazo. Esas potencialidades se basan en el campo moderno de la "inteligencia artificial", donde se entrena una máquina para reconocer diferentes patrones recurrentes para crear modelos de predicción con una precisión muy poderosa. En estos datos se basa la propuesta de crear el presente estudio multicéntrico con el objetivo de desarrollar un modelo de predicción de complicaciones postoperatorias y recurrencia de CHC, basado en el análisis de características de TC-radiómica, fotos de superficie de corte de hígado y análisis de aprendizaje automático.