Desarrollo de un modelo de aprendizaje automático para predecir la adherencia pleural antes de la operación mediante ecografía pleural

El cáncer de pulmón es actualmente la principal causa de muerte por tumores malignos en todo el mundo. La cirugía es el principal método de tratamiento del cáncer de pulmón y los avances en las técnicas quirúrgicas torácicas desempeñan un papel crucial en el diagnóstico y tratamiento del cáncer de pulmón. La tecnología de ultrasonido médico, debido a sus características no invasivas, flexibles, convenientes y económicas, es ampliamente utilizada en la práctica clínica. Con el avance de la tecnología de ultrasonido y la necesidad de abordar los desafíos clínicos, la tecnología de imágenes por ultrasonido ha visto nuevos desarrollos en el campo de la cirugía toracoscópica.

En la era de la cirugía mínimamente invasiva, las adherencias pleurales intraoperatorias son uno de los principales factores que afectan la implementación de la cirugía toracoscópica videoasistida (VATS). Especialmente bajo el concepto de recuperación mejorada después de la cirugía (ERAS), el modelo de cirugía ambulatoria para VATS ha ido tomando forma gradualmente. Sin embargo, las adherencias pleurales aumentan significativamente el trauma intraoperatorio y prolongan la estancia hospitalaria. Además, las adherencias pleurales aumentan el riesgo de lesión pulmonar durante la VATS y, en casos graves, pueden dificultar el acceso al espacio pleural, lo que requiere conversión a toracotomía abierta. Las adherencias pleurales aumentan el tiempo intraoperatorio y la morbilidad en cirugía torácica debido a la mala visibilidad, el sangrado y las lesiones pulmonares y vasculares. La presencia, ubicación y grado de adherencias pleurales son útiles para determinar la ubicación inicial del puerto o elegir entre abordajes abiertos o VATS. Por lo tanto, predecir con precisión la presencia y ubicación específica de las adherencias pleurales preoperatoriamente es crucial para el desarrollo de la cirugía ambulatoria bajo ERAS torácico, garantizando la seguridad y eficiencia de futuras cirugías ambulatorias VATS.

Estudios anteriores han demostrado que la TC de tórax es difícil de predecir las adherencias pleurales, con una sensibilidad de sólo el 72% y una sensibilidad de sólo el 46% para determinar adherencias en ubicaciones específicas. Por el contrario, la ecografía de la pleura (USP) puede mostrar dinámicamente el deslizamiento pleural y las adherencias con el tejido pulmonar circundante, y tiene capacidades de monitoreo en tiempo real basadas en el movimiento, lo que proporciona ventajas únicas para detectar adherencias pleurales. La predicción preoperatoria de adherencias pleurales mediante la USP tiene un valor de aplicación significativo. Los estudios ya han demostrado las ventajas de utilizar la ecografía pleural transtorácica para identificar adherencias pleurales. Nicola et al. realizaron 1.192 ecografías para predecir adherencias pleurales, confirmando 1.124 casos positivos y 68 casos negativos, con una sensibilidad del 80,6%, especificidad del 96,1%, valor predictivo positivo del 73,2% y valor predictivo negativo del 97,4%. Sin embargo, todavía existen algunos problemas con el uso de la USP para predecir adherencias pleurales. Los médicos que pueden identificar adherencias pleurales deben estar capacitados en ecografía pulmonar, y el examen y la interpretación de la ecografía son técnicas que dependen de la habilidad. La carga de formar médicos ecografistas torácicos sigue siendo un desafío clínico.

La tecnología de red neuronal convolucional tridimensional (3D-CNN) es una tecnología emergente en el campo de la inteligencia artificial y el aprendizaje automático. A diferencia de las redes neuronales convolucionales (CNN) tradicionales, 3D-CNN puede procesar datos tridimensionales que incluyen una dimensión temporal, lo que la hace adecuada para analizar las características dinámicas en tiempo real de las imágenes de ultrasonido. Esta tecnología es prometedora para desarrollar un modelo de aprendizaje automático para interpretar imágenes de USP, reemplazando potencialmente la interpretación médica y mejorando la precisión de la USP en la identificación de adherencias pleurales.

En resumen, este estudio pretende utilizar la USP para la identificación preoperatoria de adherencias pleurales en pacientes programados para cirugía VATS. Su objetivo es investigar la precisión de la USP en la predicción de adherencias pleurales intraoperatorias y desarrollar un modelo de diagnóstico utilizando tecnología 3D-CNN para procesar imágenes y datos de video relacionados con la USP para el aprendizaje automático. El estudio explorará la sensibilidad, especificidad, valor predictivo positivo y valor predictivo negativo del modelo 3D-CNN-USP para identificar adherencias pleurales. Además, examinará la viabilidad y eficacia del uso de 3D-CNN-USP para la identificación preoperatoria de adherencias pleurales para apoyar la implementación de la cirugía ambulatoria en cirugía torácica.