Evaluación de la Función Pulmonar Postoperatoria Basada en Estudio de Aprendizaje Profundo

Las mejoras en la detección mediante TC de baja dosis han llevado a un aumento en los diagnósticos de cáncer de pulmón de células no pequeñas (CPCNP) en estadios tempranos, siendo la resección quirúrgica—generalmente lobectomía o segmentectomía—la principal opción curativa. Sin embargo, en Hong Kong, los pacientes suelen presentar comorbilidades como enfermedades respiratorias crónicas o problemas cardiovasculares, lo que hace que la preservación del tejido pulmonar sano sea crucial para su calidad de vida a largo plazo. La resección quirúrgica tradicional, como la lobectomía o la segmentectomía, tiene ciertas limitaciones en términos de preservación funcional. En contraste, la ablación broncoscópica robótica/navegacional ha surgido en los últimos años como una novedosa estrategia de tratamiento endoscópico mínimamente invasiva. Este enfoque se ha implementado en centros seleccionados y demuestra ventajas potenciales, incluyendo una recuperación postoperatoria más rápida, menos traumatismo y una mejor preservación de la función pulmonar. Al aprovechar sistemas de navegación avanzados, la ablación broncoscópica permite la localización y ablación precisa de nódulos pulmonares, evitando la resección extensa de tejido pulmonar sano requerida en la cirugía tradicional. Estos beneficios prometen mejorar la calidad de vida a largo plazo y las tasas de supervivencia de los pacientes.

Además, las pruebas de función pulmonar convencionales como el VEF₁ y la capacidad de difusión del pulmón para el monóxido de carbono solo proporcionan una evaluación global de la capacidad respiratoria, que puede no capturar completamente los cambios regionales en la función pulmonar que ocurren después de una segmentectomía o lobectomía. Del mismo modo, la volumetría por TC básica pasa por alto detalles anatómicos más finos como la distribución segmentaria de las vías respiratorias, las redes microvasculares y la compliance alveolar local. Además, actualmente hay una escasez de estudios comparativos directos entre la ablación broncoscópica robótica/navegacional y la resección quirúrgica tradicional en cuanto a la función pulmonar postoperatoria y los resultados a largo plazo. Respaldado por el Consejo de Subvenciones de Investigación, nuestro trabajo desde 2019 ha validado la viabilidad y seguridad de esta técnica, lo que ha llevado a un amplio reconocimiento y numerosas publicaciones. Sin embargo, la mayoría de las investigaciones existentes son retrospectivas o derivadas de datos de un solo centro, con un enfoque principal en la seguridad a corto plazo y la viabilidad técnica.

Para abordar estas limitaciones, se propone un enfoque integrador que aprovecha la imagenología 3D-TC y el aprendizaje automático (ML). El aprendizaje automático es una tecnología que utiliza algoritmos para aprender automáticamente de los datos y hacer predicciones o decisiones. El aprendizaje profundo (DL), un subcampo del ML, utiliza redes neuronales multicapa para extraer características de manera efectiva y reconocer patrones en datos complejos y de alta dimensión. El ML, y particularmente el DL, ha demostrado un potencial notable en diversas aplicaciones de imagenología médica, incluida la detección de lesiones, segmentación de tejidos y predicción de resultados. Al aprender automáticamente patrones complejos en datos de alta dimensión, los modelos de ML y DL pueden interpretar características radiológicas sutiles que podrían pasar desapercibidas en análisis convencionales. En el contexto de la imagenología 3D-TC para el CPCNP, las arquitecturas de DL—como las redes neuronales convolucionales—pueden extraer características detalladas de exploraciones volumétricas, permitiendo una cuantificación robusta del tamaño, forma y ubicación del tumor, así como una evaluación refinada del parénquima pulmonar. Cuando se integran con parámetros de función pulmonar y datos clínicos, estos algoritmos proporcionan un medio poderoso para generar modelos predictivos, identificar pacientes en riesgo antes y guiar la planificación de tratamientos individualizados. Además, los enfoques impulsados por ML pueden adaptarse a conjuntos de datos en evolución a lo largo del tiempo, refinando y mejorando continuamente su rendimiento. Esta escalabilidad y adaptabilidad son especialmente valiosas en estudios prospectivos, donde se recopilan grandes conjuntos de datos multimodales para evaluar el impacto a largo plazo de diferentes estrategias de tratamiento. En consecuencia, incorporar ML y DL en esta investigación no solo mejora la precisión de la predicción de resultados, sino que también contribuye a un marco estandarizado para la evaluación dinámica y personalizada de la función pulmonar, guiando una toma de decisiones clínicas más informada.

El objetivo principal de este estudio es determinar si la segmentectomía realmente ofrece una mejor preservación funcional que la lobectomía, si la ablación broncoscópica guiada por robótica/navegación realmente logra una preservación superior de la función pulmonar en comparación con la resección quirúrgica tradicional, y bajo qué condiciones específicas del paciente cada enfoque puede brindar el mayor beneficio. Al emprender una investigación prospectiva y bien diseñada, este estudio llenará un vacío crítico en la evidencia sobre los resultados funcionales a largo plazo, proporcionando criterios más claros para seleccionar el tipo de resección más apropiado. Además, la introducción de una herramienta de evaluación integradora y estandarizada tiene el potencial de optimizar la toma de decisiones quirúrgicas y la atención postoperatoria, mejorando en última instancia la supervivencia y la calidad de vida de los pacientes con CPCNP en estadio temprano en Hong Kong y, potencialmente, informando las mejores prácticas en otros contextos sanitarios.