Valutazione della Funzione Polmonare Postoperatoria Basata su Studio di Apprendimento Profondo

I miglioramenti nello screening TC a bassa dose hanno portato a un aumento delle diagnosi di NSCLC in stadio precoce, con la resezione chirurgica – solitamente lobectomia o segmentectomia – che rimane l'opzione curativa principale. A Hong Kong, tuttavia, i pazienti presentano frequentemente comorbidità come malattie respiratorie croniche o problemi cardiovascolari, rendendo la conservazione del tessuto polmonare sano cruciale per la loro qualità di vita a lungo termine. La resezione chirurgica tradizionale, come la lobectomia o la segmentectomia, presenta alcune limitazioni in termini di conservazione funzionale. Al contrario, l'ablazione bronchoscopica robotica/navigazionale è emersa negli ultimi anni come una nuova strategia di trattamento endoscopico minimamente invasivo. Questo approccio è stato implementato in alcuni centri selezionati e dimostra potenziali vantaggi, inclusi un recupero postoperatorio più rapido, un trauma ridotto e una migliore conservazione della funzione polmonare. Sfruttando sistemi di navigazione avanzati, l'ablazione bronchoscopica consente una localizzazione e ablazione precisa dei noduli polmonari, evitando l'ampia resezione di tessuto polmonare sano richiesta nella chirurgia tradizionale. Questi benefici promettono di migliorare la qualità di vita a lungo termine e i tassi di sopravvivenza dei pazienti.

Inoltre, i test di funzionalità polmonare convenzionali come il FEV₁ e la capacità di diffusione del polmone per il monossido di carbonio forniscono solo una valutazione globale della capacità respiratoria, che potrebbe non catturare appieno i cambiamenti regionali nella funzione polmonare che si verificano dopo una segmentectomia o lobectomia. Allo stesso modo, la volumetria TC di base trascura dettagli anatomici più fini come la distribuzione segmentale delle vie aeree, le reti microvascolari e la compliance alveolare locale. Inoltre, attualmente ci sono pochi studi comparativi diretti tra l'ablazione bronchoscopica robotica/navigazionale e la resezione chirurgica tradizionale riguardo alla funzione polmonare postoperatoria e agli esiti a lungo termine. Supportato dal Research Grants Council, il nostro lavoro dal 2019 ha validato la fattibilità e la sicurezza di questa tecnica, portando a un ampio riconoscimento e numerose pubblicazioni. Tuttavia, la maggior parte della ricerca esistente è retrospettiva o derivata da dati di singoli centri, con un focus primario sulla sicurezza a breve termine e sulla fattibilità tecnica.

Per affrontare queste limitazioni, viene proposto un approccio integrato che sfrutta l'imaging 3D-TC e il ML. Il machine learning è una tecnologia che utilizza algoritmi per apprendere automaticamente dai dati e fare previsioni o decisioni. Il deep learning, un sottocampo del ML, utilizza reti neurali multistrato per estrarre efficacemente caratteristiche e riconoscere pattern in dati complessi e ad alta dimensionalità. Il ML, e in particolare il DL, ha dimostrato un notevole potenziale in varie applicazioni di imaging medico, inclusa la rilevazione di lesioni, la segmentazione dei tessuti e la previsione degli esiti. Apprendendo automaticamente pattern complessi in dati ad alta dimensionalità, i modelli ML e DL possono interpretare caratteristiche radiologiche sottili che potrebbero essere trascurate dalle analisi convenzionali. Nel contesto dell'imaging 3D-TC per il NSCLC, le architetture DL – come le reti neurali convoluzionali – possono estrarre caratteristiche dettagliate dalle scansioni volumetriche, consentendo una quantificazione robusta delle dimensioni, forma e posizione del tumore, nonché una valutazione raffinata del parenchima polmonare. Quando integrati con parametri di funzionalità polmonare e dati clinici, questi algoritmi forniscono un mezzo potente per generare modelli predittivi, identificare precocemente i pazienti a rischio e guidare la pianificazione del trattamento individualizzato. Inoltre, gli approcci basati su ML possono adattarsi a dataset in evoluzione nel tempo, perfezionando e migliorando continuamente le loro prestazioni. Questa scalabilità e adattabilità sono particolarmente preziose negli studi prospettici, dove vengono raccolti grandi dataset multimodali per valutare l'impatto a lungo termine di diverse strategie di trattamento. Di conseguenza, incorporare ML e DL in questa ricerca non solo migliora la precisione della previsione degli esiti, ma contribuisce anche a un framework standardizzato per una valutazione dinamica e personalizzata della funzione polmonare, guidando decisioni cliniche più informate.

L'obiettivo principale di questo studio è determinare se la segmentectomia offra effettivamente una migliore conservazione funzionale rispetto alla lobectomia, se l'ablazione bronchoscopica guidata da robot/navigazione raggiunga effettivamente una conservazione superiore della funzione polmonare rispetto alla resezione chirurgica tradizionale e in quali specifiche condizioni del paziente ciascun approccio possa produrre il maggior beneficio. Intraprendendo un'indagine prospettica e ben progettata, la ricerca colmerà una lacuna critica nelle evidenze riguardo agli esiti funzionali a lungo termine, fornendo criteri più chiari per selezionare il tipo di resezione più appropriato. Inoltre, l'introduzione di uno strumento di valutazione integrato e standardizzato ha il potenziale di ottimizzare il processo decisionale chirurgico e l'assistenza postoperatoria, migliorando infine la sopravvivenza e la qualità di vita dei pazienti con NSCLC in stadio precoce a Hong Kong e potenzialmente informando le migliori pratiche in altri contesti sanitari.