Estratificação de Risco de Hepatocarcinogênese Usando um Modelo Clínico, Biológico e de Ultrassom Baseado em Deep Learning em Pacientes de Alto Risco (STARHE)

Até 2030, o carcinoma hepatocelular (CHC) se tornará a segunda principal causa de morte relacionada ao câncer, sendo responsável por mais de um milhão de mortes por ano, de acordo com a Organização Mundial da Saúde.

Até esta data, a triagem para carcinoma hepatocelular na França permanece uniforme para todos os pacientes, com base apenas em um ultrassom do fígado a cada 6 meses. Este esquema tem a vantagem de associar uma relação custo-eficácia aceitável e, sobretudo, de obter um aumento da sobrevida global. No entanto, esta estratégia tem três limitações principais: falta de personalização, baixa adesão, desempenho relativamente pobre do ultrassom.

Modelos de estratificação de risco foram desenvolvidos para hepatite C crônica, cirrose alcoólica e esteato-hepatite não alcoólica (NASH), incluindo parâmetros clínicos (idade, sexo, índice de massa corporal e diabetes) e biológicos (ASAT/ALAT, plaquetas, albumina). Porém, não incluíram a análise do parênquima hepático que é o substrato fisiopatológico da hepatocarcinogênese. Na década de 1990, vários autores estudaram a incidência do carcinoma hepatocelular de acordo com a ecoestrutura hepática. Eles concordaram com o risco excessivo representado por uma ecoestrutura heterogênea nodular com uma razão de taxa estimada de até 20.

No entanto, todos esses resultados ainda não levaram a uma estratégia de triagem radiológica personalizada. O advento de novas técnicas de inteligência artificial pode revolucionar a abordagem.

O aprendizado profundo, uma subclasse do aprendizado de máquina, é uma área popular de pesquisa que pode ajudar os humanos a realizar determinadas tarefas. Ao contrário da radiômica, o aprendizado profundo pode identificar automaticamente novos recursos de imagem não definidos por humanos.

A hipótese deste estudo é que o parênquima hepático cirrótico não tumoral é rico em informações estruturais que refletem a gravidade da hepatopatia, seu risco carcinológico e o processo de hepatocarcinogênese. A sua análise aliada a dados clínicos e biológicos, já estudados para estratificar o risco de hepatocarcinogénese, permitirá definir uma população de risco muito elevado, nomeadamente no contexto da erradicação do Vírus da Hepatite C (HCV) e do Vírus da Hepatite B (VHB ) ao controle.

Consequentemente, este estudo propõe projetar prospectivamente um modelo de aprendizado profundo para estratificação do risco de hepatocarcinogênese, incluindo parâmetros de ultrassom clínicos, biológicos e radiológicos. O objetivo principal do estudo é identificar uma população com risco muito alto de desenvolver hepatocarcinoma, a fim de propor diferentes modalidades de triagem para os pacientes de maior risco.

Este estudo clínico incluirá pacientes com idade superior a 18 anos encaminhados pelo seu hepatologista no âmbito da triagem ultrassonográfica de acordo com as recomendações da European Association for the Study of the Liver (EASL) para triagem de carcinoma hepatocelular, exceto para doença hepática não cirrótica por HBV: não -doença hepática cirrótica em estágio F3 de qualquer causa com base na avaliação de risco individual para hepatocarcinoma; cirrose de qualquer causa, não viral ou curada virologicamente (HCV) ou controlada (HBV). Pacientes com histórico de carcinoma hepatocelular tratado serão excluídos.

Dois grupos de pacientes serão constituídos prospectivamente: o grupo 1 incluirá pacientes com diagnóstico de carcinoma hepatocelular maior que 1 cm (padrões diagnósticos de referência: radiológico ou histológico). Esses pacientes, portanto, corresponderão a um risco muito alto; O grupo 2 incluirá pacientes sem carcinoma hepatocelular, correspondendo assim a um risco menor. Uma ultrassonografia com intervalo de 1 ano será realizada nos pacientes do grupo 2 para confirmar a ausência de novo nódulo no ano seguinte à inclusão. A proporção de novo carcinoma hepatocelular não deve exceder 3%.

Os dados coletados serão parâmetros clínicos, biológicos, elastográficos e ultrassônicos.

Um modelo de Deep Learning usando uma arquitetura de rede neural convolucional profunda será desenvolvido em Python usando esses dados.

Em um total de 7 locais de investigação, 300 pacientes (distribuídos equitativamente entre os dois grupos) serão incluídos na coorte de treinamento/validação e 100 pacientes (distribuídos equitativamente entre os dois grupos) na coorte de teste. Esses números são calculados a partir de estudos de ultrassom que relatam uma taxa de risco de CHC de até 20 em caso de padrão de ultrassom macronodular e requisitos de Deep Learning (números grandes necessários).

As coortes de treinamento/validação e teste serão de centros externos e independentes.

O desempenho diagnóstico do modelo será estimado pela área sob a curva (AUC), sensibilidade, especificidade e F1-score (intervalos de confiança de 95%) na coorte de teste.