Inteligência Artificial e Carcinoma Hepatocelular (ARTIHCC)

O carcinoma hepatocelular (CHC) é 1 das 5 doenças malignas mais comuns em todo o mundo e a terceira causa mais comum de mortalidade relacionada ao câncer de 500.000 mortes em todo o mundo a cada ano.

Embora mais comum no leste da Ásia, a incidência de CHC está aumentando no mundo ocidental. A ressecção hepática é a opção terapêutica de primeira linha, sendo aceita como um tratamento seguro e com impacto prognóstico comprovado, com baixa mortalidade operatória devido aos avanços nas técnicas cirúrgicas e no manejo perioperatório. No entanto, a ressecção cirúrgica é aplicável em apenas cerca de 20% a 30% dos pacientes com CHC, uma vez que a maioria tem função de reserva hepática deficiente causada por doença hepática crônica subjacente e distribuições hepáticas multifocais do CHC. Embora a ressecção hepática seja um dos tratamentos curativos para o carcinoma hepatocelular, a taxa de recorrência do CHC mesmo após a ressecção curativa é bastante alta, estimada em aproximadamente 50% durante os primeiros 3 anos e mais de 70% durante os primeiros 5 anos após a ressecção curativa , e assim os resultados pós-operatórios a longo prazo permanecem insatisfatórios. Neste cenário, o papel do transplante de fígado tem sido, nos últimos anos, predominante, devido à capacidade do transplante de reduzir a recorrência da doença, devido ao tratamento da cirrose hepática associada ao CHC, que representa o principal fator de recorrência. Caso contrário, a escassez de fonte de órgãos tem sido um impulso para a disseminação da ressecção hepática, não apenas confinada no limite considerado no algoritmo BCLC (diretrizes endossadas pela EASL e AASLD), mas também em pacientes considerados não adequados para tratamento curativo bem como ressecção hepática. Embora o tratamento cirúrgico tenha sido adotado nos últimos anos em mais pacientes fora das Diretrizes com resultados satisfatórios em termos de mortalidade, morbidade e resultados oncológicos de curto prazo, os limites dessa abordagem permanecem a sobrevida livre de doença a longo prazo.

Fatores de risco para recorrência ainda foram identificados nos últimos anos como dimensão do CHC, graduação, invasão microvascular e satelitose. A evidência de que esses dois fatores prognósticos poderiam impactar negativamente no prognóstico a longo prazo, aumentando o risco de recorrência, levou muitos autores a propor a ressecção anatômica (ressecção segmentar) como o tratamento cirúrgico ideal para reduzir esses riscos em pacientes com CHC. Caso contrário, os resultados da literatura são conflitantes quanto ao real benefício dessa abordagem. De fato, em muitos pacientes com CHC e cirrose subjacente, a abordagem anatômica não é viável devido ao risco de insuficiência hepática pós-operatória. Assim, uma técnica de preservação do parênquima foi desenvolvida e comparada à ressecção anatômica em termos de resultados oncológicos. Atualmente, todos esses fatores de risco não são previsíveis e os sistemas de estadiamento são baseados apenas em características radiológicas brutas como o número e o tamanho dos nódulos. Nos últimos anos, vários autores propuseram novas abordagens para aumentar nossa capacidade de extrair dados da imagem radiológica: pela análise das medidas e números obtidos durante a aquisição radiológica (por tomografia computadorizada ou ressonância magnética), milhares de outras informações são obtidas, superando a capacidade dos olhos humanos. Essas técnicas recebem o nome de "Radiômica", que é um ramo muito promissor quando mesclado com os novos algoritmos de aprendizado de máquina (por exemplo, Deep Learning, Redes Neurais, etc). Além disso, hoje em dia, novos dados podem ser obtidos também por simples fotos intraoperatórias obtidas durante o procedimento cirúrgico, por exemplo, da superfície de corte do fígado: pela "análise de visão por computador", outro poderoso algoritmo de aprendizado de máquina, outros dados podem ser produzidos para prever resultados de curto e longo prazo. Essas potencialidades dependem do campo moderno da "inteligência artificial", onde uma máquina é treinada para reconhecer diferentes padrões recorrentes para criar modelos de previsão com uma precisão muito poderosa. Com base nesses dados, a proposta de criar o presente estudo multicêntrico com o objetivo de desenvolver um modelo de previsão de complicações pós-operatórias e recorrência de CHC, com base na análise de recursos de TC-radiômica, fotos de superfície de corte do fígado e análise de aprendizado de máquina.