Desenvolvendo um modelo de aprendizado de máquina para prever a adesão pleural no pré-operatório usando ultrassom pleural

O câncer de pulmão é atualmente a principal causa de morte por tumores malignos em todo o mundo. A cirurgia é o principal método de tratamento do câncer de pulmão, e os avanços nas técnicas cirúrgicas torácicas desempenham um papel crucial no diagnóstico e tratamento do câncer de pulmão. A tecnologia de ultrassom médico, por suas características não invasivas, flexíveis, convenientes e econômicas, é amplamente utilizada na prática clínica. Com o avanço da tecnologia de ultrassom e a necessidade de enfrentar os desafios clínicos, a tecnologia de imagem por ultrassom tem visto novos desenvolvimentos no campo da cirurgia toracoscópica.

Na era da cirurgia minimamente invasiva, as aderências pleurais intraoperatórias são um dos principais fatores que afetam a implementação da cirurgia toracoscópica videoassistida (VATS). Especialmente sob o conceito de recuperação melhorada após a cirurgia (ERAS), o modelo de cirurgia diurna para VATS gradualmente tomou forma. No entanto, as aderências pleurais aumentam significativamente o trauma intraoperatório e prolongam a internação hospitalar. Além disso, as aderências pleurais aumentam o risco de lesão pulmonar durante a VATS e, em casos graves, podem dificultar o acesso ao espaço pleural, necessitando de conversão para toracotomia aberta. As aderências pleurais aumentam o tempo intraoperatório e a morbidade em cirurgia torácica devido à má visibilidade, sangramento e lesões pulmonares e vasculares. A presença, localização e grau de aderências pleurais são úteis para determinar a localização inicial da porta ou escolher entre abordagens abertas ou VATS. Portanto, prever com precisão a presença e a localização específica das aderências pleurais no pré-operatório é crucial para o desenvolvimento da cirurgia diurna sob ERAS torácica, garantindo a segurança e eficiência de futuras cirurgias diurnas VATS.

Estudos anteriores demonstraram que a TC de tórax é difícil de prever aderências pleurais, com sensibilidade de apenas 72% e sensibilidade de apenas 46% para determinar aderências em locais específicos. Em contraste, a ultrassonografia da pleura (USP) pode exibir dinamicamente o deslizamento pleural e as aderências com o tecido pulmonar circundante e possui recursos de monitoramento em tempo real com base no movimento, proporcionando vantagens únicas na detecção de aderências pleurais. A previsão pré-operatória de aderências pleurais usando USP tem valor de aplicação significativo. Estudos já demonstraram as vantagens do uso da ultrassonografia pleural transtorácica para identificação de aderências pleurais. Nicola et al. realizaram 1.192 ultrassonografias para predizer aderências pleurais, confirmando 1.124 casos positivos e 68 casos negativos, com sensibilidade de 80,6%, especificidade de 96,1%, valor preditivo positivo de 73,2% e valor preditivo negativo de 97,4%. No entanto, ainda existem alguns problemas com o uso da USP para prever aderências pleurais. Os médicos que conseguem identificar aderências pleurais precisam ser treinados em ultrassonografia pulmonar, e o exame e a interpretação ultrassonográfica são técnicas que dependem de habilidade. A carga de treinamento de médicos de ultrassom torácico continua sendo um desafio clínico.

A tecnologia de rede neural convolucional tridimensional (3D-CNN) é uma tecnologia emergente no campo da inteligência artificial e do aprendizado de máquina. Ao contrário das redes neurais convolucionais tradicionais (CNN), o 3D-CNN pode processar dados tridimensionais que incluem uma dimensão de tempo, tornando-o adequado para analisar os recursos de imagem dinâmica em tempo real de imagens de ultrassom. Esta tecnologia é promissora para o desenvolvimento de um modelo de aprendizado de máquina para interpretar imagens USP, potencialmente substituindo a interpretação médica e melhorando a precisão da USP na identificação de aderências pleurais.

Em resumo, este estudo pretende utilizar a USP para identificação pré-operatória de aderências pleurais em pacientes agendados para cirurgia VATS. O objetivo é investigar a precisão da USP na previsão de aderências pleurais intraoperatórias e desenvolver um modelo de diagnóstico usando a tecnologia 3D-CNN para processar imagens e dados de vídeo relacionados à USP para aprendizado de máquina. O estudo irá explorar a sensibilidade, especificidade, valor preditivo positivo e valor preditivo negativo do modelo 3D-CNN-USP na identificação de aderências pleurais. Além disso, examinará a viabilidade e eficácia do uso do 3D-CNN-USP para identificação pré-operatória de aderências pleurais para apoiar a implementação de cirurgia ambulatorial em cirurgia torácica.