O desenvolvimento, segurança e viabilidade de uma plataforma alimentada por inteligência artificial (NodeAI) para previsão em tempo real de malignidade de linfonodo mediastinal durante estadiamento de ultrassom endobrônquico para câncer de pulmão (NodeAI)

O câncer de pulmão é a principal causa de mortes anuais por câncer em todo o mundo, mais do que os cânceres de mama, próstata e cólon juntos. O estadiamento dos linfonodos torácicos (LNs) é uma etapa crucial no caminho do diagnóstico do câncer de pulmão porque auxilia nas decisões de tratamento - se um paciente é candidato à ressecção pulmonar, quimioterapia, radiação ou tratamentos multimodais. A aspiração transbrônquica por agulha por ultrassom endobrônquico (EBUS-TBNA) é o padrão atual para estadiamento nodal torácico para câncer de pulmão de células não pequenas (NSCLC), e as diretrizes determinam que a amostragem sistemática (SS) de pelo menos 3 estações LN torácicas seja realizada rotineiramente para precisão. encenação. Infelizmente, a EBUS-TBNA produz resultados imprecisos em 40% dos pacientes, levando a decisões de tratamento mal informadas. Essa proporção é muito maior em pacientes com LNs triplos normais [LNs que parecem normais em tomografia computadorizada (TC), tomografia por emissão de pósitrons (PET) e EBUS], que demonstraram ter uma chance> 93% de serem verdadeiramente benigno. Isso porque a EBUS-TBNA é baseada na ultrassonografia, cujo sucesso depende muito da habilidade de quem a realiza (operador). Quando o operador comete um erro, todo o procedimento fica comprometido. Isto causa atrasos posteriores no tratamento devido a testes repetidos e decisões de tratamento mal informadas.

Na última década, o investigador tem conduzido uma série de estudos e ensaios de pesquisa: o desenvolvimento e validação do Canada Lymph Node Score (CLNS) - uma medida semiquantitativa de malignidade do LN derivada do cirurgião; uma versão do CLNS baseada em Inteligência Artificial (IA) para prever malignidade; e uma IA totalmente autônoma que aprendeu a prever a malignidade diretamente a partir de imagens de ultrassom, para introduzir a IA no caminho de tomada de decisão no NSCLC. Isto resultou na criação de um software alimentado por IA para prever malignidade em LNs mediastinais de pacientes com câncer de pulmão. O software está atualmente hospedado em armazenamento em nuvem e suas aplicações são latentes – o que significa que as imagens LN devem ser carregadas no software e os resultados serão recebidos em um momento futuro. Na sua forma atual, o software não está pronto para aplicação clínica devido a esta latência. Neste projeto, o investigador pretende construir um dispositivo point-of-care que irá abrigar o software (NodeAI) e entregar resultados em tempo real ao cirurgião, e este dispositivo será testado em um ensaio clínico.