Avaliação da Função Pulmonar Pós-Operatória Baseada no Estudo de Aprendizagem Profunda

As melhorias no rastreio por TC de baixa dose levaram a um aumento nos diagnósticos de NSCLC em estadio inicial, com a ressecção cirúrgica — geralmente lobectomia ou segmentectomia — a permanecer a principal opção curativa. Em Hong Kong, no entanto, os doentes frequentemente apresentam comorbilidades como doença respiratória crónica ou problemas cardiovasculares, tornando a preservação de tecido pulmonar saudável crucial para a sua qualidade de vida a longo prazo. A ressecção cirúrgica tradicional, como a lobectomia ou segmentectomia, tem certas limitações em termos de preservação funcional. Em contraste, a ablação broncoscópica robótica/navegacional emergiu nos últimos anos como uma nova estratégia de tratamento endoscópico minimamente invasivo. Esta abordagem tem sido implementada em centros selecionados e demonstra vantagens potenciais, incluindo recuperação pós-operatória mais rápida, trauma reduzido e melhor preservação da função pulmonar. Ao aproveitar sistemas de navegação avançados, a ablação broncoscópica permite a localização e ablação precisa de nódulos pulmonares, evitando a extensa ressecção de tecido pulmonar saudável necessária na cirurgia tradicional. Estes benefícios prometem melhorar a qualidade de vida a longo prazo e as taxas de sobrevivência dos doentes.

Além disso, os testes convencionais de função pulmonar como o FEV₁ e a capacidade de difusão do pulmão para o monóxido de carbono fornecem apenas uma avaliação global da capacidade respiratória, que pode não captar totalmente as alterações regionais na função pulmonar que ocorrem após a segmentectomia ou lobectomia. Da mesma forma, a volumetria básica por TC ignora detalhes anatómicos mais finos, como a distribuição segmentar das vias aéreas, as redes microvasculares e a complacência alveolar local. Além disso, atualmente há uma escassez de estudos comparativos diretos entre a ablação broncoscópica robótica/navegacional e a ressecção cirúrgica tradicional em relação à função pulmonar pós-operatória e aos resultados a longo prazo. Apoiado pelo Conselho de Subvenções para a Investigação, o nosso trabalho desde 2019 validou a viabilidade e segurança desta técnica, levando a um reconhecimento generalizado e a numerosas publicações. No entanto, a maioria da investigação existente é retrospetiva ou derivada de dados de um único centro, com um foco principal na segurança a curto prazo e na viabilidade técnica.

Para abordar estas limitações, propõe-se uma abordagem integrativa que aproveita a imagem 3D-TC e o ML. A aprendizagem automática é uma tecnologia que utiliza algoritmos para aprender automaticamente a partir de dados e fazer previsões ou decisões. A aprendizagem profunda, um subcampo do ML, utiliza redes neuronais multicamada para extrair eficazmente características e reconhecer padrões em dados complexos e de alta dimensão. O ML, e particularmente o DL, demonstrou um potencial notável em várias aplicações de imagiologia médica, incluindo deteção de lesões, segmentação de tecidos e previsão de resultados. Ao aprender automaticamente padrões complexos em dados de alta dimensão, os modelos de ML e DL podem interpretar características radiológicas subtis que podem ser perdidas pelas análises convencionais. No contexto da imagiologia 3D-TC para o NSCLC, as arquiteturas DL — como as redes neuronais convolucionais — podem extrair características detalhadas de exames volumétricos, permitindo uma quantificação robusta do tamanho, forma e localização do tumor, bem como uma avaliação refinada do parênquima pulmonar. Quando integrados com parâmetros de função pulmonar e dados clínicos, estes algoritmos fornecem um meio poderoso para gerar modelos preditivos, identificar doentes em risco mais cedo e orientar o planeamento de tratamento individualizado. Além disso, as abordagens orientadas por ML podem adaptar-se a conjuntos de dados em evolução ao longo do tempo, refinando e melhorando continuamente o seu desempenho. Esta escalabilidade e adaptabilidade são especialmente valiosas em estudos prospetivos, onde grandes conjuntos de dados multimodais são recolhidos para avaliar o impacto a longo prazo de diferentes estratégias de tratamento. Consequentemente, incorporar ML e DL nesta investigação não só melhora a precisão da previsão de resultados, como também contribui para um quadro padronizado para a avaliação dinâmica e personalizada da função pulmonar, orientando uma tomada de decisão clínica mais informada.

O principal objetivo deste estudo é determinar se a segmentectomia oferece realmente uma melhor preservação funcional do que a lobectomia, se a ablação broncoscópica guiada por robótica/navegação realmente alcança uma preservação superior da função pulmonar em comparação com a ressecção cirúrgica tradicional, e sob quais condições específicas do doente cada abordagem pode produzir o maior benefício. Ao empreender uma investigação prospetiva e bem desenhada, a investigação preencherá uma lacuna crítica na evidência sobre os resultados funcionais a longo prazo, fornecendo critérios mais claros para selecionar o tipo de ressecção mais apropriado. Além disso, a introdução de uma ferramenta de avaliação integrativa padronizada tem o potencial de otimizar a tomada de decisão cirúrgica e os cuidados pós-operatórios, melhorando, em última análise, a sobrevivência e a qualidade de vida dos doentes com NSCLC em estadio inicial em Hong Kong e potencialmente informando as melhores práticas noutros contextos de saúde.