O Uso de Inteligência Artificial para a Previsão de Recorrência Após Ressecção de Metastases Hepáticas Colorretais (AI-RECOLMET)

O Cancro Colorretal (CCR) é o terceiro cancro mais comum em todo o mundo e a quarta causa mais comum de mortes relacionadas com cancro. A sobrevivência é determinada principalmente pelo estádio da doença e pela presença de metástases. A sobrevivência a cinco anos entre os doentes com CCR metastático é de 12-19%, em comparação com 90% nos doentes com doença localizada, sendo que as Metástases Hepáticas do Cancro Colorretal (MHCCR) ocorrem em 30-50% dos doentes com CCR e são responsáveis por dois terços das mortes relacionadas com o CCR. Os avanços recentes no tratamento das MHCCR aumentaram a sobrevivência global (SO) dos doentes de 6 meses para taxas de sobrevivência a 5 anos de 25-40%. A combinação entre quimioterapia e ressecção hepática continua a ser a opção terapêutica com o maior benefício de sobrevivência para os doentes com MHCCR. Embora a cirurgia ainda represente o único tratamento potencial curativo reconhecido, por outro lado, a quimioterapia moderna, também graças à introdução de fármacos biológicos, levou a uma melhor resposta e taxas de sobrevivência para os doentes com metástases hepáticas, contribuindo também para aumentar a taxa de ressecabilidade (ou seja, o número de doentes tornados operáveis graças à citorredução após terapia médica).

Até 30% dos doentes podem ser curados se as metástases no fígado puderem ser completamente removidas (o termo médico para isto é "ressecção"). Para que a cirurgia seja considerada, uma doença oncológica deve ser radicalmente ressecável do ponto de vista técnico. Ao mesmo tempo, deve ser deixada uma quantidade adequada de fígado normal após a ressecção para sustentar a vida. As terapias locorregionais, incluindo ablação térmica, quimioembolização e radiação, também são utilizadas para gerir doentes com MHCCR como alternativas ao tratamento curativo convencional. Em particular, o tratamento locorregional das MHCCR pode beneficiar da ablação térmica, seja baseada em radiofrequência ou em micro-ondas. Com efeito, mesmo que a ressecção permaneça o tratamento locorregional de escolha para metástases hepáticas ressecáveis, a ablação pode oferecer benefícios semelhantes em doentes selecionados, ajudando a poupar parênquima hepático saudável.

Apesar destas melhorias significativas no prognóstico, uma grande proporção de doentes (quase metade) irá de qualquer forma sofrer recidiva após a combinação de tratamentos locorregionais. Com a melhoria das terapias não cirúrgicas, os doentes que recidivam poderiam ser submetidos a um tratamento não cirúrgico em vez de ressecção. Portanto, é de extrema importância definir da melhor forma a estratégia de tratamento para os doentes com base numa estimativa precisa do prognóstico após o tratamento, equilibrando o risco perioperatório de morbilidade/mortalidade com o risco de recidiva. Identificar antecipadamente estes doentes recidivantes seria crucial para evitar cirurgias fúteis ou para os alocar a tratamentos adjuvantes farmacológicos (ou seja, pós-operatórios).

A maioria dos doentes com MHCCR são submetidos a programas de quimioterapia pré-operatória com uma probabilidade de resposta de cerca de 60% dos casos. Os custos de saúde e biológicos dos programas de quimioterapia são significativos. Além disso, existem atualmente vários regimes de quimioterapia, mas faltam dados indicativos de qual regime é eficaz em qual doente. Identificar antecipadamente estes doentes respondedores seria extremamente determinante para evitar tratamentos de quimioterapia fúteis sem benefício clínico e para orientar a escolha de os alocar ou não a tratamentos neoadjuvantes farmacológicos (ou seja, tratamentos pré-operatórios) e a seleção do regime adjuvante. Por sua vez, é importante distinguir precocemente os respondedores dos não respondedores para selecionar a abordagem terapêutica mais apropriada.

As características clínicas dos doentes e da doença, além da imagiologia radiológica, são todas ferramentas indispensáveis que ajudam a avaliar a extensão da doença, aferir a resposta ao tratamento e identificar toxicidades medicamentosas e recidivas. Alguns estudos sugerem que as análises de características de textura podem detetar quantitativamente metástases hepáticas antes de se tornarem visualmente detetáveis pelo radiologista. No entanto, o valor destes fatores convencionais isoladamente na previsão do prognóstico das MHCCR é limitado. Sistemas de pontuação prognóstica multifatoriais foram desenvolvidos nos últimos anos como potenciais preditores de recidiva após ressecção hepática, mas estes ainda apresentam limitações na aplicabilidade, sensibilidade e especificidade. São urgentemente necessários novos indicadores prognósticos precisos em doentes com MHCCR. Especificamente, existe uma necessidade clínica de identificar a priori doentes que têm diferentes probabilidades de desenvolver recidiva da doença após tratamento locorregional (ressecção hepática com ou sem ablação térmica) e diferentes respostas ao tratamento de quimioterapia, a fim de refinar uma alocação baseada no risco para tratamentos e de recursos. Como se sabe, a Inteligência Artificial (IA) é um ramo da ciência da computação que visa simular a inteligência e comportamentos humanos para auxiliar os humanos em tarefas específicas. A digitalização generalizada dos cuidados de saúde gera uma vasta quantidade de dados e, juntamente com a computação de alto desempenho acessível, as tecnologias de IA podem ser aplicadas para superar as limitações atuais na estimativa da recidiva e resposta das MHCCR após tratamentos locorregionais e quimioterapêuticos, alcançando assim uma alocação mais refinada aos tratamentos em relação à prática atual.

A tomografia computadorizada (TC) é a imagiologia de escolha para estadiação e seguimento na maioria dos doentes com MHCCR. No entanto, muitos fatores podem influenciar a recidiva e a SO. Por exemplo, até 25% das lesões podem passar despercebidas. Uma meta-análise relatou que a TC com contraste tinha uma sensibilidade e especificidade de 82% e 84%, respetivamente, para detetar lesões hepáticas. No entanto, para lesões menores que 1 cm, a sensibilidade desce para 31-38%. A ressonância magnética (RM) é a modalidade mais precisa para detetar MHCCR; no entanto, é tipicamente utilizada como uma ferramenta secundária na prática. A RM tem a vantagem de poder detetar e caracterizar lesões ainda menores que 10 mm, bem como não apresentar risco de radiação. Os agentes de contraste hepatocito-específicos têm uma sensibilidade de 95% para detetar metástases hepáticas.

Apesar do seu valor, a avaliação visual por TC e RM falha em avaliar alterações microestruturais como alterações perfusionais ou necróticas intra-lesionais que podem ser indicadores precoces de um alto risco para progressão tumoral local. Além disso, uma má qualidade de imagiologia pode levar à incapacidade de reconhecer todas as metástases. Portanto, o interesse no uso de ferramentas baseadas em IA para otimizar a qualidade da imagiologia e o uso da imagiologia quantitativa tem crescido com o uso da análise de textura ou radiómica. A radiómica consiste em extrair uma grande quantidade de características quantitativas de imagens médicas em combinação com modelos de aprendizagem automática (ML) para prever endpoints clínicos. Recentemente, a radiómica tem sido estudada como um indicador prognóstico/preditivo para resultados clínicos em diferentes tipos de tumor e análise de sobrevivência com resultados promissores em CLRM tratados com ablação por micro-ondas. No entanto, poucas evidências estão disponíveis para o fígado e para as MHCCR e alguns estudos sugerem que as análises de características de textura podem quantitativamente ajudar o radiologista a modificar abordagens clínicas.

Todas as características radiómicas também podem ajudar no treino de redes neurais destinadas a detetar metástases hepáticas antes de se tornarem visualmente detetáveis pelo radiologista.

Portanto, este estudo visa avaliar se um modelo de ML multifatorial (incluindo clínico e radiómico) pode identificar doentes com MHCCR com alto risco de progressão após quimioterapia e recidiva após ressecção hepática. A fase de modelação terá lugar no S-RACE da D34Health, baseado no Azure Machine Learning no Azure Cloud, fornecendo as ferramentas e métodos úteis necessários para modelar o problema, tais como instâncias de computação e ferramentas de modelação, como Jupyter Notebooks, acopladas com as ferramentas de colaboração e privacidade integradas.

Além disso, o valor acrescentado dos dados clínicos poderia ser usado para construir modelos clínicos e combinados para uma melhor previsão de resultados.

O estudo está configurado como um estudo observacional, retrospetivo, monocêntrico. Serão selecionados sujeitos afetados por MHCCR e operados de ressecção hepática no nosso ambiente hospitalar de acordo com critérios de elegibilidade.