Three-Dimensional Anatomical Classification and Machine Learning Prediction of the P6a–Right Hepatic Vein Relationship: Surgical Implications for Laparoscopic Right Anterior Sectionectomy

Imagine el hígado humano como una bulliciosa ciudad tridimensional hecha de tejido suave y esponjoso. Para realizar una cirugía aquí, los médicos necesitan un mapa perfecto. Dependen de "autopistas" (vasos sanguíneos) para saber dónde cortar y dónde detenerse. Una de las autopistas más importantes es la Vena Hepática Derecha, un río principal que drena la sangre del lado derecho del hígado. Normalmente, este río fluye por un camino predecible, actuando como una señal de tráfico confiable que le dice al cirujano: "Corta aquí, y estarás a salvo". Sin embargo, al igual que en una ciudad real, a veces las calles se construyen de forma diferente. Una pequeña calle lateral, llamada vena P6a, puede a veces tomar un desvío, cruzando por encima o por debajo del río principal de formas inesperadas. Si un cirujano no sabe que este desvío existe antes de comenzar, podría cortar accidentalmente la calle equivocada, causando atascos de tráfico (sangrado) o dejando partes de la ciudad sin energía (daño tisular). Esto es especialmente complicado cuando la cirugía se realiza a través de pequeños orificios usando una cámara (laparoscopia), porque el cirujano no puede sentir el tejido con sus manos, solo verlo en una pantalla.

Aquí es donde un equipo de investigadores del Centro Médico de la Fuerza Aérea y otras instituciones intervino. Se hicieron una pregunta simple pero vital: ¿Podemos observar el escaneo 3D de un paciente antes de la cirugía y predecir exactamente cómo se comportará esa pequeña calle lateral (P6a)? Para responder a esto, no solo miraron las imágenes; enseñaron a una computadora a ser un detective. Utilizaron una rama de la inteligencia artificial llamada "aprendizaje automático" (machine learning), que es como un estudiante superinteligente que aprende patrones estudiando ejemplos. Los investigadores alimentaron a la computadora con datos de 100 pacientes, enseñándole a distinguir entre un diseño "normal" y un diseño "complicado". Descubrieron que la computadora podía aprender a predecir el diseño complicado con una precisión sorprendente. Al usar una herramienta especial llamada SHAP (que actúa como una lupa para mostrar por qué la computadora tomó una decisión), descubrieron que el ángulo entre ciertos vasos sanguíneos y la forma de la "fisura" del hígado (el valle entre las secciones del hígado) eran las pistas más importantes. Su estudio sugiere que, al usar este oráculo digital, los cirujanos pueden planificar mejor sus movimientos, evitando los desvíos peligrosos y haciendo que las cirugías hepáticas complejas sean más seguras para los pacientes.

El trabajo de detective: Mapeando las rutas secretas del hígado

Los investigadores comenzaron reuniendo un equipo de 100 pacientes que se habían sometido a tomografías computarizadas (TC) 3D detalladas de sus hígados. Querían clasificar a estos pacientes en dos grupos basados en cómo la vena P6a (la calle lateral) se relacionaba con la Vena Hepática Derecha (el río principal).

• El grupo "Dorsal": En el 59% de los pacientes, la vena P6a pasaba detrás del río principal. Este es el camino más común y predecible.
• El grupo "Ventral": En el 41% de los pacientes, la vena P6a pasaba delante del río principal. Este es el camino "complicado" que hace la cirugía más difícil.

El equipo luego midió varios ángulos y distancias en los modelos 3D, buscando pistas que pudieran decirles a qué grupo pertenecía un paciente incluso antes de que comenzara la cirugía. Encontraron algunas diferencias fascinantes:

• El ángulo de la bifurcación: En el grupo "complicado", el ángulo entre las ramas anterior y posterior de la vena porta era mucho más agudo (promediando 82.27°) en comparación con el grupo "normal" (98.02°).
• El encuentro cercano: En el grupo "complicado", la vena P6a a menudo comenzaba muy cerca de otra rama importante (a menos de 5 mm de distancia) en el 37% de los casos, mientras que esto solo ocurría en el 10% del grupo "normal".
• El recodo del río: El ángulo entre la vena hepática principal y la vena más grande del cuerpo (la vena cava inferior) era más ancho en el grupo "complicado" (52.23°) en comparación con el grupo "normal" (43.97°).

El estudiante de la computadora: Cinco modelos, un ganador

Para convertir estas mediciones en una herramienta de predicción, los investigadores entrenaron cinco tipos diferentes de modelos de aprendizaje automático. Piensen en ellos como cinco estudiantes tratando de resolver el rompecabezas:

1. Regresión Logística (LR): Un pensador directo y lógico.
2. Bosque Aleatorio (Random Forest - RF): Un comité de árboles de decisión.
3. K-Vecinos más Cercanos (K-Nearest Neighbors - K-NN): Un estudiante que observa quiénes son sus vecinos.
4. Máquina de Vectores de Soporte (Support Vector Machine - SVM): Un estudiante que dibuja líneas para separar grupos.
5. XGBoost: Un aprendiz poderoso e iterativo.

Dividieron los datos, dando el 70% a los estudiantes para practicar (entrenamiento) y reservando el 30% para un examen final (prueba). Mientras que el "comité" (Random Forest) y el "aprendiz poderoso" (XGBoost) fueron increíblemente buenos memorizando las preguntas de práctica, tropezaron un poco en el examen final. El modelo de Regresión Logística, sin embargo, fue el más consistente. Demostró un sobreajuste mínimo y logró el mejor rendimiento en el conjunto de prueba (una puntuación F1 de 0.741), mostrando que no solo memorizó los datos, sino que se generalizó bien a nuevos casos.

El "por qué" detrás del "qué"

Los investigadores no solo querían una caja negra que diera una respuesta; querían saber por qué la computadora tomó su decisión. Usando un método llamado SHAP (que significa explicaciones aditivas de Shapley), pudieron ver qué pistas importaban más. Resultó que la computadora prestaba más atención a:

1. El ángulo entre las ramas anterior y posterior de la vena porta.
2. El ángulo de la fisura hepática derecha (el valle entre las secciones del hígado).
3. La distancia desde el punto de inicio de la P6a hasta la rama posterior.
4. El diámetro (ancho) de la vena P6a.

El análisis mostró que un ángulo más agudo entre las ramas portales y un ángulo más ancho entre la vena hepática y la vena principal del cuerpo eran indicadores sólidos de que el paciente pertenecía al grupo ventral "complicado".

Lo que esto significa para la cirugía

El estudio concluye que este modelo de aprendizaje automático puede predecir eficazmente si un paciente tiene el diseño "complicado" de la P6a ventral. ¿Por qué es esto importante? Porque en una hepatectomía anterior derecha laparoscópica (una cirugía para extirpar la parte frontal del hígado derecho), conocer el diseño lo es todo.

• Para los pacientes "Normales" (Dorsales): La cirugía es relativamente sencilla. El río principal (VHD) es fácil de ver y el valle entre las secciones del hígado es plano, lo que lo convierte en una guía segura para el corte.
• Para los pacientes "Complicados" (Ventrales): El río principal es más difícil de ver, el valle es empinado y la "calle lateral" (P6a) está peligrosamente cerca de otras estructuras. Si un cirujano no sabe esto de antemano, podría cortar accidentalmente el vaso equivocado o dañar el tejido hepático restante.

Al utilizar este modelo predictivo, los cirujanos pueden identificar a los pacientes de alto riesgo antes de realizar el primer corte. Esto les permite planificar su estrategia, quizás utilizando guía por ultrasonido durante la operación o ajustando su enfoque hacia la "vaina de Glisson" (la cubierta protectora de los vasos sanguíneos). Aunque el estudio se basa en un grupo específico de 100 pacientes y necesita más pruebas en grupos más grandes para ser adoptado universalmente, ofrece una nueva herramienta prometedora para convertir una cirugía compleja y riesgosa en un procedimiento más seguro y predecible.