Large Language Model–Assisted Estimation of Left Double-Lumen Tube Insertion Depth Using Preoperative Chest Radiography

Sintesi Tecnica: Stima della profondità di inserimento del tubo a doppio lume sinistro assistita da modelli linguistici di grandi dimensioni (LLM)

Problematica
Il posizionamento accurato dei tubi endobronchiali a doppio lume (DLT) dal lato sinistro è fondamentale per una ventilazione polmonare unilaterale (OLV) efficace nella chirurgia toracica, al fine di prevenire complicazioni come ipossemia, isolamento polmonare inadeguato e trauma delle vie aeree. Sebbene la broncoscopia a fibra ottica (FOB) rappresenti il gold standard per confermare il posizionamento, essa richiede attrezzature specifiche e competenze che potrebbero non essere immediatamente disponibili in tutti i contesti clinici. Di conseguenza, gli anestesisti si affidano a stime della profondità di inserimento prima della conferma broncoscopica. I metodi di stima esistenti, basati principalmente sull'altezza del paziente, mostrano correlazioni statistiche ma spesso mancano di precisione per il singolo paziente, in particolare in presenza di un'anatomia corporea atipica. Sebbene le strategie basate sull'imaging, come le misurazioni guidate da TC, abbiano dimostrato una migliore accuratezza, esse non sono sempre praticabili per il supporto decisionale in tempo reale a causa della complessità dei dati e dei problemi di accessibilità. È necessario un metodo clinicamente fattibile e accurato per guidare il posizionamento iniziale del DLT utilizzando dati comunemente disponibili.

Metodologia
Questo studio osservazionale di validazione retrospettivo, condotto in un singolo centro, ha valutato l'accuratezza di un modello linguistico di grandi dimensioni (LLM) pre-addestrato nel predire la profondità ottimale di inserimento del DLT sinistro. Lo studio ha incluso 154 pazienti adulti sottoposti a chirurgia toracica in un ospedale accademico di terzo livello.

• Standard di Riferimento: Il valore di riferimento per tutte le analisi è stato la profondità di inserimento intraoperatoria (misurata dal margine labiale in centimetri) confermata dalla broncoscopia a fibra ottica flessibile (FOB).
• Approccio LLM: Le predizioni sono state generate utilizzando un LLM multimodale disponibile pubblicamente (ChatGPT, OpenAI) senza fine-tuning o riaddestramento. Sono state testate due distinte strategie di input:
  1. Solo Dati Demografici: Prompt standardizzati contenenti età, sesso, altezza, peso e dimensione del DLT del paziente.
  2. Assistito da Radiografia: Gli stessi dati demografici combinati con informazioni anatomiche descrittive derivate da radiografie del torace postero-anteriori (PA) preoperatorie.
• Protocollo: Per garantire la coerenza, è stata utilizzata una struttura di prompt standardizzata per tutti i casi. Le predizioni sono state generate sequenzialmente in una singola sessione utilizzando le impostazioni di sistema predefinite, senza fornire feedback al modello riguardo ai risultati effettivi. Per ogni caso è stata registrata la prima risposta generata.
• Analisi Statistica: L'accordo tra le predizioni dell'LLM e le misurazioni confermate dal medico tramite FOB è stato valutato tramite l'analisi di Bland–Altman (calcolo del bias medio, deviazione standard e limiti di accordo al 95%). Le differenze tra i tre gruppi (Medico, LLM senza PA, LLM con PA) sono state analizzate tramite il test di Friedman, seguito da confronti a coppie di Dunn con p-value corretti.

Risultati Chiave

• Tendenza Centrale: La profondità di inserzione mediana è stata di 29,00 cm in tutti e tre i gruppi (Medico, LLM senza PA e LLM con PA).
• Accordo Statistico:
  • Il test di Friedman ha rivelato una differenza statisticamente significativa tra i tre metodi ($\chi^2(2) = 12,14, p = 0,0023$).
  • L'analisi post-hoc ha mostrato una differenza significativa tra le misurazioni del medico e le predizioni dell'LLM utilizzando solo i dati demografici (p corretto = 0,0039).
  • Fondamentalmente, non è stata osservata alcuna differenza statisticamente significativa tra le misurazioni del medico e le predizioni dell'LLM quando sono state incorporate le radiografie del torace PA (p corretto = 0,7634).
• Bias e Limiti di Accordo (LoA):
  • Solo Dati Demografici: Bias medio di 0,20 cm con LoA al 95% di circa $\pm 2,8$ cm.
  • Assistito da Radiografia: Bias medio di 0,15 cm con LoA al 95% di circa $\pm 2,8$ cm.
  • Entrambi gli approcci hanno dimostrato un bias sistematico minimo.
• Precisione: Più del 90% delle predizioni in entrambi i gruppi LLM rientrava nell'intervallo di $\pm 2$ cm rispetto alla profondità confermata dal medico. L'errore assoluto medio è stato di circa 1 cm per entrambi gli approcci.

Significatività e Rivendicazioni
L'articolo afferma che la predizione della profondità di inserimento del DLT assistita da LLM dimostra un ragionevole accordo con le misurazioni confermate dal medico, caratterizzato da un minimo bias sistematico e un basso errore assoluto. Lo studio evidenzia che, mentre le predizioni basate solo sui dati demografici mostravano una deviazione misurabile dagli standard clinici, l'incorporazione delle radiografie del torace PA ha eliminato questa differenza statistica, suggerando una migliore concordanza con il posizionamento determinato dal clinico.

Gli autori pongono questa tecnologia non come un sostituto della broncoscopia a fibra ottica, che rimane indispensabile, ma come un supporto complementare per il posizionamento iniziale del DLT. Ciò è particolarmente rilevante nei contesti clinici in cui le risorse per la broncoscopia sono limitate o ritardate. L'uso delle radiografie PA è enfatizzato per la sua fattibilità clinica rispetto alle strategie basate su TC, poiché le lastre PA sono universalmente disponibili e standardizzate nei flussi di lavoro della chirurgia toracica.

Limitazioni e Ambito
Gli autori sottolineano esplicitamente diverse limitazioni:

• Lo studio è retrospettivo e condotto in un singolo centro, richiedendo una validazione esterna in coorti indipendenti prima di una più ampia implementazione.
• I risultati sono specifici per i DLT sinistri e potrebbero non essere generalizzabili a dispositivi destri.
• La natura sequenziale dell'interazione con il modello e il potenziale di influenza contestuale tra i casi, insieme alla natura evolutiva del comportamento di inferenza degli LLM, potrebbero influenzare la riproducibilità in diversi ambienti.
• Lo studio non ha comportato una guida clinica in tempo reale; le predizioni sono state generate retrospettivamente e non hanno influenzato le decisioni effettive sul posizionamento del tubo.

In conclusione, l'articolo suggerisce che la stima assistita da LLM, in particolare quando aumentata da dati radiografici di routine, offre uno strumento promettente e a basso costo per supportare la gestione delle vie aeree, in attesa di una validazione prospettica in condizioni di inferenza controllate.