Artificial Intelligence and Robotics in Neurosurgery: A Systematic Review of Performance, Validation Quality, and Translational Readiness

Resumo Técnico: Inteligência Artificial e Robótica em Neurocirurgia

Definição do Problema
A neurocirurgia exige extrema precisão, onde ganhos mínimos na tomada de decisão intraoperatória impactam significativamente a segurança do paciente e os desfechos neurológicos a longo prazo. Apesar dos avanços na navegação e imagem, desafios persistentes permanecem, incluindo o deslocamento cerebral (brain shift) durante as operações, a variabilidade na precisão de direcionamento em intervenções estereotáticas, curvas de aprendizado íngremes e o tempo consumido no planejamento. Embora a Inteligência Artificial (IA), o Aprendizado de Máquina (ML), o Aprendizado Profundo (DL) e a robótica tenham avançado individualmente para abordar essas questões, a literatura existente tem examinado esses domínios isoladamente na maior parte das vezes. Há uma carência de revisões abrangentes que integrem essas tecnologias enquanto avaliam criticamente a qualidade da validação e da prontidão translacional. Além disso, poucas revisões aplicam uma avaliação de risco de viés (RoB) transparente e específica do domínio tanto em estudos clínicos intervencionais quanto em estudos de desenvolvimento algorítmico, tornando difícil identificar lacunas translacionais claras.

Metodologia
Esta revisão sistemática aderiu às diretrizes PRISMA 2020. Uma busca sistemática foi realizada nas bases PubMed/MEDLINE, Embase, Scopus e Web of Science para estudos publicados entre janeiro de 2015 e junho de 2026. A busca visou resultados quantitativos relacionados a IA, ML, DL, robótica e estimulação adaptativa em neurocirurgia.

• Seleção: De um conjunto inicial de mais de 1.400 registros, 56 estudos originais relatando resultados quantitativos foram incluídos.
• Classificação: Os estudos foram categorizados em cinco domínios tecnológicos: Aprendizado Profundo (DL) para detecção de tumores cerebrais, Aprendizado de Máquina (ML) para predição de desfechos, Estereoeletroencefalografia (SEEG) Robótica, inovações em Estimulação Cerebral Profunda (DBS) e outras aplicações (ex: simulações, documentação).
• Estrutura de Risco de Viés (RoB): Uma estrutura de RoB inovadora e personalizada de cinco domínios foi desenvolvida e aplicada a todos os 56 estudos. Os domínios avaliados foram: (1) Fonte e seleção de dados, (2) Método de validação, (3) Risco de overfitting e vazamento de dados (data leakage), (4) Medição de desfecho e (5) Qualidade do relato.
• Análise: Devido à alta heterogeneidade nos desenhos de estudo e tecnologias, uma meta-análise não foi realizada. Em vez disso, utilizou-se uma síntese narrativa estruturada apoiada por resumos quantitativos.

Principais Contribuições

1. Síntese Integrada: Esta é uma das primeiras revisões a examinar conjuntamente as tecnologias de IA/ML/DL e robótica em neurocirurgia, indo além de avaliações de domínios isolados.
2. Estrutura de RoB Customizada: A aplicação de uma ferramenta de RoB personalizada de cinco domínios permitiu uma avaliação crítica granular tanto de estudos de desenvolvimento algorítmico quanto de estudos intervencionais clínicos, destacando fraquezas específicas como o overfitting e a falta de validação externa.
3. Quantificação da Lacuna Translacional: A revisão quantifica explicitamente a disparidade entre métricas de desempenho técnico elevadas e o baixo nível de evidência clínica prospectiva e externamente validada.
4. Caminhos de Convergência: O artigo propõe caminhos específicos para a futura integração entre algoritmos inteligentes e plataformas robóticas, indo além do desenvolvimento em silos.

Resultos

• Distribuição dos Estudos: O maior domínio foi DL para detecção de tumores cerebrais (11 estudos, 19,6%), seguido por ML para predição de desfechos (10 estudos), SEEG Robótica (8 estudos) e inovações em DBS (8 estudos). As tendências de publicação aceleraram significamente após 2020.
• Risco de Viés: No geral, 50% dos estudos incluídos foram classificados como alto risco de viés e 57,1% basearam-se exclusivamente em validação interna. Apenas 12,5% eram ensaios clínicos prospectivos e meramente 7,1% realizaram validação externa em coortes independentes.
• Métricas de Desempenho:
  • Detecção de Tumores por DL: Relatou uma mediana de acurácia de 98,6% (intervalo de 95,86%–99,7%). No entanto, 8 dos 11 estudos foram classificados com alto risco de viés devido à validação apenas interna. Um estudo (Cepeda et al.) alcançou baixo risco de viés com validação externa, relatando um escore Dice de 0,81 para tumores com realce de contraste.
  • Aplicações Robóticas: A SEEG e a implantação de DBS robóticas demonstraram um erro de direcionamento mediano de aproximadamente 1,5 mm (variando de 1,14 mm a 2,74 mm). Estes estudos geralmente mostraram perfis de RoB melhores (majoritariamente risco moderado) em comparação ao desenvolvimento puramente algorítmico.
  • DBS Adaptativo: Sistemas adaptativos mostraram um alargamento estatisticamente significativo da janela terapêutica (p = 0,005 na doença de Parkinson) e uma redução na energia elétrica total entregue de aproximadamente 22 µW em comparação com a estimulação contínua.
  • Colaboração Humano-IA: Na estimulação de ressecção de glioblastoma, a combinação de IA explicável com expertise humana melhorou a acurácia de 0,53 (especialistas sozinhos) para 0,94.
  • Documentação: Ferramentas de PLN (ChatGPT) reduziram o tempo de geração de relatórios operatórios de 15–21 minutos para 2,3–4,6 minutos, embora a acurácia factual tenha variado (71–85%).
• Gargalo Translacional: Um grande gargalo foi identificado onde 88% dos estudos careciam de validação prospectiva. O campo é caracterizado por um alto volume de estudos retrospectivos e de desenvolvimento algorítmico, mas por uma escassez de ensaios clínicos prospectivos e multicêntricos.

Significância e Alegações
Os autores alegam que esta revisão fornece a primeira síntese integrada de tecnologias de IA e robótica em neurocirurgia utilizando uma estrutura de RoB rigorosa e customizada. A significância reside em sua capacidade de:

• Expor a Fragilidade Metodológica: Destaca que o alto desempenho relatado (ex: 98,6% de acurácia na detecção de tumores) não equivale à robustez quando a validação externa está ausente.
• Identificar a Maturidade Clínica: Estabelece que sistemas de neuromodulação adaptativa e robótica demonstram atualmente uma tradução clínica mais forte e perfis de risco de viés mais favoráveis do que as aplicações puras de aprendizado profundo, que permanecem amplamente na fase de desenvolvimento algorítmico.
• Propor Caminhos Acionáveis: Ao mapear a lacuna translacional, a revisão propõe caminhos concretos para a convergência, tais como o uso de DBS adaptativo de circuito fechado (closed-loop) com biomarcadores multimodais e navegação robótica aprimorada por IA.

O artigo conclui que a realização do pleno potencial dessas tecnologias requer uma mudança deliberada de melhorias algorítmicas retrospectivas e isoladas para estudos multicêntricos, prospectivos e externamente validados, além de uma convergência intencional entre plataformas robóticas e algoritmos inteligentes.