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

Imagine o fígado humano como uma cidade movimentada, tridimensional, feita de um tecido macio e esponjoso. Para realizar uma cirurgia aqui, os médicos precisam de um mapa perfeito. Eles dependem de "rodovias" (vasos sanguíneos) para saber onde cortar e onde parar. Uma das rodovias mais importantes é a Veia Hepática Direita, um grande rio que drena o sangue do lado direito do fígado. Normalmente, este rio flui em um caminho previsível, agindo como uma placa de sinalização confiável que diz ao cirurgião: "Corte aqui, e você estará seguro". No entanto, assim como em uma cidade real, às vezes as estradas são construídas de forma diferente. Uma pequena rua lateral, chamada veia P6a, pode às vezes fazer um desvio, cruzando por cima ou por baixo do rio principal de maneiras inesperadas. Se um cirurgião não souber que esse desvio existe antes de começar, ele pode acidentalmente cortar a rua errada, causando congestionamentos (sangramento) ou deixando partes da cidade sem energia (dano tecidual). Isso é especialmente complicado quando a cirurgia é feita através de pequenos furos usando uma câmera (laparoscopia), porque o cirurgião não consegue sentir o tecido com as mãos, apenas vê através de uma tela.

Foi aqui que uma equipe de pesquisadores do Centro Médico da Força Aérea e outras instituições interveio. Eles fizeram uma pergunta simples, mas vital: Podemos olhar para o exame 3D de um paciente antes da cirurgia e prever exatamente como essa pequena rua lateral (P6a) irá se comportar? Para responder a isso, eles não apenas olharam para as imagens; eles ensinaram um computador a ser um detetive. Eles usaram um ramo da inteligência artificial chamado "aprendizado de máquina" (machine learning), que é como um aluno superinteligente que aprende padrões estudando exemplos. Os pesquisadores alimentaram o computador com dados de 100 pacientes, ensinando-o a identificar a diferença entre um layout "normal" e um layout "complicado". Eles descobriram que o computador conseguia aprender a prever o layout complicado com uma precisão surpreendente. Ao usar uma ferramenta especial chamada SHAP (que atua como uma lupa para mostrar por que o computador tomou uma decisão), eles descobriram que o ângulo entre certos vasos sanguíneos e a forma da "fissura" do fígado (o vale entre as seções do fígado) eram as pistas mais importantes. O estudo deles sugere que, ao usar este cristal digital, os cirurgiões podem planejar melhor seus movimentos, evitando os desvios perigosos e tornando as cirurgias hepáticas complexas mais seguras para os pacientes.

O Trabalho de Detetive: Mapeando as Estradas Secretas do Fígado

Os pesquisadores começaram reunindo uma equipe de 100 pacientes que haviam passado por exames de TC 3D detalhados de seus fígados. Eles queriam classificar esses pacientes em dois grupos com base em como a veia P6a (a rua lateral) se relacionava com a Veia Hepática Direita (o rio principal).

• O Grupo "Dorsal": Em 59% dos pacientes, a veia P6a passava atrás do rio principal. Este é o caminho mais comum e previsível.
• O Grupo "Ventral": Em 41% dos pacientes, a veia P6a passava na frente do rio principal. Este é o caminho "complicado" que torna a cirurgia mais difícil.

A equipe então mediu vários ângulos e distâncias nos modelos 3D, procurando por pistas que pudessem dizer a qual grupo o paciente pertencia antes mesmo da cirurgia começar. Eles encontraram algumas diferenças fascinantes:

• O Ângulo da Bifurcação: No grupo "complicado", o ângulo entre os ramos anterior e posterior da veia porta era muito mais agudo (média de 82,27°) em comparação com o grupo "normal" (98,02°).
• O Quase Acidente: No grupo "complicado", a veia P6a frequentemente começava muito próxima a outro ramo importante (a menos de 5 mm de distância) em 37% dos casos, enquanto isso ocorria em apenas 10% do grupo "normal".
• A Curva do Rio: O ângulo entre a veia hepática principal e a maior veia do corpo (veia cava inferior) era mais largo no grupo "complicado" (52,23°) em comparação com o grupo "normal" (43,97°).

O Aluno Computador: Cinco Modelos, Um Vencedor

Para transformar essas medições em uma ferramenta de previsão, os pesquisadores treinaram cinco tipos diferentes de modelos de aprendizado de máquina. Pense neles como cinco alunos tentando resolver o quebra-cabeça:

1. Regressão Logística (LR): Um pensador direto e lógico.
2. Random Forest (RF): Um comitê de árvores de decisão.
3. K-Nearest Neighbors (K-NN): Um aluno que observa quem são seus vizinhos.
4. Support Vector Machine (SVM): Um aluno que desenha linhas para separar grupos.
5. XGBoost: Um aprendiz poderoso e iterativo.

Eles dividiram os dados, dando 70% aos alunos para prática (treinamento) e mantendo 30% para um exame final (teste). Embora o "comitê" (Random Forest) e o "aprendiz poderoso" (XGBoost) fossem incrivelmente bons em memorizar as questões de prática, eles tropeçaram um pouco no exame final. O modelo de Regressão Logística, no entanto, foi o mais consistente. Ele demonstrou um sobreajuste (overfitting) mínimo e alcançou o melhor desempenho no conjunto de teste (um F1-score de 0,741), mostrando que não apenas memorizou os dados, mas generalizou bem para novos casos.

O "Porquê" por Trás do "O quê"

Os pesquisadores não queriam apenas uma caixa preta que desse uma resposta; eles queriam saber por que o computador fez sua escolha. Usando um método chamado SHAP (que significa Explicações Aditivas de Shapley), eles puderam ver quais pistas eram mais importantes. Descobriu-se que o computador estava prestandm mais atenção a:

1. O ângulo entre os ramos anterior e posterior da veia porta.
2. O ângulo da fissura hepática direita (o vale entre as seções do fígado).
3. A distância do ponto de início da P6a até o ramo posterior.
4. O diâmetro (largura) da veia P6a.

A análise mostrou que um ângulo mais agudo entre os ramos da veia porta e um ângulo mais largo entre a veia hepática e a veia principal do corpo eram fortes indicadores de que o paciente pertencia ao grupo ventral "complicado".

O Que Isso Significa para a Cirurgia

O estudo conclui que este modelo de aprendizado de máquina pode prever efetivamente se um paciente possui o layout "complicado" da P6a ventral. Por que isso importa? Porque em uma ressecção anterior direita laparoscópica (uma cirurgia para remover a parte frontal da parte direita do fígado), conhecer o layout é tudo.

• Para os Pacientes "Normais" (Dorsais): A cirurgia é relativamente direta. O rio principal (RHV) é fácil de ver, e o vale entre as seções do fígado é plano, servindo como um guia seguro para o corte.
• Para os Pacientes "Complicados" (Ventrais): O rio principal é mais difícil de ver, o vale é íngreme e a "rua lateral" (P6a) está perigosamente próxima de outras estruturas. Se um cirurgião não souber disso antecipadamente, poderá acidentalmente cortar o vaso errado ou danificar o tecido hepático restante.

Ao usar este modelo preditivo, os cirurgiões podem identificar pacientes de alto risco antes mesmo de fazer o primeiro corte. Isso permite que planejem sua estratégia, talvez usando orientação por ultrassom durante a operação ou ajustando sua abordagem à "bainha de Glisson" (a cobertura protetora dos vasos sanguíneos). Embora o estudo seja baseado em um grupo específico de 100 pacientes e precise de mais testes em grupos maiores para ser adotado universalmente, ele oferece uma nova ferramenta promissora para transformar uma cirurgia complexa e arriscada em um procedimento mais seguro e previsível.