Machine Learning Model for Predicting Operative Duration in Transsphenoidal Neuroendoscopic Pituitary Adenomectomy

No ambiente de alto risco de uma sala de cirurgia de um hospital, o tempo é um recurso tão crítico quanto qualquer instrumento cirúrgico. Cada minuto que um procedimento dura mais do que o esperado gera um efeito dominó que pode atrasar cirurgias subsequentes, sobrecarregar a equipe e interromper o fluxo cuidadosamente orquestrado do atendimento ao paciente. Para enfermeiros e administradores, a capacidade de prever exatamente quanto tempo uma cirurgia levará não é meramente uma questão de conveniência; é o fundamento da segurança, da eficiência e do bem-estar da equipe médica. Tradicionalmente, essas estimativas dependiam fortemente do "feeling" ou intuição do cirurgião ou de médias amplas de casos passados, métodos que frequentemente ignoram os detalhes sutis e complexos que tornam cada paciente e cada tumor únicos.

Uma equipe de pesquisadores do Segundo Hospital Afiliado da Universidade de South China recorreu a uma abordagem diferente para resolver este problema. Eles desenvolveram um sistema computacional capaz de aprender com registros cirúrgicos passados para prever a duração de uma cirurgia cerebral específica e delicada, conhecida como adenoma hipofisário endoscópico transesfenoidal. Este procedimento envolve a remoção de um tumor da glândula hipófise através do nariz, uma técnica minimamente invasiva que se tornou o padrão de cuidado. Ao alimentar um programa de computador com informações detalhadas de cem pacientes anteriores — desde o tamanho e a forma do tumor até a idade e o histórico médico do paciente — os pesquisadores treinaram o sistema para reconhecer padrões que observadores humanos poderiam negligenciar. O objetivo deles era passar do adivinhar para o saber, fornecendo uma ferramenta baseada em dados que pudesse ajudar os hospitais a agendar seus dias com maior precisão e reduzir a carga sobre a equipe de enfermagem.

Os pesquisadores coletaram informações de cem pacientes que foram submetidos a esta cirurgia entre 2016 e 2025. Eles coletaram vinte e dois tipos diferentes de informações para cada pessoa, incluindo a localização do tumor, sua textura, se ele havia retornado após uma remoção anterior e medições específicas de quão próximo ele estava de estruturas críticas nas profundezas do cérebro. Em seguida, dividiram esses dados em dois grupos: um grupo maior para ensinar o sistema de computador o que procurar, e um grupo menor para testar o desempenho do sistema em casos que ele nunca havia visto antes. Eles construíram dois tipos diferentes de modelos computacionais para fazer as previsões. Um era um modelo de floresta aleatória (random forest), que funciona criando muitas árvores de decisão simples e combinando suas respostas, enquanto o outro era uma rede neural artificial, um sistema projetado para imitar a maneira como o céreamente humano processa informações através da conexão de camadas de neurônios digitais.

Quando a equipe testou esses modelos, os resultados mostraram que a rede neural artificial era a ferramenta superior. No grupo de teste de pacientes, este modelo previu o tempo de cirurgia com um erro médio de apenas pouco mais de trinta e oito minutos. Em termos práticos, isso significa que, para mais de três quartos das cirurgias, a estimativa do computador ficou dentro de quarenta e cinco minutos do tempo real que a cirurgia levou. O modelo identificou três fatores principais como os impulsionadores mais importantes de quanto tempo a operação duraria: se o tumor havia retornado, a distância do tumor em relação ao assoalho de uma cavidade cerebral específica chamada terceiro ventrículo, e um sinal visual específico durante a cirurgia conhecido como "sinal do cinch" (cinch sign), que se refere a como o tumor é constrito. O outro modelo, a floresta aleatória, teve um desempenho ligeiramente inferior, frequentemente subestimando o tempo necessário para procedimentos mais longos e complexos.

A significância deste trabalho estende-se além dos números. Os pesquisadores descobriram que, ao utilizar este modelo computacional, os administradores hospitalares poderiam afastar-se de depender exclusivamente da experiência subjetiva de um cirurgião para tomar decisões de agendamento. Em vez disso, teriam uma estimativa objetiva e repetível baseada nas características específicas do paciente à frente deles. Isso permite que os enfermeiros-chefes escalem o pessoal da sala de cirurgia de forma mais eficaz, garantindo que o número certo de enfermeiros experientes esteja presente para casos difíceis e que as salas de recuperação estejam preparadas para o horário real de chegada dos pacientes. Isso reduz o caos das mudanças de última hora no cronograma e ajuda a prevenir a exaustão decorrente de turnos prolongados e imprevisíveis.

No entanto, os autores ressaltam cautelosamente os limites de suas descobertas. O estudo foi conduzido em um único hospital com um número relativamente pequeno de pacientes, e todas as cirurgias foram realizadas pela mesma equipe de cirurgiões. Isso significa que o modelo aprendeu os hábitos e técnicas específicos daquele grupo específico, e pode não funcionar tão bem em um hospital diferente com médicos ou populações de pacientes diferentes. Os pesquisadores também reconheceram que o modelo computacional, embora preciso, atua como uma "caixa preta", tornando difícil explicar exatamente como chegou a uma conclusão específica. Para abordar isso, eles sugerem que versões futuras da ferramenta incluam métodos para tornar o raciocínio do computador mais claro para os usuários humanos. Apesar dessas limitações, o estudo demonstra que o aprendizado de máquina pode capturar com sucesso as relações complexas e não lineares entre a anatomia do paciente e o tempo necessário para a cirurgia.

Em última análise, esta pesquisa oferece um vislumbre de um futuro onde as salas de cirurgia funcionem com a fluidez de uma máquina bem ajustada, guiadas por dados em vez de suposições. Ao prever com precisão quanto tempo uma cirurgia levará, os hospitais podem gerir melhor seus recursos mais valiosos: suas pessoas e seu tempo. O caminho a seguir envolve expandir este trabalho para incluir mais hospitais e equipes cirúrgicas mais diversas, além de refinar os modelos para incluir fatores como a experiência da equipe de enfermagem. Se bem-sucedida, essa abordagem poderá transformar não apenas a neurocirurgia, mas a gestão de muitos outros tipos de procedimentos minimamente invasivos, criando um ambiente clínico menos estressante para a equipe e mais seguro para os pacientes.