Prediction of LN-prRLN Metastasis in cN0 PTMC Patients Using Logistic Regression and Machine Learning: A Single-Center Retrospective Study

O câncer de tireoide é o tipo mais comum de câncer que afeta as glândulas produtoras de hormônios do corpo, e a vasta maioria desses casos é uma forma de crescimento lento conhecida como carcinoma papilífero de tireoide. Dentro deste grupo, existe um subconjunto específico de tumores tão pequenos que são chamados de microcarcinomas. Embora esses tumores minúsculos frequentemente se comportem de forma suave, eles ainda podem se espalhar para os linfonodos próximos, os pequenos filtros em forma de feijão que drenam o fluido do pescoço. Uma área particularmente complicada para os cirurgiões é um aglomerado de linfonodos localizados atrás do nervo direito que controla a laringe. Como esse nervo serpenteia através de tecidos profundos, as varreduras de ultrassom padrão costumam não detectar células cancerígenas escondidas ali. Isso cria um dilema difícil para os médicos: se eles não conseguem ver o câncer, devem remover esses linfonodos profundos durante a cirurgia para garantir a segurança, ou deixá-los quietos para evitar riscos desnecessários?

Uma equipe de pesquisadores do Primeiro Hospital Afiliado da Universidade Médica de Kunming decidiu resolver esse enigma analisando os registros de mais de mil pacientes que tinham esses minúsculos tumores de tireoide, mas que não apresentavam sinais de disseminação em seus exames pré-operatórios. Eles queriam construir uma ferramenta que pudesse prever, com alta precisão, se esses linfonodos ocultos realmente continham câncer. Para fazer isso, reuniram informações detalhadas sobre cada paciente, incluindo o tamanho e a forma do tumor visto no ultrassom, a idade do paciente e os resultados específicos da cirurgia, como quantos linfonodos em outras partes do pescoço foram identificados como cancerosos. Eles então dividiram esses dados em dois grupos, usando um grupo grande para ensinar os modelos computacionais a identificar padrões e um grupo menor para testar se esses modelos realmente funcionavam em novos pacientes não observados.

Os pesquisadores treinaram dois tipos diferentes de sistemas de previsão. O primeiro era um método estatístico tradicional que busca relações de linha reta entre fatores de risco e resultados. O segundo era um sistema de aprendizado de máquina mais avançado, especificamente um algoritmo chamado XGBoost, que é projetado para encontrar conexões complexas e não lineares que os olhos humanos podem deixar passar. Ambos os sistemas foram alimentados com os mesmos dados, incluindo detalhes como se o tumor havia rompido sua camada externa ou se o câncer foi encontrado nos linfonodos à frente da laringe ou à esquerda do pescoço. O objetivo era ver qual sistema conseguiria adivinhar melhor se os linfonodos profundos, escondidos atrás do nervo direito, eram positivos para câncer.

Os resultados mostraram que ambos os métodos foram altamente eficazes, mas o modelo de aprendizado de máquina teve uma ligeira vantagem em estabilidade. O preditor mais poderoso para o câncer oculto não foi o tamanho do tumor ou a idade do paciente, mas sim a proporção de linfonodos cancerosos encontrados em duas áreas específicas e mais acessíveis: os linfonodos à frente da laringe e os linfonodos à frente do nervo direito. Quando essas proporções eram altas, a probabilidade de o câncer estar escondido atrás do nervo aumentava dramaticamente. De fato, esses dois fatores sozinhos foram responsáveis por mais de dois terços do poder de previsão no modelo de aprendizado de máquina. Outros fatores, como o rompimento da cápsula do tumor ou a presença de múltiplos tumores pequenos, desempenharam um papel, mas sua influência foi muito menor em comparação com a carga de câncer naqueles grupos de linfonodos vizinhos específicos.

Quando os pesquisadores compararam os dois modelos, descobriram que o sistema avançado de aprendizado de máquina era ligeiramente melhor em distinguir entre pacientes que tinham câncer oculto e aqueles que não tinham, embora a diferença não fosse estatisticamente grande. Mais importante, o modelo de aprendizado de máquina manteve-se mais consistente ao prever probabilidades em diferentes níveis de risco, enquanto o modelo tradicional mostrou mais flutuações. Os pesquisadores usaram uma técnica para visualizar exatamente como o modelo de aprendizado de máquina tomava suas decisões, confirmando que ele dependia fortemente das proporções de linfonodos mencionadas anteriormente. Isso sugere que a disseminação do câncer para esses linfonodos profundos e difíceis de visualizar está intimamente ligada ao quanto o câncer já se acumulou nas áreas circundantes mais fáceis de alcançar.

O estudo conclui que, embora o complexo modelo de aprendizado de máquina ofereça uma maneira robusta de lidar com essas relações intrincadas, o modelo tradicional mais simples também apresenta um bom desempenho e pode ser mais fácil de ser usado pelos médicos em um centro cirúrgico movimentado. Ambas as ferramentas oferecem uma maneira de ir além do mero palpite, ajudando os cirurgiões a identificar quais pacientes com minúsculos tumores de tireoide apresentam alto risco de disseminação oculta. Ao identificar com precisão esses indivíduos de alto risco antes ou durante a cirurgia, os médicos podem tomar decisões mais informadas sobre se devem realizar uma dissecação mais extensa dos linfonodos profundos do pescoço, equilibrando a necessidade de remover todo o câncer com o desejo de minimizar as complicações cirúrgicas. Os achados sugerem que observar a carga tumoral nos linfonodos acessíveis fornece uma janela mais clara para os riscos ocultos do que simplesmente medir o próprio tumor.