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

Resumo Técnico: Estimativa de Profundidade de Inserção de Tubo de Duplo Lúmen Esquerdo Assistida por Modelo de Linguagem de Grande Escala

Definição do Problema
O posicionamento preciso de tubos bronquiais de duplo lúmen (DLT) do lado esquerdo é crítico para o sucesso da ventilação de pulmão único (VPL) na cirurgia torácica, a fim de prevenir complicações como hipoxemia, isolamento pulmonar inadequado e trauma das vias aéreas. Embora a broncoscopia por fibra óptica (BFO) seja o padrão-ouro para confirmar o posicionamento, ela requer equipamentos e expertise específicos que podem não estar imediatamente disponíveis em todos os ambientes clínicos. Consequentemente, os anestesiologistas dependem de profundidades de inserção estimadas antes da confirmação broncoscópica. Os métodos de estimativa existentes, baseados principalmente na altura do paciente, demonstram correlações estatísticas, mas frequentemente carecem de precisão para pacientes individuais, particularmente aqueles com biotipo atípico. Embora estratégias baseadas em imagem, como medições guiadas por TC, tenham mostrado melhor precisão, elas nem sempre são práticas para suporte à decisão em tempo real devido à complexidade dos dados e questões de acessibilidade. Há uma necessidade de um método clinicamente viável e preciso para guiar o posicionamento inicial do DLT utilizando dados rotineiramente disponíveis.

Metodologia
Este estudo de validação observacional retrospectivo e de centro único avaliou a precisão de um modelo de linguagem de grande escala (LLM) pré-treinado na predição de profundidades ideais de inserção de DLT lateral esquerdo. O estudo incluiu 154 adultos submetidos a cirurgia torácica em um hospital acadêmico terciário.

• Padrão de Referência: O ground truth para todas as análises foi a profundidade de inserção intraoperatória (medida a partir da margem do lábio em centímetros) confirmada por broncoscopia flexível de fibra óptica (BFO).
• Abordagem do LLM: As predições foram geradas usando um LLM multimodal publicamente disponível (ChatGPT, OpenAI) sem ajuste fino (fine-tuning) ou retreinamento. Duas estratégias distintas de entrada foram testadas:
  1. Apenas Dados Demográficos: Prompts padronizados contendo idade, sexo, altura, peso e tamanho do DLT do paciente.
  2. Assistida por Radiografia: Os mesmos dados demográficos combinados com informações anatômicas descritivas derivadas de radiografias de tórax posteroanteriores (PA) pré-operatórias.
• Protocolo: Para garantir a consistência, uma estrutura de prompt padronizada foi utilizada para todos os casos. As predições foram geradas sequencialmente em uma única sessão usando configurações de sistema padrão, sem fornecer feedback ao modelo em relação aos resultados reais. A primeira saída para cada caso foi registrada.
• Análise Estatística: A concordância entre as predições do LLM e as medições de BFO confirmadas pelo médico foi avaliada por meio da análise de Bland–Altman (calculando o viés médio, desvio padrão e limites de concordância de 95%). As diferenças entre os três grupos (Médico, LLM sem PA, LLM com PA) foram analisadas utilizando o teste de Friedman, seguido pelos testes de comparação pareada de Dunn com valores de p ajustados.

Principais Resultados

• Tendência Central: A mediana da profundidade de inserção foi de 29,00 cm em todos os três grupos (Médico, LLM sem PA e LLM com PA).
• Concordância Estatística:
  • O teste de Friedman revelou uma diferença estatisticamente significativa entre os três métodos ($\chi^2(2) = 12,14, p = 0,0023$).
  • A análise post-hoc mostrou uma diferença significativa entre as medições médicas e as predições do LLM usando apenas dados demográficos (p ajustado = 0,0039).
  • Crucialmente, não foi observada diferença estatisticamente significativa entre as medições médicas e as predições do LLM quando as radiografias de tórax PA foram incorporadas (p ajustado = 0,7634).
• Viés e Limites de Concordância (LoA):
  • Apenas Dados Demográficos: Viés médio de 0,20 cm com LoA de 95% de aproximadamente $\pm 2,8$ cm.
  • Assistida por Radiografia: Viés médio de 0,15 cm com LoA de 95% de aproximadamente $\pm 2,8$ cm.
  • Ambas as abordagens demonstraram viés sistemático mínimo.
• Precisão: Mais de 90% das predições em ambos os grupos de LLM ficaram dentro de $\pm 2$ cm da profundidade confirmada pelo médico. O erro absoluto médio foi de aproximadamente 1 cm para ambas as abordagens.

Significância e Alegações
O artigo alega que a predição da profundidade de inserção do DLT assistida por LLM demonstra concordância razoável com as medições confirmadas pelo médico, caracterizada por viés sistemático mínimo e baixo erro absoluto. O estudo destaca que, enquanto as predições baseadas apenas em dados demográficos mostraram desvio mensurável em relação aos padrões clínicos, a incorporação de radiografias de tórax PA pré-operatórias eliminou essa diferença estatística, sugerando uma melhor concordância com o posicionamento determinado pelo clínico.

Os autores posicionam esta tecnologia não como um substituto para a broncoscopia por fibra óptica, que permanece indispensável, mas como um adjunto de suporte para o posicionamento inicial do DLT. Isso é particularmente relevante em ambientes clínicos onde os recursos de broncoscopia são limitados ou atrasados. O uso de radiografias PA é enfatizado por sua viabilidade clínica em comparação com estratégias baseadas em TC, uma vez que os filmes PA são universalmente disponíveis e padronizados nos fluxos de trabalho de cirurgia torácica.

Limitações e Escopo
Os autores explicitamente observam várias limitações:

• O estudo é retrospectivo e de centro único, exigindo validação externa em coortes independentes antes de uma implementação mais ampla.
• Os achados são específicos para DLTs do lado esquerdo e podem não ser generalizáveis para dispositivos do lado direito.
• A natureza sequencial da interação com o modelo e o potencial de influência contextual entre os casos, juntamente com a natureza evolutiva do comportamento de inferência do LLM, podem afetar a reprodutibilidade em diferentes ambientes.
• O estudo não envolveu orientação clínica em tempo real; as predições foram geradas retrospectivamente e não influenciaram as decisões reais de colocação do tubo.

Em conclusão, o artigo sugere que a estimativa assistida por LLM, particularmente quando aumentada com dados radiográficos de rotina, oferece uma ferramenta promissora e de baixo custo para apoiar o manejo das vias aéreas, pendente de validação prospectiva sob condições de inferência controladas.