Métodos de inteligencia artificial de última generación para la planificación preoperatoria de cirugías e intervenciones cardiotorácicas
Una revisión narrativa de la literatura realizada por investigadores de los Países Bajos que abordó el rol y el lugar de la inteligencia artificial (IA) entre las estrategias preparatorias de cirugías cardiotoráccicas, fue publicada en la edición del 31 de julio del Journal of Thoracic Disease (JTD)
Esta publicación será el tema que hoy será comentado en la NOTICIA DEL DÍA.
Es válido recordar que una revisión narrativa es un tipo de revisión bibliográfica que resume y analiza la literatura existente sobre un tema específico, sin seguir un protocolo de búsqueda o análisis tan riguroso como una revisión sistemática.
Se utiliza para proporcionar una visión general del campo, identificar tendencias, lagunas de conocimiento y generar nuevas hipótesis, a menudo explorando áreas emergentes o temas bien establecidos.
Introduciéndose en el tema principal los autores señalaron que el campo de la cirugía cardiotorácica (CTS por sus siglas en inglés de cardiothoracic surgery) abarca el tratamiento quirúrgico de enfermedades, anomalías y traumatismos dentro de la cavidad torácica.
En 2021, se realizaron aproximadamente 900.000 procedimientos cardiotorácicos en Estados Unidos, abordando afecciones como la enfermedad de la arteria coronaria (EAC), las valvulopatías cardíacas, la patología de los grandes vasos intratorácicos, la patología de la pared torácica, los tumores mediastínicos y el cáncer de pulmón.
El resultado de los procedimientos cardiotorácicos depende de varios factores, incluidas las características del paciente (edad, comorbilidades) y los factores (peri)operatorios, como la aparición de complicaciones, la experiencia del equipo quirúrgico y la planificación quirúrgica preoperatoria.
En las últimas décadas, los procedimientos quirúrgicos se han vuelto más complejos, en parte debido al auge de la cirugía mínimamente invasiva (robótica) (MIS por sus siglas en inglés de minimally invasive (robotic) surgery).
Si bien la MIS permite la cirugía a través de incisiones más pequeñas con un trauma quirúrgico reducido, procedimientos como la cirugía torácica asistida por video (VATS por sus siglas en inglés de video-assisted thoracic surgery) o la cirugía torácica asistida por robot (RATS por sus siglas en inglés de robotic-assisted thoracic surgery) a menudo son más complejos debido a la ausencia de una vista directa de las estructuras anatómicas.
En consecuencia, las preparaciones (de imágenes) avanzadas son imperativas, lo que requiere una comprensión detallada de la anatomía del paciente.
Las nuevas tecnologías, que incluyen la visualización tridimensional (3D), la realidad virtual y aumentada (VR, AR por sus siglas en inglés de virtual and augmented reality) y la impresión 3D, han surgido como componentes integrales del flujo de trabajo estándar en la planificación quirúrgica cardiotorácica, mejorando potencialmente la conciencia anatómica y la orientación intraoperatoria, lo que lleva a mejores resultados quirúrgicos.
El uso de inteligencia artificial (IA) ofrece una oportunidad prometedora para apoyar a los cirujanos cardiotorácicos en la detección de enfermedades, la planificación personalizada del tratamiento y la predicción de resultados quirúrgicos.
La IA se refiere al campo de la informática que se centra en el desarrollo de algoritmos comúnmente asociados con la inteligencia humana, el pensamiento crítico y las actividades cognitivas, con el aprendizaje automático (ML por sus siglas en inglés de machine learning) y el aprendizaje profundo (DL por sus siglas en inglés de deep learning) como subcampos específicos.
ML se centra en el desarrollo de algoritmos y modelos que permiten el aprendizaje de datos para reconocer patrones y hacer predicciones para eventos prospectivos, mientras que DL, un subcampo de ML, emplea redes neuronales artificiales profundas con múltiples capas para aprender automáticamente representaciones jerárquicas de datos, lo que permite la extracción de patrones y características.
La IA se puede utilizar para varias tareas en la planificación preoperatoria de cirugías cardiotorácicas (complejas).
La primera tarea es la segmentación de imágenes, el proceso de delinear estructuras dentro de imágenes médicas como imágenes de rayos X, imágenes de tomografía computarizada (TC) e imágenes de resonancia magnética (IRM).
Visualizar estructuras anatómicas segmentadas junto con datos de imágenes puede proporcionar una mejor comprensión de la anatomía del paciente.
En segundo lugar, la IA puede respaldar el diagnóstico y la toma de decisiones quirúrgicas.
Por ejemplo, un estudio retrospectivo en casos de cirugía cardíaca electiva mostró que un modelo de ML fue más preciso para predecir la mortalidad que la calculadora Euroscore II, una herramienta utilizada en cirugía cardíaca para estimar el riesgo de mortalidad de los pacientes sometidos a cirugía cardíaca.
La IA puede automatizar varios pasos preoperatorios importantes, como la detección, la clasificación y las mediciones.
Por ejemplo, en la detección de tumores y lesiones, varios estudios desarrollaron algoritmos de ML o DL para detectar y clasificar nódulos pulmonares con alta sensibilidad y especificidad.
Las mediciones, por ejemplo, del diámetro de la aorta, el radio de curvatura aórtica y el tamaño del anillo valvular mitral y aórtico suelen ser realizadas manualmente por un radiólogo o cirujano y requieren mucho tiempo.
Con el uso de IA, estas mediciones pueden realizarse con la misma precisión, pero con mayor rapidez.
Las revisiones anteriores se han centrado en las iniciativas que utilizan IA en el STC, el papel y el futuro de la IA en el STC y el impacto de la IA para los cirujanos cardiotorácicos.
Sin embargo, hasta donde se sabe, no hay ninguna revisión sobre las aplicaciones de la IA para el propósito específico de la planificación preoperatoria de procedimientos quirúrgicos cardiotorácicos.
En consecuencia, el objetivo de este estudio fue revisar y proporcionar una descripción general de las técnicas de IA de última generación en la planificación preoperatoria de cirugías e intervenciones cardiotorácicas, que abarcaron la cirugía (valvular) aórtica e intervención [incluida la planificación del implante de válvula aórtica transcatéter (TAVI)], cirugía de válvula mitral y planificación de intervención, otra cirugía cardíaca y cirugía de pulmón, pared torácica y mediastino.
Este artículo se presentó de acuerdo con la lista de verificación de informes de Revisión Narrativa (disponible en https://jtd.amegroups.com/article/view/10.21037/jtd-24-1793/rc).
Reiterando lo expresado, la inteligencia artificial (IA) se ha explorado cada vez más como herramienta para mejorar la toma de decisiones clínicas y optimizar y agilizar la planificación preoperatoria en cirugía cardiotorácica.
Al mejorar la precisión y la eficiencia, la IA tiene el potencial de optimizar los flujos de trabajo y mejorar los resultados.
Esta revisión narrativa tuvo como objetivo examinar las aplicaciones actuales de la IA en la planificación preoperatoria de procedimientos cardiotorácicos.
Para ello, se revisó sistemáticamente la literatura en PubMed.
Se emplearon dos cadenas de búsqueda para identificar artículos de investigación relacionados con las aplicaciones de IA en la planificación preoperatoria de cirugía cardiotorácica, publicados hasta agosto de 2024.
Se seleccionaron estudios y se incluyeron artículos según criterios predefinidos.
Se extrajeron 525 artículos de la base de datos PubMed.
Tras aplicar los criterios de exclusión y analizarlos, se incluyeron 32.
Estos artículos se clasificaron y describieron según su aplicación: cirugía/intervención valvular aórtica, cirugía/intervención valvular mitral, otras cirugías cardíacas y cirugías de pulmón, pared torácica y mediastino.
Las principales aplicaciones de la IA incluyeron
- la segmentación de estructuras anatómicas,
- la detección de tumores,
- el dimensionamiento de prótesis para el implante transcatéter de válvula aórtica (TAVI) y
- la medición automatizada de parámetros quirúrgicos.
Los estudios revisados demostraron que la IA podría aumentar la precisión de la segmentación, reducir el tiempo de planificación preoperatoria y automatizar pasos críticos en la preparación quirúrgica.
Poniendo en análisis los hallazgos señalados, el papel y la aplicación de la IA en la STC han experimentado un aumento significativo en los últimos años.
La IA tiene potencial en el reconocimiento de patrones, la toma de decisiones y el apoyo a la planificación preoperatoria específica para cada paciente en intervenciones complejas.
Esta revisión buscó ofrecer una visión general de los métodos de IA de vanguardia aplicables a la planificación preoperatoria en la STC y sus intervenciones.
En los procedimientos TAVI, los métodos de IA desempeñan un papel crucial para lograr de manera eficiente un dimensionamiento del dispositivo reproducible y preciso, así como en la evaluación de riesgos pre y posoperatorios.
En consecuencia, los métodos de IA que facilitan esto pueden ser útiles para los cirujanos y cardiólogos intervencionistas en la planificación preoperatoria de TAVI.
Estos métodos, son fundamentales para la planificación óptima de esta intervención.
Aunque los parámetros relacionados con la válvula (p. ej. alturas de los ostia coronarios, diámetro del anillo de la válvula aórtica) son importantes para el dimensionamiento del dispositivo en la planificación de TAVI, otros factores pueden desempeñar un papel importante en la definición del resultado del tratamiento.
Por ejemplo, varios grupos han propuesto modelos computacionales específicos del paciente para predecir la regurgitación aórtica o las anomalías de la conducción después de TAVI.
En estos estudios, los autores demostraron que las simulaciones por computadora de un procedimiento TAVI podrían ser beneficiosas para predecir la cantidad de regurgitación aórtica o anomalías de la conducción después de la implantación del dispositivo.
Si bien la IA ha demostrado ser valiosa en la medición preoperatoria de parámetros relevantes de la válvula aórtica, también puede ser útil para automatizar y refinar la planificación de procedimientos TAVI.
Esto puede lograrse mediante técnicas de DL y ML.
Naturalmente, estas aplicaciones también podrían utilizarse para intervenciones transcatéter en otras válvulas (p. ej., TMVR, por sus siglas en inglés de transcatheter mitral valve replacement).
La segmentación de estructuras importantes es una aplicación útil de la IA en la planificación preoperatoria, lo que facilita la reconstrucción 3D de la anatomía de los pacientes a partir de imágenes de TC o RM.
Se han propuesto varios algoritmos de DL o ML para segmentar arterias, venas, bronquios, tumores, lóbulos y segmentos pulmonares.
Sin embargo, no muchos de estos algoritmos están disponibles para el uso clínico de rutina en la planificación de la cirugía pulmonar.
El grupo de los autores ha integrado una herramienta de IA existente en la planificación de la cirugía pulmonar, combinando IA con tecnología de RV (realidad virtual) para una mejor comprensión de la anatomía compleja de los pulmones y el corazón.
El uso de estructuras etiquetadas sobre las modalidades de imágenes habituales y herramientas de visualización específicas, como PulmoVR (Surgical Reality, Nieuw Vennep, Países Bajos), en combinación con las estructuras segmentadas, puede ayudar a los cirujanos a comprender mejor la anatomía compleja de los pulmones y el corazón, mejorando su conocimiento de la anatomía preoperatoria específica del paciente.
Estas segmentaciones contribuyen a las simulaciones de resecciones, ayudando a predecir la reducción posoperatoria del volumen pulmonar, lo que también puede ser útil en la estratificación del riesgo.
La planificación preoperatoria con un buen conocimiento de la anatomía específica del paciente es fundamental para la correcta ejecución de procedimientos complejos.
En muchos de los artículos de esta revisión, el uso de IA permite lograr una precisión similar a la de las mediciones obtenidas manualmente para tareas como el cálculo de parámetros, la segmentación de imágenes, la predicción de riesgos y la toma de decisiones clínicas.
Como se ha descrito, el uso de IA en la planificación preoperatoria ofrece diversas ventajas.
Se puede lograr una reducción general del tiempo de planificación preoperatoria utilizándola en el flujo de trabajo habitual.
En comparación con la anotación manual, que suele tardar varias horas, la IA puede reducir este tiempo de procesamiento a un par de minutos o incluso segundos.
Además, la IA puede ayudar a cirujanos y profesionales clínicos en la toma de decisiones quirúrgicas preoperatorias.
Al utilizar IA para medir parámetros relevantes en la planificación preoperatoria, se pueden tomar decisiones de forma más eficiente.
A pesar de los considerables avances en la investigación de IA, la integración en el flujo de trabajo diario de los cirujanos cardiotorácicos sigue siendo limitada.
La IA se describe como una herramienta de apoyo, no un reemplazo para los profesionales de la salud como los cardiólogos intervencionistas o los cirujanos cardiotorácicos.
En la toma de decisiones médicas, el cirujano sigue siendo responsable, a pesar del uso de técnicas para proporcionar información adicional sobre la anatomía del paciente.
Se deben tener en cuenta varios factores en la toma de decisiones quirúrgicas, como
- el historial médico,
- los riesgos de complicaciones,
- el pronóstico y
- el estado mental del paciente.
Todos estos factores son importantes en la planificación del tratamiento para los pacientes y requieren experiencia quirúrgica, que no está (todavía) disponible en el modelo de IA.
Una de las principales preocupaciones de la IA en el cuidado de la salud es la representatividad, o generalización, y la robustez de los modelos.
Si bien la mayoría de los artículos en esta revisión proporcionan una descripción completa de su conjunto de datos, la mayoría de los pacientes incluidos para entrenar su modelo de IA se obtienen predominantemente de sus respectivas instituciones.
Como resultado, la generalización de los modelos de IA a poblaciones no adecuadamente representadas en los datos de entrenamiento puede verse comprometida.
Además, la mejora de la diversidad y la inclusión de varias condiciones en los datos de entrenamiento se ha discutido en varios estudios.
Por último, la disponibilidad de algoritmos de IA disponibles públicamente es limitada, ya que la mayoría de los algoritmos se desarrollan para fines de estudio en un solo centro.
Por lo tanto, en muchos estudios, la expansión del conjunto de datos, la inclusión de múltiples condiciones y la utilización de datos multicéntricos se describen como áreas de mejora en el estudio.
La integración de IA en CTS tiene un potencial significativo para mejorar los resultados clínicos al tiempo que aborda las preocupaciones sobre los costos.
Los análisis predictivos impulsados por IA mejoran la planificación preoperatoria al mejorar la estratificación del riesgo del paciente y optimizar el uso de recursos, reduciendo pruebas innecesarias y estadías hospitalarias.
Aunque los costos iniciales de implementación son altos, los beneficios financieros a largo plazo incluyen una mayor eficiencia, menos errores quirúrgicos y mejores resultados para los pacientes.
Los estudios muestran que estas ventajas conducen a una recuperación gradual de las inversiones iniciales y a ahorros sostenidos a través de hospitalizaciones más cortas y menos procedimientos de seguimiento.
Sin embargo, persisten desafíos como los altos costos, la necesidad de capacitación especializada y las preocupaciones éticas con respecto a la privacidad y la transparencia de los datos.
La variabilidad en la relación costo-efectividad en diferentes entornos de atención médica requiere más investigación y estrategias personalizadas.
Los estudios futuros deben centrarse en comprender la relación costo-efectividad a largo plazo y desarrollar protocolos estandarizados para garantizar mejoras consistentes y ahorros de costos en CTS.
Los modelos de IA tienen diferentes requisitos de precisión según el procedimiento quirúrgico.
Por ejemplo, en la planificación de una segmentectomía pulmonar, el fraccionamiento segmentarío y lobar de las estructuras es más importante que la de las pequeñas subramas periféricas.
Una puntuación Dice (o coeficiente de Dice) relativamente baja en comparación con una segmentación manual detallada (de ramas anatómicas periféricas) no implica necesariamente que el modelo de IA no sea utilizable para la planificación quirúrgica.
Por lo tanto, añadir un método de validación clínica para describir el efecto de la IA en aplicaciones médicas aclarará la utilidad de los modelos de IA para la planificación preoperatoria por parte de los profesionales clínicos.
Un análisis exhaustivo de las limitaciones de los modelos de IA en el contexto de la planificación preoperatoria del STC revela varios desafíos clave que podrían afectar su eficacia clínica y su adopción generalizada.
A pesar del gran potencial de la IA para mejorar la precisión quirúrgica y, potencialmente, los resultados de los pacientes, es necesario abordar estas limitaciones para garantizar su integración exitosa en la práctica clínica y maximizar sus beneficios potenciales.
Una limitación principal de los modelos de IA en CTS radica en la variabilidad de los datos utilizados para entrenarlos.
CTS aborda una amplia gama de características de los pacientes, incluyendo diversas anatomías, comorbilidades y condiciones quirúrgicas.
Los modelos de IA a menudo se entrenan en conjuntos de datos específicos, que pueden no representar el espectro completo de pacientes vistos en la práctica clínica.
Esta falta de diversidad de datos puede resultar en modelos que funcionan mal cuando se aplican a poblaciones de pacientes que difieren significativamente del conjunto de datos utilizado para el entrenamiento.
Esto reduce la confiabilidad y generalización de los modelos de IA, particularmente cuando se trata de casos complejos o raros, y crea un riesgo en el uso de IA en poblaciones de pacientes más amplias.
Como los modelos de IA generalmente se entrenan utilizando datos de poblaciones controladas u homogéneas, pueden tener dificultades con la heterogeneidad inherente que se encuentra en los entornos clínicos del mundo real.
Otra limitación significativa de muchos modelos de IA es la naturaleza de «caja negra» de su proceso de toma de decisiones.
En CTS, donde la complejidad de las decisiones quirúrgicas es alta, es fundamental comprender cómo un sistema de IA llega a una recomendación particular.
Los modelos de IA, en particular los sistemas de DL, suelen ser difíciles de interpretar, lo que dificulta que los médicos confíen plenamente en sus resultados.
Cuando los modelos de IA no pueden explicar por qué se hace una determinada recomendación, a los médicos les resulta difícil evaluar el razonamiento detrás de la decisión.
Esta falta de transparencia plantea inquietudes con respecto a la rendición de cuentas, especialmente en caso de resultados negativos para los pacientes.
Es crucial que los sistemas de IA se diseñen teniendo en cuenta la interpretabilidad, ya que la confianza y la fiabilidad en estas herramientas son esenciales para su implementación clínica exitosa.
La integración de modelos de IA en los flujos de trabajo clínicos existentes sigue siendo un desafío importante.
Los sistemas de IA diseñados para ayudar en la planificación preoperatoria deben incorporarse sin problemas a la infraestructura existente de los hospitales y los equipos quirúrgicos.
Esto requiere compatibilidad con registros médicos electrónicos, sistemas de imágenes y otras tecnologías clínicas, lo que puede ser un proceso complejo y que consume muchos recursos.
La integración de la IA en el flujo de trabajo clínico podría requerir ajustes significativos en la forma en que los proveedores de atención médica administran e interactúan con los datos de los pacientes, lo que altera las prácticas establecidas.
Además, los modelos de IA a menudo demandan recursos computacionales significativos, incluido hardware potente y software especializado, que pueden no estar fácilmente disponibles en todos los entornos clínicos.
En contextos con recursos limitados, esto podría presentar una barrera para la adopción, limitando la disponibilidad de la IA a hospitales más grandes o aquellos con una infraestructura tecnológica más avanzada.
Según admitieron los propios investigadores de los Países Bajos, esta revisión sobre el uso de IA en la planificación preoperatoria de cirugías cardiotorácicas presentó varias limitaciones que podrían afectar la solidez y la generalización de los hallazgos.
El presente estudio se vio limitado por la inclusión de artículos exclusivamente en inglés, lo que pudo introducir un sesgo potencial en la selección de los trabajos.
Además, en esta revisión solo se utilizó la base de datos PubMed.
La incorporación de múltiples bases de datos podría resultar en la inclusión de un mayor número de artículos relevantes sobre este tema.
El campo de las aplicaciones de IA en el STC aún está en evolución, lo que resulta en un número limitado de estudios elegibles, lo que puede comprometer la exhaustividad de la revisión.
Además, no incorporó un metaanálisis, sino que fue más bien una narrativa sobre las tecnologías de IA de vanguardia utilizadas para la planificación preoperatoria en el STC.
La razón principal detrás de esta decisión fue la heterogeneidad sustancial observada en los estudios seleccionados.
La variabilidad en las metodologías y las medidas de resultados, por ejemplo, entre los estudios incluidos, introdujo un nivel de diversidad que planteó desafíos para lograr una integración homogénea de los resultados.
Es importante destacar que optar por no realizar un metaanálisis no disminuye la relevancia de la revisión.
En cambio, se centró en una evaluación cualitativa exhaustiva de estudios individuales.
Este enfoque permitió un análisis matizado de las contribuciones únicas de cada estudio, lo que proporcionó información valiosa sobre las diversas facetas de este tema de investigación.
Reconocer y abordar estas limitaciones durante el proceso de revisión contribuirá a una interpretación más matizada de los hallazgos.
Como conclusiones, se presentó una visión general de los algoritmos de IA diseñados para facilitar la planificación preoperatoria de STC.
La aplicación de la IA en diversas intervenciones cardiotorácicas permite mediciones automatizadas basadas principalmente en las modalidades de imagen prevalentes.
La incorporación de la IA en los flujos de trabajo preoperatorios produce una reducción sustancial en el tiempo de procesamiento y la duración de la planificación, lo que potencialmente mejora la eficiencia general.
Además, la IA sirve como una herramienta valiosa para respaldar los procesos de toma de decisiones clínicas y quirúrgicas.
El papel potencial de la IA en la planificación del STC parece prometedor, con el potencial de contribuir significativamente a tareas como la segmentación de imágenes, la automatización de mediciones y cálculos, la predicción de pronósticos y la orientación en la toma de decisiones quirúrgicas.
Sin embargo, es muy probable que la IA no reemplace a los médicos, pero puede servir como una herramienta de apoyo.
Se necesita más investigación para validar el uso de ciertos modelos de IA en la práctica clínica.
Palabras clave: Cirugía cardiotorácica (CTS) ; inteligencia artificial (IA) ; aprendizaje automático (ML) ; aprendizaje profundo (DL) ; planificación quirúrgica
* Mank QJ, Thabit A, Maat APWM, Siregar S, Mahtab EAF, van Walsum T, Sadeghi AH, Kluin J. State-of-the-art artificial intelligence methods for pre-operative planning of cardiothoracic surgery and interventions: a narrative review. J Thorac Dis. 2025 Jul 31;17(7):5282-5297. doi: 10.21037/jtd-24-1793. Epub 2025 Jul 29. PMID: 40809213; PMCID: PMC12340272.
