# O aprendizado de máquina é eficaz para reconhecer fases cirúrgicas em cirurgia geral?

> Sim, modelos de aprendizado de máquina podem reconhecer fases cirúrgicas com alta acurácia, especialmente em colecistectomia laparoscópica, com taxas superiores a 90% em alguns casos. Os modelos mais usados são Hidden Markov Models e Redes Neurais Artificiais, utilizando vídeos cirúrgicos e anotação manual de instrumentos. A padronização das fases ainda é inconsistente e muitos modelos exigem anotações manuais extensas.

Estudo citado: Garrow CR, Kowalewski KF, Li L, Wagner M, Schmidt MW, Engelhardt S et al.. Machine Learning for Surgical Phase Recognition: A Systematic Review. Annals of surgery. 2021. DOI: https://doi.org/10.1097/SLA.0000000000004425. PubMed: https://pubmed.ncbi.nlm.nih.gov/33201088/

## Resposta

A revisão sistemática avaliou o uso de aprendizado de máquina para reconhecimento automatizado de fases cirúrgicas em procedimentos de cirurgia geral. Foram incluídos 35 artigos completos após triagem de 2254 títulos e resumos. Os modelos mais frequentemente empregados foram Hidden Markov Models e Redes Neurais Artificiais, com tendência de aumento de complexidade ao longo do tempo.

Os tipos de dados mais utilizados incluíram aprendizado de características a partir de vídeos cirúrgicos e anotação manual do uso de instrumentos. A colecistectomia laparoscópica foi o procedimento mais estudado, frequentemente alcançando taxas de acurácia superiores a 90%. No entanto, não houve padronização consistente das fases definidas entre os estudos.

Os autores concluem que o reconhecimento de fases cirúrgicas por aprendizado de máquina pode ser realizado com alta acurácia, dependendo do modelo, do tipo de dado e da complexidade da cirurgia. Diferentes entradas intraoperatórias, como vídeo e tipo de instrumento, podem ser usadas com sucesso. A maioria dos modelos ainda requer quantidades significativas de anotações manuais de especialistas para treinamento.

Potenciais aplicações futuras incluem otimização de fluxo de trabalho, treinamento cirúrgico, assistência intraoperatória, segurança do paciente e eficiência. Os modelos podem direcionar o fluxo cirúrgico para padronização, eficiência e objetividade, com o objetivo de melhorar desfechos dos pacientes no futuro. O resumo não informa detalhes sobre limitações específicas dos estudos incluídos.

Para o médico brasileiro, os achados sugerem que a tecnologia ainda está em desenvolvimento e depende de anotação especializada, mas pode auxiliar na padronização de procedimentos e no treinamento. A implementação clínica requer validação adicional e consideração das diferenças entre serviços.

## O que o estudo mostrou

Revisão sistemática seguindo recomendações Cochrane e PRISMA, com busca em cinco bases de dados. Foram triados 2254 títulos/resumos e incluídos 35 textos completos. Os modelos de aprendizado de máquina mais usados foram Hidden Markov Models e Redes Neurais Artificiais, com tendência a maior complexidade ao longo do tempo. Os dados mais frequentes foram aprendizado de características de vídeos cirúrgicos e anotação manual de uso de instrumentos. A colecistectomia laparoscópica foi o procedimento mais comum, frequentemente com acurácia superior a 90%, mas sem padronização consistente das fases.

## Limitações

O resumo não informa limitações específicas dos estudos incluídos, como viés de publicação ou heterogeneidade. A ausência de padronização das fases cirúrgicas dificulta comparações. Muitos modelos ainda dependem de anotações manuais extensas, o que pode limitar a aplicabilidade clínica. O resumo não detalha a qualidade metodológica dos artigos incluídos.

## Aplicação no consultório

Os achados indicam que o reconhecimento automatizado de fases cirúrgicas pode, no futuro, apoiar a padronização de procedimentos e o treinamento cirúrgico. Para a prática clínica, a tecnologia ainda requer validação e não está pronta para uso rotineiro. No consultório, o médico pode considerar seu potencial para auditoria de fluxo cirúrgico e educação médica continuada, mas deve aguardar evidências mais robustas antes de incorporar tais ferramentas na gestão de pacientes.

## Perguntas para aprofundar

- Quais são os principais modelos de aprendizado de máquina usados para reconhecimento de fases cirúrgicas?
- Como o reconhecimento de fases cirúrgicas pode impactar o treinamento em cirurgia?
- Quais desafios ainda impedem a aplicação clínica generalizada do reconhecimento de fases cirúrgicas?

Tema: IA em cirurgia e robótica. Página: https://alphadoctor.com.br/ciencia/ia-cirurgia-robotica/o-aprendizado-de-maquina-e-eficaz-para-reconhecer-fases-cirurgicas-em-cirurgia/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.