A colecistectomia laparoscópica (LC) é um dos procedimentos mais realizados no mundo, mas ainda carrega um risco significativo de lesão de via biliar (BDI – bile duct injury), especialmente em situações inflamatórias ou anatômicas complexas. Nas últimas décadas, o Critical View of Safety (CVS) se consolidou como o padrão-ouro para evitar BDI, porém estudos mostram que sua identificação é altamente subjetiva e frequentemente superestimada pelos cirurgiões.

A inteligência artificial (IA), especialmente por meio de deep learning e visão computacional aplicada a vídeos cirúrgicos, surge como uma ferramenta promissora para padronizar, reconhecer e validar o CVS em tempo real, além de mapear estruturas anatômicas e zonas seguras e de risco durante a LC.

Este artigo resume de forma clara e aplicada o estado da arte da IA na colecistectomia.

IA e o Critical View of Safety (CVS)

Mesmo com o uso disseminado do CVS, a taxa de BDI permanece maior na LC do que na técnica aberta. Estudos revelam um dado alarmante: a maioria dos cirurgiões acredita ter alcançado o CVS, mas uma análise independente mostra o oposto.

Em um estudo com 1108 LCs, cirurgiões relataram CVS em 80% dos casos.
Revisores externos encontraram CVS verdadeiro em apenas 10,8%.
Em todos os casos com BDI, o CVS não havia sido obtido.

A IA foi então proposta como forma de reduzir a subjetividade e melhorar a precisão do reconhecimento anatômico.

Modelos de IA para reconhecimento do CVS

Os primeiros modelos usaram milhares de imagens anotadas por cirurgiões experientes:

Um deep neural network treinado com 201 vídeos e 2854 imagens alcançou:
- Acurácia: 71,9%
- Precisão: 71,4%

Outro estudo mais recente, com mais de 71 mil imagens, alcançou:

Precisão: 0,97
Acurácia: 0,83

Resultados muito superiores aos obtidos por humanos revisando apenas imagens estáticas.

IA para áreas seguras e zonas de risco (Go/No-Go)

O modelo GoNoGoNet, um dos mais influentes, usou semantic segmentation para marcar:

Go zone — área segura de dissecção
No-Go zone — região perigosa, associada a BDI

Resultados:

Acurácia superior a 90% na maioria das estruturas.
Cirurgiões que avaliaram vídeos com o suporte da IA corrigiram suas anotações em até 26,9%, sendo 70% correções que aumentavam a segurança.

Estudos subsequentes mostraram que:

Vídeos com BDI tinham 33,6% mais interações em zonas No-Go.
A IA demonstrou maior sensibilidade para regiões de risco do que o olho humano.

IA para reconhecimento de estruturas anatômicas

Modelos recentes conseguem identificar automaticamente:

ducto cístico
ducto biliar extra-hepático
sulco de Rouvière
margem inferior do segmento 4 (S4)

Esses pontos são cruciais na prevenção de BDI.

Em um estudo experimental:

Cirurgiões mudaram sua interpretação anatômica em 25–30% dos casos após ver o vídeo anotado pela IA.
A maioria considerou as correções mais seguras.

Em outro estudo, o modelo YOLOv3 foi integrado ao sistema laparoscópico da sala cirúrgica:

Latência de apenas 0,09 s
Reconhecimento de estruturas em 92% das etapas da LC

Esse é o primeiro passo real para um “copiloto cirúrgico” intraoperatório.

IA na identificação das fases cirúrgicas

Modelos baseados em redes temporais (MS-TCN, ResNet50, Cholec80) alcançaram:

Acurácia de 78% a 91% na identificação das fases da LC
Melhor desempenho nas etapas críticas:
- dissecção do triângulo de Calot
- clipagem
- liberação do leito da vesícula

Entretanto, eventos adversos diminuem o desempenho:

Sem complicações: ~90%
Com perfuração da vesícula: 87%
Com grande vazamento biliar: 77%

Limitações atuais da IA na LC

As principais barreiras identificadas nos estudos:

1. Anotações humanas inconsistentes

• Pequeno número de cirurgiões anotadores
• Variabilidade inter-observador
• Falta de padronização global

2. Datasets pequenos e monocêntricos

• Reduz a generalização dos modelos
• Dificulta adaptação para diferentes câmeras, óticas e técnicas

3. Dificuldade com casos complexos

• Inflamação severa
• Cirurgias com fibrose, gordura densa ou sangramento
• Mudança de ângulo da ótica

4. Desafios práticos no intraoperatório

• Flicker de ROIs
• Distração visual
• Confiabilidade limitada em visão ampliada ou com fumaça

5. Falta de integração nativa

Apenas um estudo conectou a IA diretamente ao sistema laparoscópico (EndoALPHA).

Perspectivas Futuras

Sistemas dual-AI integrados ao console laparoscópico
– Reconhecimento simultâneo de estruturas + fases cirúrgicas.
ROI dinâmico com “tiles” inteligentes, reduzindo flicker e adaptando-se a limites anatômicos.
Combinação IA + ICG, ampliando reconhecimento além das capacidades isoladas de cada método.
Incorporação ao treinamento cirúrgico e simulação, especialmente para residentes.
Criação de guideline global para anotação, validação e uso clínico da IA.
Suporte intraoperatório em tempo real, semelhante a um copiloto de aviação.

Conclusão

A inteligência artificial aplicada à colecistectomia laparoscópica está avançando rapidamente, com resultados promissores para:

melhorar a identificação anatômica
reforçar zonas de segurança
padronizar o Critical View of Safety
apoiar o treinamento e reduzir o risco de lesões de via biliar

Embora nenhum sistema esteja pronto para substituição completa do julgamento cirúrgico, o conjunto de evidências sugere que a IA será, em breve, parte essencial da estratégia global para aumentar a segurança da LC.

Como toda tecnologia emergente, o sucesso dependerá de: