Inteligência artificial na neuralgia trigeminal: segmentação do nervo trigeminal e detecção de conflitos neurovasculares: revisão sistemática e metanálise

O que aconteceu

A neuralgia trigêmea (TN) é uma condição debilitante caracterizada por dor facial grave, episódica, muitas vezes causada por conflito neurovascular (CNV) na raiz do nervo trigêmeo. O diagnóstico precoce e preciso da NT é crucial para o manejo eficaz, sendo a descompressão microvascular (DVM) um tratamento cirúrgico comum. Enquanto a RM desempenha um papel fundamental na detecção de CNV, sua natureza subjetiva limita a precisão diagnóstica. Os recentes avanços na inteligência artificial (IA) oferecem ferramentas promissoras para aumentar a precisão diagnóstica. Este estudo avalia o potencial dos modelos de aprendizagem profunda (DL) e aprendizagem de máquina (ML) na melhoria do diagnóstico de TN através da segmentação automatizada e detecção de NVC em exames de RM. Uma busca abrangente foi realizada através do PubMed, Scopus, Embase, Web of Science, e da Cochrane Library para identificar estudos utilizando modelos de IA no diagnóstico de TN. Na meta-análise foram incluídos estudos que avaliaram sensibilidade, especificidade, acurácia e AUC. Um total de 5 estudos atendeu aos critérios de inclusão, englobando 577 pacientes com NT confirmada. O foco principal foi avaliar o desempenho de modelos de IA na segmentação do nervo trigêmeo e identificar conflitos neurovasculares. O padrão de referência ou critério-alvo utilizado para definir o desempenho correto do modelo também foi extraído e considerado, incluindo anotação baseada em imagem, diagnóstico clínico-radiológico e confirmação intraoperatória, quando disponível. A sensibilidade combinada dos modelos de IA na detecção de NT foi de 71% (IC 95%: 65-76%), com uma especificidade de 92% (IC 95%: 88-94%). A razão de verossimilhança diagnóstica positiva (DLR) foi de 8,5 (IC 95%: 5,75-12,56) e a DLR negativa foi de 0,32 (IC 95%: 0,26-0,38). O odds ratio diagnóstico (DOR) foi de 26,71 (IC 95%: 16,38-43,56), e a área sob a curva (AUC) atingiu 0,91 (IC 95%: 0,88-0,93). Esses achados demonstram a alta acurácia diagnóstica dos modelos de IA, particularmente na identificação de CVN e na melhoria do planejamento pré-operatório para pacientes com NT. Os modelos de IA, particularmente as abordagens baseadas em DL, mostram desempenho diagnóstico promissor na segmentação do nervo trigêmeo e detecção de CNV. A alta especificidade e a razão de chances diagnósticas sugerem que a IA pode desempenhar um papel crítico no aprimoramento da tomada de decisão clínica e na melhora da acurácia do diagnóstico de NT, auxiliando no melhor planejamento do tratamento dos pacientes.