IA para Ginecologistas
IA na cirurgia e na formação: o que vem aí
A aula 16 da trilha faz a ponte entre inteligência artificial e cirurgia, e organiza o tema em uma pilha de cinco camadas de navegação cirúrgica: imagem-fonte, segmentação, modelo 3D, registro em tempo real e sobreposição no campo. Cada camada só funciona se a de baixo estiver resolvida. Em endometriose, as camadas 1 a 3 são factíveis hoje; as camadas 4 e 5 não têm evidência publicada na pelve. O episódio separa o que muda a conduta este ano do que ainda é conversa de congresso, revisa os números de fluorescência, visão computacional, formação e automação — sempre com as ressalvas metodológicas de cada estudo. Tecnologia e robótica complementam a laparoscopia e o julgamento clínico; equipamento não garante desfecho superior. A IA apoia; quem decide é o médico.
A pilha de cinco camadas
A pergunta desta aula: o que muda a conduta do ginecologista este ano, o que ainda é conversa de congresso, e onde a automação cirúrgica está? A navegação cirúrgica não é um produto, é uma pilha de cinco camadas, e cada uma só funciona se a de baixo estiver resolvida. Da base para o topo: imagem-fonte de alta qualidade, com protocolo dedicado de ressonância e ultrassom de mapeamento; segmentação multiestrutura — nódulo, ureter, reto, plexo hipogástrico, vasos; modelo virtual tridimensional navegável; registro e rastreamento em tempo real; e sobreposição no campo cirúrgico, o que o público chama de realidade aumentada.
Em endometriose, as camadas 1 a 3 são factíveis hoje; as camadas 4 e 5 não têm evidência publicada na pelve. A fronteira do problema está aí, e não no algoritmo mais sofisticado.
Por que a pelve é diferente
Registro é alinhar o modelo virtual à anatomia real na tela. Em neurocirurgia e ortopedia esse alinhamento é estável, porque o osso é rígido. A pelve não oferece essa cortesia: o pneumoperitônio desloca as vísceras, o Trendelenburg desloca alças, o manipulador uterino muda a geometria do compartimento posterior inteiro, e tração e coagulação alteram o tecido a cada minuto. Um registro rígido feito no início da cirurgia estará errado dez minutos depois.
É por isso que a cirurgia hepática e a urologia avançaram mais: o rim tem cápsula e gordura perirrenal que dão referência estável, e o fígado admite ultrassom intraoperatório de rotina. Daí a métrica a exigir desta camada — o erro de registro no alvo, em milímetros.
O que já dá para fazer
A camada 1 decide o resultado: aquisição volumétrica isotrópica em T2, preparo intestinal, opacificação vaginal e retal, antiperistáltico, bexiga em repleção. Nenhum algoritmo recupera informação que não foi adquirida.
Na camada 2, um modelo cirurgicamente útil precisa de cinco a oito estruturas, não apenas a lesão, e o desempenho cai fora do ambiente de treino: em conjunto público de laparoscopia ginecológica, a segmentação uterina passou de 94,6% no treino para 84,9% no teste, e o erro de contorno subiu de 19,5% para 47,3% (Madad Zadeh et al., 2023). Um contorno errado propaga silenciosamente até a sala, e ali terá a aparência de certeza; a revisão do especialista não é opcional.
A camada 3 é a de melhor relação entre benefício e esforço em endometriose hoje, sem barreira regulatória para planejamento, discussão em equipe, consentimento informado e treinamento. Há número, com limite explícito: em sete casos de útero multimiomatoso com modelo impresso, entre quinze respostas de cirurgiões, oito relataram mudança da rota de dissecção e duas mudaram a via de acesso (Flaxman et al., 2024) — não são casos de endometriose, e o desfecho medido é percepção do cirurgião, não desfecho da paciente.
Os milímetros que faltam
O erro de registro cresce à medida que se sai do laboratório: 0,96 mm em fantoma de fígado e 3,78 mm em modelo suíno com fiduciais injetados (Pelanis et al., 2021), contra cerca de 12 mm in vivo em humano, na primeira análise quantitativa publicada, cujos autores registram que obter esse dado de forma confiável "remains a significant challenge" (Thompson et al., 2018). Na pelve humana in vivo não há dado publicado.
Em realidade aumentada aplicada à ginecologia, o número mais citado — 0,64 mm contra 16,80 mm de erro de localização do mioma — vem de um modelo uterino experimental, montado em caixa, com 10 residentes, e não de paciente (Bourdel et al., 2017). A ressalva precisa acompanhar o dado sempre que ele aparecer.
Em endometriose profunda, uma revisão sistemática de 2026 incluiu 54 estudos com 1.002 pacientes: 41 de imagem óptica intraoperatória, 12 de ultrassom intraoperatório e uma única série de realidade aumentada ou virtual, com 2 pacientes; os autores concluem que a aplicação segue em estágio inicial de translação clínica (Inci et al., 2026). Some-se a cegueira por desatenção: a sobreposição aumenta a confiança e estreita a atenção, e o cirurgião concentrado nela pode não ver o achado inesperado.
A navegação que funciona hoje é química
A navegação intraoperatória que já funciona em endometriose profunda é a fluorescência com verde de indocianina. Em revisão sistemática com metanálise, 1.009 ureteres injetados foram todos visualizados com sucesso, contra 99,1% de 5.202 stents, com lesão ureteral de 0,18% e 1,12% respectivamente (Goldhawk-White et al., 2026). Esse confronto é uma comparação indireta entre séries, sem estudo comparativo direto, e não autoriza dizer que uma técnica reduz lesão em relação à outra. A visualização ureteral ficou entre 95,3% e 100% em 716 pacientes (Litchinko et al., 2026).
Na perfusão da anastomose a evidência está dividida: o maior ensaio randomizado, com 766 pacientes em 28 centros, foi negativo no desfecho primário — 10% contra 15% de fístula clínica, com intervalo cruzando a unidade (Jayne et al., 2025); um ensaio unicêntrico anterior foi positivo, 9,1% contra 16,3% (Alekseev et al., 2020). Todos vêm de câncer colorretal; em endometriose há apenas relatos de caso.
A máquina olhando o campo
Um sistema de visão computacional treinado em colecistectomia é melhor em apontar onde não cortar do que onde cortar: índice de sobreposição de 0,71 contra 0,53 (Madani et al., 2022). E em vídeos com lesão de via biliar, 45% das manobras lesivas ocorreram fora das zonas desenhadas pelo modelo (Khalid et al., 2023).
Em endometriose, o reconhecimento automático de lesão, em 112 pacientes e quatro países, chegou a F1 de 0,94 na lesão negra superficial, mas 0,63 na profunda, 0,25 na vermelha e 0,18 na branca (Netter et al., 2025) — insuficiente para uso clínico. No reconhecimento de fases da histerectomia, a acurácia média foi de 93,1% contra a anotação humana em 277 pacientes e cinco centros, com a adesiólise como pior etapa, 70,3% (Levin et al., 2024); três dos seis autores desse trabalho têm vínculo com a empresa proprietária da plataforma avaliada, o que pede leitura cautelosa.
Formação, automação e a régua
Habilidade cirúrgica é desfecho. No estudo que fundou o campo, vinte cirurgiões bariátricos tiveram um vídeo cada avaliado por pares humanos, não por inteligência artificial: o quartil inferior teve 14,5% de complicação contra 5,2% do superior, e mortalidade de 0,26% contra 0,05%, sobre registro de 10.343 pacientes (Birkmeyer et al., 2013). Em trabalho separado, um modelo alcançou 87% de acurácia para distinguir boa de má habilidade em vídeo (Lavanchy et al., 2021). O circuito não fecha: não há estudo em que a IA pontue destreza por vídeo e prediga desfecho da paciente no mesmo trabalho.
O que transfere na formação também tem número: laparoscopia para robótica com diferença padronizada de médias de 0,40, robótica para laparoscopia 0,66, e nenhuma transferência demonstrada de cirurgia aberta para robótica (Schmidt et al., 2024). Em ressecção intestinal por cirurgião ginecológico, a proficiência foi descrita após cerca de 45 casos (Vermel et al., 2021). Para quem monta formação em cirurgia robótica — inclusive pós-graduação lato sensu, que NÃO ESPECIALISTA —, é aí que se decide onde investir horas.
Na automação, dos 49 robôs cirúrgicos liberados pela agência regulatória americana entre 2015 e 2023, 86% estão no nível 1 de autonomia e 6% no nível 3, nenhum em nível 4 ou 5 (Lee et al., 2024). Não há estudo de autonomia em tecido mole em humanos: a anastomose autônoma é descrita em modelo suíno, com monitoramento manual auxiliar durante a sutura (Saeidi et al., 2022). O gargalo declarado é perceptivo, não mecânico.
Nada disso substitui a laparoscopia nem o julgamento clínico: robótica, imagem e algoritmos são complementares, e equipamento ou tecnologia não garante desfecho superior. A IA apoia; quem decide é o médico, e a responsabilidade final é sempre do cirurgião.
Para levar
- Em endometriose, as camadas 1 a 3 da pilha de navegação são factíveis hoje; as camadas 4 e 5 não têm evidência publicada na pelve.
- A pelve se deforma o tempo todo, e um registro rígido feito no início da cirurgia estará errado minutos depois.
- Diante de um sistema de sobreposição de imagem, pergunte o erro de registro no alvo em milímetros medido in vivo.
- A navegação que já funciona em endometriose profunda é a fluorescência, e a comparação entre indocianina e stent é indireta.
- Habilidade cirúrgica prediz complicação em avaliação por pares humanos: comece gravando e revisando os próprios vídeos.
- Tecnologia e robótica complementam a laparoscopia e não garantem desfecho superior: a IA apoia; quem decide é o médico.
Referências
- 1.Inci A, Andress J, Kraemer B, et al. From vision to precision: a systematic review of intraoperative navigation techniques in endometriosis surgery. J Minim Invasive Gynecol. 2026;33(8):1067-1085.e1. PMID 41831712.
- 2.Thompson S, Schneider C, Bosi M, et al. In vivo estimation of target registration errors during augmented reality laparoscopic surgery. Int J Comput Assist Radiol Surg. 2018;13(6):865-874. PMID 29663273.
- 3.Pelanis E, Teatini A, Eigl B, et al. Evaluation of a novel navigation platform for laparoscopic liver surgery with organ deformation compensation using injected fiducials. Med Image Anal. 2021;69:101946. PMID 33454603.
- 4.Bourdel N, Collins T, Pizarro D, et al. Augmented reality in gynecologic surgery: evaluation of potential benefits for myomectomy in an experimental uterine model. Surg Endosc. 2017;31(1):456-461. PMID 27129565.
- 5.Madad Zadeh S, François T, Comptour A, et al. SurgAI3.8K: a labeled dataset of gynecologic organs in laparoscopy with application to automatic augmented reality surgical guidance. J Minim Invasive Gynecol. 2023;30(5):397-405. PMID 36720429.
- 6.Flaxman TE, Cooke CM, Miguel OX, et al. The value of using patient-specific 3D-printed anatomical models in surgical planning for patients with complex multifibroid uteri. J Obstet Gynaecol Can. 2024;46(6):102435. PMID 38458270.
- 7.Goldhawk-White PE, White KP, Nezhat C, et al. Retrograde intraureteral injections of indocyanine green versus ureteral stents to reduce urinary tract complications during pelvic surgery: systematic review and meta-analysis. Surgery. 2026;192:110047. PMID 41570664.
- 8.Litchinko A, Denost Q, Noiret B, et al. Fluorescence-guided ureter mapping in colorectal surgery: a systematic review. Front Surg. 2026;13:1734869. PMID 41884569.
- 9.Jayne D, Croft J, Corrigan N, et al. Intraoperative fluorescence angiography with indocyanine green to prevent anastomotic leak in rectal cancer surgery (IntAct): an unblinded randomised controlled trial. Lancet Gastroenterol Hepatol. 2025;10(9):806-817. PMID 40690925.
- 10.Alekseev M, Rybakov E, Shelygin Y, et al. A study investigating the perfusion of colorectal anastomoses using fluorescence angiography: results of the FLAG randomized trial. Colorectal Dis. 2020;22(9):1147-1153. PMID 32189424.
- 11.Madani A, Namazi B, Altieri MS, et al. Artificial intelligence for intraoperative guidance: using semantic segmentation to identify surgical anatomy during laparoscopic cholecystectomy. Ann Surg. 2022;276(2):363-369. PMID 33196488.
- 12.Khalid MU, Laplante S, Masino C, et al. Use of artificial intelligence for decision-support to avoid high-risk behaviors during laparoscopic cholecystectomy. Surg Endosc. 2023;37(12):9467-9475. PMID 37697115.
- 13.Netter A, Noorzadeh S, Duchateau F, et al. Initial results in the automatic visual recognition of endometriosis lesions by artificial intelligence during laparoscopy. J Minim Invasive Gynecol. 2025;32(12):1118-1125. PMID 40912397.
- 14.Levin I, Rapoport Ferman J, Bar O, et al. Introducing surgical intelligence in gynecology: automated identification of key steps in hysterectomy. Int J Gynaecol Obstet. 2024;166(3):1273-1278. PMID 38546527.
- 15.Birkmeyer JD, Finks JF, O'Reilly A, et al. Surgical skill and complication rates after bariatric surgery. N Engl J Med. 2013;369(15):1434-1442. PMID 24106936.
- 16.Lavanchy JL, Zindel J, Kirtac K, et al. Automation of surgical skill assessment using a three-stage machine learning algorithm. Sci Rep. 2021;11(1):5197. PMID 33664317.
- 17.Vermel M, Lecointre L, Jochum F, et al. Bowel resection performed by gynecologists — outcomes and learning curves. Eur J Obstet Gynecol Reprod Biol. 2021;267:142-149. PMID 34773876.
- 18.Schmidt MW, Fan C, Köppinger KF, et al. Laparoscopic but not open surgical skills can be transferred to robot-assisted surgery: a systematic review and meta-analysis. World J Surg. 2024;48(1):14-28. PMID 38686793.
- 19.Lee A, Baker TS, Bederson JB, Rapoport BI. Levels of autonomy in FDA-cleared surgical robots: a systematic review. NPJ Digit Med. 2024;7(1):103. PMID 38671232.
- 20.Saeidi H, Opfermann JD, Kam M, et al. Autonomous robotic laparoscopic surgery for intestinal anastomosis. Sci Robot. 2022;7(62):eabj2908. PMID 35080901.
Revisão científica: Prof. Dr. Paulo Ayroza Ribeiro