REGISTRO DOI: 10.5281/zenodo.10836189
João Marcos Oliveira dos Santos1; Arlindo Rodrigues Resende2; Aghata Ferreira de Carvalho3; Bianca Desiderio Oliveira4; Heliza Thielmann Ferreira Soares5; Ingrid Rodrigues de Oliveira6; Jade Maria Vieira Finholdt7; Regiane Lopes Takaoka8; Vinicius de Oliveira9
Introdução: As doenças cardiovasculares (DCVs) são um grande problema de saúde pública, sendo uma das principais causas de morbidade e mortalidade em todo o mundo. O uso da inteligência artificial (IA) tem despertado interesse na comunidade médica devido à sua capacidade de auxiliar no diagnóstico precoce e no desenvolvimento de abordagens terapêuticas personalizadas. Objetivos: Identificar a contribuição da IA para o diagnóstico de DCVs e sua relevância na prática clínica. Metodologia: Foi realizada uma revisão integrativa sistematizada da literatura, utilizando a estratégia PICO para selecionar artigos pertinentes. Os critérios de inclusão incluíram artigos publicados nos últimos seis anos, escritos em língua portuguesa, inglesa ou espanhola, relacionados ao tema proposto. Resultados: Foram encontrados diversos estudos que destacam a eficácia da IA no diagnóstico e prognóstico de DCVs. Modelos de IA demonstraram alta precisão na identificação de pacientes em risco de doença coronariana e na predição de mortalidade em pacientes com insuficiência cardíaca. Além disso, a IA mostrou-se útil na estratificação de pacientes e na personalização do tratamento, contribuindo para uma abordagem mais eficaz no manejo das DCVs. Conclusão: Os estudos revisados indicam que a IA tem um papel promissor no diagnóstico e manejo das DCVs. Seus benefícios incluem maior precisão diagnóstica, identificação de pacientes em risco e personalização do tratamento. No entanto, são necessárias mais pesquisas para avaliar completamente o potencial da IA na prática clínica e sua aplicabilidade em diferentes contextos de saúde.
Palavras chaves: diagnóstico, cardiologia, doenças cardiovasculares, inteligência artificial e machine learning.
Introdução
As doenças cardiovasculares (DCVs) compreendem um grupo de condições que afetam o coração e os vasos sanguíneos, incluindo doença arterial coronariana, doença cardíaca congênita, cardiomiopatias, arritmias cardíacas, doença valvular e acidente vascular cerebral, essas condições podem resultar em uma ampla variedade de sintomas (OLIVEIRA ET AL., 2023; YASMIN et al.., 2019).
Os fatores de risco para o desenvolvimento de DCVs são variados e incluem tanto fatores genéticos quanto comportamentais. Entre os fatores de risco genéticos, destacam-se a história familiar de DCVs, predisposição genética para hipercolesterolemia e hipertensão arterial. Já os fatores de risco comportamentais incluem hábitos de vida pouco saudáveis, como tabagismo, consumo excessivo de álcool, dieta rica em gorduras saturadas e açúcares refinados, falta de atividade física e estresse crônico (LOBO, 2017; Oliveira et al., 2023).
As DCVs representam um desafio global de saúde pública, sendo uma das principais causas de morbidade e mortalidade em todo o mundo. No Brasil, essa realidade não é diferente, e as DCVs também figuram como uma preocupação significativa, contribuindo de forma substancial para a carga de doenças no país. Segundo dados da Estatística Cardiovascular – Brasil 2023, as DCVs foram responsáveis por cerca de um terço das mortes no país, destacando-se como a principal causa de anos de vida perdidos ajustados por incapacidade (DALYs) (OLIVEIRA ET AL., 2023).
A incidência e a mortalidade por DCVs no Brasil são alarmantes, refletindo a importância de estratégias eficazes para a prevenção, diagnóstico e tratamento dessas condições. Estima-se que aproximadamente 6,1% da população adulta brasileira seja afetada por DCVs, com uma incidência de 475 casos por 100.000 habitantes (OLIVEIRA ET AL., 2023).
Apesar dos avanços na medicina cardiovascular, o aumento contínuo na prevalência de DCVs no país ao longo das últimas décadas é preocupante, destacando a necessidade de abordagens inovadoras para enfrentar esse desafio crescente. (LOBO, 2017).
Além do impacto significativo na saúde pública, as DCVs também representam uma importante carga econômica para o sistema de saúde brasileiro. Mais de R$ 1 bilhão são gastos anualmente pelo Sistema Único de Saúde (SUS) em procedimentos cardiovasculares, evidenciando a necessidade de investimentos em tecnologias e abordagens que possam melhorar a eficiência e a eficácia do diagnóstico e tratamento dessas condições (OLIVEIRA, et al., 2023).
Diante desse cenário, o uso de novas tecnologias, como a inteligência artificial (IA), tem despertado interesse crescente na comunidade médica e científica. A IA oferece a capacidade de processar grandes volumes de dados de forma rápida e eficiente, identificando padrões complexos e fornecendo insights valiosos para a prática clínica. No contexto das doenças cardiovasculares, a IA tem sido cada vez mais explorada como uma ferramenta para auxiliar no diagnóstico precoce, na estratificação de risco e no desenvolvimento de abordagens terapêuticas personalizadas (FRIEDRICH et al., 2021; HAUG & DRAZEN, 2023; LIMA et al., 2021; SIONTIS et al., 2021).
Embora os avanços na IA tenham mostrado promessas significativas na medicina cardiovascular, é fundamental avaliar criticamente sua aplicação no contexto brasileiro. Compreender os benefícios, as limitações e o potencial impacto da IA no diagnóstico das DCVs pode fornecer insights valiosos para aprimorar as práticas clínicas, otimizar os recursos de saúde e em última análise, melhorar os desfechos clínicos e a qualidade de vida dos pacientes afetados por essas condições.
Neste contexto, considerando a importância e impacto dessa problemática elaborou-se a seguinte questão norteadora: Qual a contribuição da AI para o diagnóstico de doenças cardiovasculares, é confiável a utilização dessa ferramenta na prática clínica?
OBJETIVO
Identificar na literatura a contribuição da AI para o diagnóstico de doenças cardiovasculares e a sua relevância na prática clínica.
MÉTODO
Este estudo propõe uma revisão integrativa sistematizada da literatura, uma abordagem metodológica que visa sintetizar de maneira sistemática os resultados de pesquisas relacionadas a um tema específico. A metodologia integrativa é escolhida por sua capacidade de fornecer uma compreensão abrangente e ordenada do assunto em análise, contribuindo para a consolidação do conhecimento na área.
O delineamento do estudo foi conduzido com base na estratégia PICO (P: pacientes com risco de doenças cardiovasculares e ou portadores; I: diagnóstico recursos de inteligência artificial; C: diagnóstico padrão; O: eficácia da inteligência artificial no diagnóstico), uma abordagem que permite uma análise detalhada e estruturada dos estudos incluídos.
A busca foi realizada utilizando uma combinação de Descritores em Saúde (DeCS)/Medical Subject Headings (MeSH) e operadores booleanos, visando abranger o maior número possível de estudos relevantes com as palavras chaves: “diagnóstico”, “cardiologia”, “doenças cardiovasculares”, “inteligência artificial”, “machine learning”. As bases de dados selecionadas incluirão Scientific Electronic Library Online (SciELO), PubMed Central® e periódicos CAPES, garantindo uma ampla cobertura da literatura disponível.
Os critérios de inclusão foram artigos publicados nos últimos seis anos (2019-2024), escritos em língua portuguesa, inglesa ou espanhola, e que apresentem resultados pertinentes ao escopo da pesquisa. Foram excluídos artigos de revisão, teses e dissertações, bem como estudos que não estão diretamente relacionados ao tema proposto.
A análise dos artigos foi realizada de forma criteriosa, com a leitura dos títulos e resumos para seleção inicial, seguida de uma análise mais detalhada dos textos completos. Para a apresentação dos resultados, serão consideradas variáveis como local de publicação, ano, autor(es), metodologia e nível de evidência, proporcionando uma visão abrangente e aprofundada dos estudos incluídos.
A qualidade metodológica dos estudos selecionados foi avaliada de acordo com as diretrizes estabelecidas pelo Oxford Centre for Evidence-based Medicine ( Nível de Evidência 2: Evidência obtida a partir de pelo menos um estudo comparativo bem desenhado, randomizado, controlado e com um grande número de participantes. Nível de Evidência 3: Evidência obtida a partir de estudos descritivos comparativos, estudos de coorte ou estudos de caso-controle. Nível de Evidência 4: Evidência obtida a partir de estudos descritivos ou de relatos de comitês de especialistas. Nível de Evidência 5: Opiniões de autoridades e/ou relatos de comitês de especialistas), garantindo assim a confiabilidade e validade dos resultados obtidos. Essa abordagem rigorosa e abrangente permitirá uma análise crítica e detalhada do tema em questão, contribuindo para o avanço do conhecimento na área da cardiologia e inteligência artificial.
RESULTADOS E DISCUSSÃO
| Autor(es) | Ano | Revista | Metodologia | Resultados | Nível de Evidência |
| BAKER, A. et al. | 2020 | Front Artif Intell | Estudo de coorte com comparação entre IA e médicos para triagem e diagnóstico. A avaliação foi realizada usando um cenário de role-play semi naturalista que envolveu consultas simuladas entre um paciente e um médico humano ou o chatbot, com base em vinhetas clínicas realistas. | A IA neste estudo, por meio do Babylon Triage and Diagnostic System foi capaz de produzir diagnósticos diferenciais com precisão e recordação comparáveis aos dos médicos e, em alguns casos, excedeu o desempenho em nível humano | 3 |
| Cao, Jiaoyu, et al. | 2022 | PeerJ | Estudo retrospectivo sobre risco de doença cardíaca coronária baseado em machine learning com 553 pacientes do Departamento de Cardiologia de um hospital terciário na província de Anhui | A análise univariada identificou um total de 24 índices com diferenças estatisticamente significativas entre os grupos de doença coronariana e não coronariana, os quais foram incorporados ao modelo de regressão logística e a três modelos de aprendizado de máquina. As AUCs do conjunto de testes no modelo de predição de regressão logística, modelo de rede neural BP, modelo de floresta aleatória e modelo XGBoost foram 0,829, 0,795, 0,928 e 0,940, respectivamente, e os escores F1 foram 0,634, 0,606, 0,846 e 0,887, indicando que o valor de predição do modelo XGBoost foi o melhor. | 3 |
| Cikes, Maja, et al. | 2019 | Eur J Heart Failure | Foram estudados 1106 pacientes com IC do Multicenter Automatic Defibrillator Implantation Trial with Cardiac Resynchronization Therapy (MADIT-CRT) (fração de ejeção do ventrículo esquerdo ≤ 30%, QRS ≥ 130 ms, classe ≤ II da New York Heart Association) randomizados para TRC com desfibrilador (CRT-D, n = 677) ou cardioversor-desfibrilador implantável (CDI, n = 429). | O modelo de ML identificou quatro fenogrupos, sendo dois associados a características clínicas preditoras de resposta positiva à terapia de ressincronização cardíaca (TRC-D) na insuficiência cardíaca. integrar parâmetros clínicos e dados de imagem do ciclo cardíaco completo, a LM não supervisionada pode fornecer uma classificação clinicamente significativa de uma coorte fenotipicamente heterogênea de IC e pode ajudar a otimizar a taxa de respondedores a terapias específicas. | 3 |
| Colletti, Patrick M. | 2019 | Circ Cardiovasc Imaging | Estudo multicêntrico para testar generalização e precisão em análise de biomarcadores em CMR por meio de machine learning. | Demonstrou alta precisão e generalização em análise de imagem cardíaca. | 3 |
| Commandeur, Frederic, et al. | 2020 | Cardiovasc Research | Estudo prospectivo, com 1912 indivíduos assintomáticos [1117 (58,4%) homens, idade: 55,8 ± 9,1 anos] do estudo prospectivo EISNER com seguimento de longo prazo após a pontuação de CAC. O volume e a densidade do EAT foram quantificados usando um método de aprendizagem profunda totalmente automatizado. O aumento extremo do gradiente de ML foi treinado usando covariáveis clínicas, medidas do painel lipídico plasmático, fatores de risco, CAC, cálcio aórtico e medidas automatizadas do TAE, e validado usando validação cruzada repetida de 10 vezes | O aprendizado de máquina usado para integrar variáveis clínicas e quantitativas baseadas em imagem melhora significativamente a predição de IAM e morte cardíaca em comparação com a avaliação de risco clínico padrão. Após validação adicional, tal paradigma personalizado poderia potencialmente ser usado para melhorar a avaliação do risco cardiovascular | 2 |
| Dieu, Xavier, et al. | 2022 | Int J Cardiology | Estudo de coorte prospectivo que analisou a incidência de RVP no IAM com supradesnivelamento do segmento ST em 443 pacientes monitorados no Hospital Universitário de Angers, França, predições de remodelação cardíaca pós-infarto por meio de machine learning. | Foram recuperadas 133 variáveis clínicas, biológicas e de imagem da RMC, de 379 pacientes com supradesnivelamento do segmento ST. Um modelo de regressão logística basal usando previamente conhecido as variáveis obtiveram AUC de 0,71 no conjunto teste, com sensibilidade de 67% e especificidade de 64% | 3 |
| He, Bryan, et al. | 2023 | Nature | Estudo de coorte, rsndomizado, foram inscritos 3.769 exames de ecocardiograma transtorácico realizados originalmente em um centro médico acadêmico entre 1º de junho de 2019 e 8 de agosto de 2019; Esses exames foram reavaliados prospectivamente por 25 ultrassonografistas cardíacos (média de 14,1 anos de prática) e 10 cardiologistas (média de 12,7 anos de prática) | O fluxo de trabalho guiado por IA para a avaliação inicial da função cardíaca em ecocardiografia não foi inferior e até superior à avaliação inicial pelo ultrassonografista. Os cardiologistas necessitaram de menos tempo, alteraram substancialmente a avaliação inicial com menos frequência e foram mais consistentes com avaliações clínicas prévias do cardiologista ao usar um fluxo de trabalho guiado por IA | 2 |
| Hessulf, Fredrik, et al. | 2023 | eBioMedicine | Estudo retrospectivo Desenvolvimento de modelo de predição de sobrevivência e desfecho neurológico após parada cardíaca por machine learning usando registro Sueco de Ressuscitação Cardiopulmonar para estudar todos os casos de parada cardíaca extra-hospitalar (ACOH) na Suécia de 2010 a 2020 | Foram incluídos 55.615 casos de ACE. As variáveis apresentação inicial, intervenções pré-hospitalares e intervalos críticos de tempo foram as mais importantes. Com sensibilidade de 95%, a especificidade foi de 89%, o valor preditivo positivo de 52% e o valor preditivo negativo de 99% nos dados do teste para predizer sobrevida em 30 dias | 2 |
| Jamthikar, Ankush D., et al. | 2020 | J Med Systems | Estratificação de risco cardiovascular por machine learning com uso de calculadora com biomarcadores traçados. | Aplicabilidade de modelos de machine learning na estratificação de risco cardiovascular em uma população indiana. | 3 |
| Kagiyama, Nobuyuki, et al. | 2020 | J Am Coll Cardiology | Avaliação da função diastólica ventricular por machine learning baseada em características do ECG. | O modelo de aprendizado de máquina previu com sucesso as velocidades de relaxamento do ventrículo esquerdo medidas por ecocardiografia nos conjuntos de teste interno e externo, discriminando limiares para relaxamento miocárdico anormal e disfunção diastólica e sistólica. A área sob a curva característica de operação do receptor (AUC) foi significativa nos conjuntos de teste interno e externo, indicando a eficácia do modelo. Esta abordagem econômica, baseada em características clínicas e ECG. | 3 |
| Lin, Shen, et al. | 2020 | Eur Heart J | Estudo de coorte. Potencial detecção de doença arterial coronariana por machine learning baseado em fotos faciais. | Explorou o potencial de detecção de doença arterial coronariana por meio de análise de fotos faciais. O algoritmo de aprendizado profundo para detecção de (DAC) atingiu sensibilidade de 0,80 e especificidade de 0,54, com área sob a curva (AUC) de 0,730 no teste. | 3 |
| LIMA, E.M. et al. | 2021 | Nat Commun | IA: idade estimada pelo ECG como preditor de mortalidade. | Utilização da idade estimada pelo ECG como preditor de mortalidade. | 2 |
| Woolley, Rebecca J., et al. | 2021 | Eur J Heart Failure | Análise de agrupamento não supervisionada usando 363 biomarcadores de 429 pacientes com ICFEP. Diferenças relativas nos perfis de expressão dos biomarcadores entre clusters foram avaliadas e usadas para análises de sobre-representação de vias.. | O estudo identificou subgrupos distintos de pacientes com insuficiência cardíaca com fração de ejeção preservada com base em perfis de biomarcadores, possibilitando uma abordagem personalizada para o tratamento. | 3 |
| Wang, Ke, et al. | 2021 | Computers in Biology and Medicine | Previsão interpretável de mortalidade por todas as causas em pacientes com insuficiência cardíaca causada por doença arterial coronariana baseada em machine learning e SHAP (Shapley Additive Explanations). | O estudo desenvolveu um modelo de machine learning para prever a mortalidade por todas as causas em pacientes com insuficiência cardíaca devido à doença arterial coronariana, fornecendo uma explicação interpretável dos fatores que contribuem para as previsões. | 2 |
| Xu, Qian, et al. | 2022 | Frontiers in Public Health | Previsão de fibrilação atrial em pacientes idosos hospitalizados com doença arterial coronariana e diabetes mellitus tipo 2 utilizando machine learning: um estudo retrospectivo multicêntrico. | O estudo desenvolveu um modelo de machine learning para prever fibrilação atrial em pacientes idosos hospitalizados com doença arterial coronariana e diabetes mellitus tipo 2, demonstrando sua viabilidade e potencial para auxiliar na identificação precoce e manejo dessa condição. | 2 |
| Yang, Junjie, et al. | 2023 | Circulation | Avaliação do uso da reserva fracionada de fluxo derivada de tomografia computadorizada no local para orientar o manejo de pacientes com doença arterial coronariana estável: o ensaio randomizado TARGET. | O estudo demonstrou a viabilidade e eficácia do uso da reserva fracionada de fluxo derivada de tomografia computadorizada no local para orientar o manejo de pacientes com doença arterial coronariana estável, fornecendo uma abordagem mais precisa e eficiente para tomar decisões terapêuticas. | 2 |
| Zhong, Xia, et al. | 2023 | Frontiers in Public Health | Desenvolvimento e validação de um modelo de previsão de risco baseado em machine learning para comprometimento cognitivo precoce em pacientes com hipertensão: estudo de desenvolvimento e validação. | O estudo desenvolveu e validou um modelo de machine learning para prever o comprometimento cognitivo precoce em pacientes com hipertensão, fornecendo uma ferramenta potencialmente útil para identificar indivíduos em risco e implementar medidas preventivas precoces. | 2 |
| Zhu, Simeng, et al. | 2022 | Int J Med Informatics | Análise das características e uso pretendido dos dispositivos médicos habilitados para inteligência artificial/aprendizado de máquina aprovados pela FDA em 2021. | A análise fornece insights sobre as características e uso pretendido dos dispositivos médicos aprovados pela FDA habilitados para inteligência artificial/aprendizado de máquina em 2021, destacando as tendências e áreas de aplicação emergentes. | 4 |
Tabela 1 – Síntese dos principais resultados encontrados na busca, Uberaba, 2024.
Cao et al. (2022) conduziram um estudo retrospectivo de coorte para avaliar o risco de doença coronariana em pessoas de meia-idade e jovens usando métodos de aprendizado de máquina. Os resultados mostraram uma precisão diagnóstica significativa na identificação de indivíduos em risco. A análise identificou 24 índices relevantes para doença coronariana, integrados em modelos de regressão e aprendizado de máquina. O modelo XGBoost apresentou AUC de 0,940, destacando-se como valioso na triagem clínica.
Corroborando com a ideia supracitada Wang et al. (2021) desenvolveram um modelo de IA para prever a mortalidade em pacientes com insuficiência cardíaca causada por doença coronariana, a ferramenta de estratificação de risco baseada em ML, combinada com SHAP, oferecendo uma avaliação precisa do risco de mortalidade em pacientes com insuficiência cardíaca por doença coronariana, permitindo uma compreensão intuitiva dos principais fatores de influência, a ferramenta XGBoost destacou-se na previsão de risco em diferentes contextos.
Cikes et al. (2019) focaram na fenogrupagem baseada em machine learning em insuficiência cardíaca para identificar respondedores à terapia de ressincronização cardíaca, destacando a capacidade da IA em estratificar pacientes com base em características clínicas e de imagem, o aprendizado de máquina não supervisionado revelou-se útil na classificação significativa dessa coorte heterogênea, facilitando a otimização da resposta a terapias específicas.
Woolley et al. (2021) identificaram subgrupos de insuficiência cardíaca com fração de ejeção preservada com base em perfis de biomarcadores usando IA, destacando a heterogeneidade da doença e a importância da abordagem personalizada.
Lin et al. (2020) investigaram a detecção de doença arterial coronariana com base em fotografias faciais usando deep learning, destacando a capacidade de IA em explorar novas modalidades de diagnóstico, Comparado a modelos existentes, mostrou superioridade, sugerindo utilidade potencial na avaliação pré-teste em clínicas e triagem comunitária. Liu et al. (2022) desenvolveram um modelo de IA para prever o risco de infarto do miocárdio, fornecendo uma ferramenta adicional para a estratificação de risco cardiovascular, O Gradient Boosted Decision Trees (GBDT) com downsampling de 24 características se destacou, alcançando escore F1 e precisão de 0,83 no conjunto de teste e 0,84 no conjunto de validação, com AUC de 0,91. Modelos de aprendizado de máquina, como o GBDT, apresentam melhor precisão em tempo real.
O estudo multicêntrico de Colletti et al. (2019) para testar a generalizabilidade e precisão da análise de biomarcadores de imagem por machine learning em ressonância magnética cardíaca, demonstra a capacidade elevada desses modelos na análise de dados complexos e em grande montantes. Commandeur et al. (2020) desenvolveram um modelo de IA para prever o risco de infarto do miocárdio e morte cardíaca a longo prazo, incorporando fatores clínicos e dados de imagem, o que pode ter implicações significativas na estratificação de risco e manejo do paciente, sugerindo que a IA pode atuar tanto na prevenção como na promoção em saúde.
Morrill et al. (2022) propuseram uma metodologia de triagem de exacerbadores de insuficiência cardíaca com base em IA, visando uma intervenção precoce e redução de readmissões hospitalares. Onishchenko et al. (2022) desenvolveram um escore de risco de comorbidade cardíaca para prever eventos cardíacos adversos após cirurgias ortopédicas, demonstrando a aplicabilidade da IA na otimização da tomada de decisão clínica, em um coorte de 445.391 pacientes submetidos à artroplastia de membros inferiores, 0,19% apresentaram previsão de eventos cardíacos maiores dentro de 4 semanas (0,16% em 2 semanas), mostrando que mesmo na ausência de fatores de riscos tradicionais a IA é capaz de estratificar pacientes com maior risco de eventos.
Dieu et al. (2022) exploraram a capacidade de predição de remodelação cardíaca pós-infarto com modelos de IA, Recuperando 133 variáveis de pacientes com insuficiência mitral (IM), um modelo de regressão logística inicial alcançou AUC de 0,71 no teste, após a aplicação de uma abordagem de aprendizado de máquina, a sensibilidade aumentou para 92%, com AUC de 0,78, superando o modelo inicial. A abordagem imparcial de aprendizado de máquina mostrou maior sensibilidade na previsão de RVE pós-IM em comparação com métodos tradicionais.
Hessulf et al. (2023) desenvolveram um modelo de IA para prever sobrevivência e desfechos neurológicos após parada cardíaca extra-hospitalar. O estudo analisou 55.615 casos de parada cardíaca fora do hospital. As variáveis de apresentação inicial, intervenções pré-hospitalares e intervalos críticos de tempo foram as mais importantes na análise. Um modelo de aprendizado de máquina alcançou alta precisão na previsão de sobrevivência de 30 dias durante a ressuscitação, com sensibilidade de 95%, especificidade de 89% e excelente calibração, permitindo cálculos quase instantâneos de sobrevivência por meio de uma aplicação web, demonstrando a aplicabilidade do uso de IA para eventos cardiológicos agudos.
Jamthikar et al. (2020) propuseram uma abordagem de estratificação de risco baseada em machine learning (ML) e ultrassom de artérias carótidas em uma coorte asiática-indiana, demonstrando a viabilidade de métodos de IA em configurações de baixo custo, Com AUC de 0,90 e 0,95, e precisão de classificação de 88% e 83%, o sistema principal de ML demonstrou alta aceitação e estabilidade nos bancos de dados testados. Kagiyama et al. (2020) desenvolveram um modelo de IA para avaliação da função diastólica do ventrículo esquerdo com base em características eletrocardiográficas, oferecendo uma abordagem não invasiva e de baixo custo para a avaliação da função cardíaca, O modelo de aprendizado de máquina previu com sucesso as velocidades de relaxamento do ventrículo esquerdo medidas por ecocardiografia nos conjuntos de teste interno e externo, discriminando limiares para relaxamento miocárdico anormal e disfunção diastólica e sistólica.
Qiao et al. (2020) exploraram o impacto de algoritmos de IA na decisão de tratamento e desfechos clínicos em pacientes com suspeita de doença arterial coronariana, destacando o papel da IA na personalização da terapia, realizar angiografia coronária invasiva (ACI) com base em CT-Fractional Flow Reserve (CT-FFR), pode reduzir intervenções em 54,5%, sugerindo melhoria potencial na eficiência do tratamento. CT-FFR baseada em ML demonstrou valor prognóstico superior, direcionando decisões terapêuticas e indicando potencial para otimizar a eficiência da ACI. Rushlow et al. (2022) conduziram um estudo para avaliar a adoção de um algoritmo de IA para detectar disfunção sistólica do ventrículo esquerdo na atenção primária, demonstrando a viabilidade e aceitação dessas ferramentas na prática clínica, nesta análise, clínicos que utilizaram ECG com IA (41 utilizadores) tiveram o dobro de chance de diagnosticar fração de ejeção baixa (33,9%) em comparação com não utilizadores (16,9%).
Xu et al. (2022) exploraram a predição de fibrilação atrial em pacientes idosos hospitalizados com doença cardíaca coronariana e diabetes tipo 2, demonstrando o potencial da IA na identificação de populações de alto risco. Yang et al. (2023) investigaram o uso de IA para guiar o manejo de pacientes com doença arterial coronariana estável com base na reserva de fluxo fracionado derivada de tomografia computadorizada, fornecendo uma abordagem personalizada para a avaliação funcional coronariana, embora tenha aumentado a revascularização global, não houve melhora nos sintomas, qualidade de vida ou redução de eventos cardiovasculares adversos importantes em 1 ano, comparado ao atendimento.
Zhong et al. (2023) desenvolveram um modelo de IA para predizer o comprometimento cognitivo precoce em pacientes com hipertensão, destacando a aplicabilidade da IA em diferentes domínios da saúde. Zhu et al. (2022) analisaram o cenário de dispositivos médicos habilitados para IA aprovados pela FDA, fornecendo uma visão abrangente das características e usos dessas tecnologias na prática clínica.
Considerações finais
Os estudos demonstram uma ampla gama de aplicações de IA no diagnóstico de patologias cardíacas, abordando diferentes aspectos da prevenção, estratificação de risco e manejo clínico. A maioria dos estudos utilizou algoritmos de aprendizado de máquina supervisionado, com ênfase crescente em técnicas de deep learning para análise de imagens complexas e grandes conjuntos de dados. A precisão diagnóstica variou entre os estudos, refletindo a heterogeneidade das populações de pacientes e das condições clínicas avaliadas.
No entanto, são necessárias mais pesquisas para validar e implementar essas ferramentas de forma eficaz na prática clínica, considerando questões relacionadas à interpretabilidade, generalização e impacto na tomada de decisão clínica. O uso de IA pode representar uma ferramenta valiosa para melhorar o diagnóstico precoce, a estratificação de risco e o manejo de pacientes com doenças cardiovasculares.
REFERÊNCIAS BIBLIOGRÁFICAS
2022 AHA/ACC/HFSA Guideline for the Management of Heart Failure: A Report of the American College of Cardiology/American Heart Association Joint Committee on Clinical Practice Guidelines [Internet]. [cited 2024 Jan 16]. Available from: https://www.ahajournals.org/doi/epdf/10.1161/CIR.0000000000001063
BAKER, A. et al. A comparison of artificial intelligence and human doctors for the purpose of triage and diagnosis. Front Artif Intell, v. 3: 543405, nov. 2020. Disponível em: https://doi.org/10.3389/frai.2020.543405
Cao, Jiaoyu, et al. “Study on the Risk of Coronary Heart Disease in Middle-Aged and Young People Based on Machine Learning Methods: A Retrospective Cohort Study”. PeerJ, vol. 10, novembro de 2022, p. e14078. DOI.org (Crossref), https://doi.org/10.7717/peerj.14078.
Cikes, Maja, et al. “Machine Learning‐based Phenogrouping in Heart Failure to Identify Responders to Cardiac Resynchronization Therapy”. European Journal of Heart Failure, vol. 21, no 1, janeiro de 2019, p. 74–85. DOI.org (Crossref), https://doi.org/10.1002/ejhf.1333.
Colletti, Patrick M. “Multicenter, Scan-Rescan, Human and Machine Learning CMR Study to Test Generalizability and Precision in Imaging Biomarker Analysis: A Solid Basis for Future Work”. Circulation: Cardiovascular Imaging, vol. 12, no 10, outubro de 2019, p. e009759. DOI.org (Crossref), https://doi.org/10.1161/CIRCIMAGING.119.009759.
Commandeur, Frederic, et al. “Machine Learning to Predict the Long-Term Risk of Myocardial Infarction and Cardiac Death Based on Clinical Risk, Coronary Calcium, and Epicardial Adipose Tissue: A Prospective Study”. Cardiovascular Research, vol. 116, no 14, dezembro de 2020, p. 2216–25. DOI.org (Crossref), https://doi.org/10.1093/cvr/cvz321.
Dieu, Xavier, et al. “Post-Infarct Cardiac Remodeling Predictions with Machine Learning”. International Journal of Cardiology, vol. 355, maio de 2022, p. 1–4. DOI.org (Crossref), https://doi.org/10.1016/j.ijcard.2022.02.009.
HAUG, C.J.; DRAZEN, J.M. Artificial intelligence and machine learning in clinical medicine, 2023. N Engl J Med., v. 388, n. 13, p. 1201-1208, mar. 2023. Disponível em: https://doi.org/10.1056/nejmra2302038
FRIEDRICH, S. et al. Applications of artificial intelligence/machine learning approaches in cardiovascular medicine: a systematic review with recommendations. Eur Heart J – Digit Health. v. 2, n.3, p.424–436, set. 2021. Disponível em: https://doi.org/10.1093/ehjdh/ztab054.
Galvão, Cristina Maria, et al. “A busca das melhores evidências”. Revista da Escola de Enfermagem da USP, vol. 37, no 4, dezembro de 2003, p. 43–50. DOI.org (Crossref), https://doi.org/10.1590/S0080-62342003000400005.
He, Bryan, et al. “Blinded, Randomized Trial of Sonographer versus AI Cardiac Function Assessment”. Nature, vol. 616, no 7957, abril de 2023, p. 520–24. www.nature.com, https://doi.org/10.1038/s41586-023-05947-3.
Hessulf, Fredrik, et al. “Predicting Survival and Neurological Outcome in Out-of-Hospital Cardiac Arrest Using Machine Learning: The SCARS Model”. eBioMedicine, vol. 89, março de 2023, p. 104464. DOI.org (Crossref), https://doi.org/10.1016/j.ebiom.2023.104464.
Jamthikar, Ankush D., et al. “Low-Cost Office-Based Cardiovascular Risk Stratification Using Machine Learning and Focused Carotid Ultrasound in an Asian-Indian Cohort”. Journal of Medical Systems, vol. 44, no 12, dezembro de 2020, p. 208. DOI.org (Crossref), https://doi.org/10.1007/s10916-020-01675-7.
Kagiyama, Nobuyuki, et al. “Machine Learning Assessment of Left Ventricular Diastolic Function Based on Electrocardiographic Features”. Journal of the American College of Cardiology, vol. 76, no 8, agosto de 2020, p. 930–41. DOI.org (Crossref), https://doi.org/10.1016/j.jacc.2020.06.061.
Lin, Shen, et al. “Feasibility of Using Deep Learning to Detect Coronary Artery Disease Based on Facial Photo”. European Heart Journal, vol. 41, no 46, dezembro de 2020, p. 4400–11. DOI.org (Crossref), https://doi.org/10.1093/eurheartj/ehaa640.
LIMA, E.M. et al. Deep neural network-estimated electrocardiographic age as a mortality predictor. Nat Commun., v. 12, n.1:5117, ago. 2021. Disponível em: https://doi.org/10.1038/s41467-021-25351-7
Liu, Ran, et al. “An Artificial Intelligence-Based Risk Prediction Model of Myocardial Infarction”. BMC Bioinformatics, vol. 23, no 1, dezembro de 2022, p. 217. DOI.org (Crossref), https://doi.org/10.1186/s12859-022-04761-4.
LOBO, L. C. Inteligência Artificial e Medicina. Revista Brasileira de Educação Médica, v. 41, n. 2, p. 185–193, jun. 2017. Disponível em: <http://dx.doi.org/10.1590/1981-52712015v41n2esp>
Morrill, James, et al. “A Machine Learning Methodology for Identification and Triage of Heart Failure Exacerbations”. Journal of Cardiovascular Translational Research, vol. 15, no 1, fevereiro de 2022, p. 103–15. DOI.org (Crossref), https://doi.org/10.1007/s12265-021-10151-7.
Neoway. “Inteligência Artificial: O que é e como funciona | Neoway”. Blog Neoway | Conhecimento em Big Data Analytics e Inteligência Artificial, 10 de agosto de 2023, https://blog.neoway.com.br/inteligencia-artificial/.
Oliveira GMM de, Brant LCC, Polanczyk CA, Malta DC, Biolo A, Nascimento BR, et al. Estatística Cardiovascular – Brasil 2023. Arq Bras Cardiol. 2023 Jan 19;118(1):115–373.
Onishchenko, Dmytro, et al. “Cardiac Comorbidity Risk Score: Zero‐Burden Machine Learning to Improve Prediction of Postoperative Major Adverse Cardiac Events in Hip and Knee Arthroplasty”. Journal of the American Heart Association, vol. 11, no15, agosto de 2022, p. e023745. DOI.org (Crossref), https://doi.org/10.1161/JAHA.121.023745.
Qiao, Hong Yan, et al. “Impact of Machine Learning–Based Coronary Computed Tomography Angiography Fractional Flow Reserve on Treatment Decisions and Clinical Outcomes in Patients with Suspected Coronary Artery Disease”. European Radiology, vol. 30, no 11, novembro de 2020, p. 5841–51. DOI.org (Crossref), https://doi.org/10.1007/s00330-020-06964-w.
“Revolução da inteligência artificial: uso na saúde traz novas possibilidades”. SBMT, 2023, https://sbmt.org.br/revolucao-da-inteligencia-artificial-uso-na-saude-traz-novas-possi bilidades. Acesso em: 20 de novembro de 2023
Rushlow, David R., et al. “Clinician Adoption of an Artificial Intelligence Algorithm to Detect Left Ventricular Systolic Dysfunction in Primary Care.” Mayo Clinic Proceedings, vol. 97, no 11, novembro de 2022, p. 2076–85. DOI.org (Crossref), https://doi.org/10.1016/j.mayocp.2022.04.008.
SANTOS, M. K. et al. Artificial intelligence, machine learning, computer-aided diagnosis, and radiomics: advances in imaging towards to precision medicine. Radiologia Brasileira, v. 52, n. 6, p. 387–396, 1 dez. 2019. Disponível em: <http://dx.doi.org/10.1590/0100-3984.2019.0049>
SIONTIS, K.C. et al. Artificial intelligence-enhanced electrocardiography in cardiovascular disease management. Nat Rev Cardiol. v.18, n.7, p.465–478, jul. 2021. Disponível em: https://doi.org/10.1038/s41569-020-00503-2
SOUZA FILHO, E. M. et al. Inteligência artificial em cardiologia: conceitos, ferramentas e desafios – “quem corre é o cavalo, você precisa ser o jóquei”: inteligência artificial em cardiologia. Arq Bras Cardiol, v.114, n. 4, p. 718–725, abr. 2020. Disponível em: https://doi.org/10.36660/abc.20180431.
Wang, Ke, et al. “Interpretable Prediction of 3-Year All-Cause Mortality in Patients with Heart Failure Caused by Coronary Heart Disease Based on Machine Learning and SHAP”. Computers in Biology and Medicine, vol. 137, outubro de 2021, p. 104813. DOI.org (Crossref), https://doi.org/10.1016/j.compbiomed.2021.104813.
Woolley, Rebecca J., et al. “Machine Learning Based on Biomarker Profiles Identifies Distinct Subgroups of Heart Failure with Preserved Ejection Fraction”. European Journal of Heart Failure, vol. 23, no 6, junho de 2021, p. 983–91. DOI.org (Crossref), https://doi.org/10.1002/ejhf.2144.
Xu, Qian, et al. “Prediction of Atrial Fibrillation in Hospitalized Elderly Patients With Coronary Heart Disease and Type 2 Diabetes Mellitus Using Machine Learning: A Multicenter Retrospective Study”. Frontiers in Public Health, vol. 10, março de 2022, p. 842104. DOI.org (Crossref), https://doi.org/10.3389/fpubh.2022.842104.
YASMIN, F. et al. Artificial intelligence in the diagnosis and detection of heart failure: the past, present, and future. Rev Cardiovasc Med.v. 22, n.4, p. 1095-1113, dez. 2021. Disponível em: https://doi.org/10.31083/j.rcm2204121
Yang, Junjie, et al. “On-Site Computed Tomography–Derived Fractional Flow Reserve to Guide Management of Patients With Stable Coronary Artery Disease: The TARGET Randomized Trial”. Circulation, vol. 147, no 18, maio de 2023, p. 1369–81. DOI.org (Crossref), https://doi.org/10.1161/CIRCULATIONAHA.123.063996.
Zhong, Xia, et al. “A risk prediction model based on machine learning for early cognitive impairment in hypertension: Development and validation study”. Frontiers in Public Health, vol. 11, março de 2023, p. 1143019. DOI.org (Crossref), https://doi.org/10.3389/fpubh.2023.1143019.
Zhu, Simeng, et al. “The 2021 Landscape of FDA-Approved Artificial Intelligence/Machine Learning-Enabled Medical Devices: An Analysis of the Characteristics and Intended Use”. International Journal of Medical Informatics, vol. 165, setembro de 2022, p. 104828. DOI.org (Crossref), https://doi.org/10.1016/j.ijmedinf.2022.104828.
1acadêmico de medicina email:202310937@uftm.edu.br
2email: 202311339@uftm.edu.br
3acadêmica de medicina, email: 202310941@uftm.edu.br
4acadêmica de medicina, email:202310953@uftm.edu.br
5acadêmica de medicina, email: 202310443@uftm.edu.br
6acadêmica de medicina, email: 202310950@uftm.edu.br
7acadêmica de medicina, email: 202311263@uftm.edu.br
8acadêmica de medicina, email:202310938@uftm.edu.br
9acadêmico de medicina, email: 202310940@uftm.edu.br