INTELIGÊNCIA ARTIFICIAL NO DIAGNÓSTICO DE DOENÇAS CARDIOVASCULARES

Ciências da Computação, Engenharia da Computação, Volume 27 - Edição 128/NOV 2023 / 25/11/2023

ARTIFICIAL INTELLIGENCE IN THE DIAGNOSIS OF CARDIOVASCULAR DISEASES

REGISTRO DOI:10.5281/zenodo.10205539

¹Júlio Yukio Viana Suguieda
²João Victor Santana Bruneto
³ Henrique Bento Pagel
4Rodrigo Fontes do Amaral Silveira

Resumo

As inteligências artificiais vêm sendo utilizadas no diagnóstico de doenças cardiovasculares, seu avanço tem o intuito de tornar o diagnóstico de doenças cardiovasculares mais eficientes, diminuindo os gastos e aumentando a precisão. Acompanhando a IA, se tem o Machine Learning (ML), que em diversos estudos vêm apresentando um AUC (métrica para avaliar um modelo de Machine Learning) alto. Portanto esta revisão visa analisar a utilização de Inteligência Artificial no diagnóstico de doenças cardiovasculares. O presente estudo trata-se de uma revisão integrativo da literatura, foi realizado um levantamento bibliográfico de caráter descritivo e exploratório, através das bases de dados: Scientific Electronic Library Online (SciELO), PubMed® e periódicos CAPES, utilizando os descritores: “diagnóstico”, “cardiologia”, “doenças cardiovasculares”, “inteligência artificial”, “machine learning”, através dos operadores booleanos “AND” e “OR”. A catalogação dos artigos foi realizada, tendo como critérios de inclusão artigos nos idiomas: espanhol, inglês e português, dos anos 2017 até 2023 e de exclusão: artigos de revisão, artigos publicados fora da temporalidade estabelecida, tese de doutorado, dissertação de mestrado, trabalho de conclusão de curso, artigos que não fossem originais, artigos que não abordassem o tema da pesquisa. Como resultado, a utilização de IA se mostrou eficiente no diagnóstico de doenças cardiovasculares, embora ainda seja necessário uma abordagem cuidadosa para que se tenha uma implementação segura.

Palavras-chave: Inteligência Artificial; Machine Learning; Doenças Cardiovasculares.

Abstract

Artificial intelligence (AI) has been used in the diagnosis of cardiovascular diseases. Its advancement aims to make the diagnosis of cardiovascular diseases more efficient, reducing costs and increasing accuracy. Alongside AI, there is Machine Learning (ML), which has been showing a high AUC (metric for evaluating a Machine Learning model) in several studies. Therefore, this review aims to analyze the use of Artificial Intelligence in the diagnosis of cardiovascular diseases. This study is an integrative literature review. A descriptive and exploratory bibliographic survey was conducted using the databases: Scientific Electronic Library Online (SciELO), PubMed® and CAPES journals, using the descriptors: “diagnosis”, “cardiology”, “cardiovascular diseases”, “artificial intelligence”, “machine learning”, through the Boolean operators “AND” and “OR”. The cataloging of the articles was carried out, having as inclusion criteria articles in the languages: Spanish, English and Portuguese, from the years 2017 to 2023 and exclusion criteria: review articles, articles published outside the established temporality, doctoral thesis, master’s dissertation, undergraduate thesis, articles that were not original, articles that did not address the research topic. As a result, the use of AI has shown to be efficient in the diagnosis of cardiovascular diseases, although a careful approach is still needed for a safe implementation.

Keywords: Artificial Intelligence; Machine Learning; Cardiovascular Diseases.

1         INTRODUÇÃO

As inteligências artificiais (IA) são máquinas criadas com o objetivo de simular o comportamento humano e raciocinar de maneira lógica para auxiliar em diferentes aspectos da vida humana, visando minimizar erros. Está relacionada com as capacidades que as máquinas possuem de interpretar dados, aprendendo e resolvendo problemas e assuntos específicos que foram determinados, tomando decisões de forma autônoma (Neoway, 2023) .

Na área da medicina, essas vêm sendo utilizadas em maior escala de diversas formas, como por exemplo, para detectar enfermidades, potencializar a descoberta de medicamentos e auxiliar na prevenção de doenças cardiovasculares. Nesse artigo, será analisado sobre as vantagens e benefícios do uso da inteligência artificial, principalmente, no diagnóstico de doenças cardiovasculares (SBMT, 2023).

Estudos para criação, testes e verificação para aprovar se novas inteligências artificiais são proveitosas para o diagnóstico de doenças estão sendo desenvolvidos com cada vez mais frequência. Essas auxiliam a diagnosticar problemas com mais precisão, percebendo sinais não identificados, e também com mais rapidez, além de poder reduzir custos (SBMT, 2023).

A OMS divulgou diretrizes para que seja possível o uso dessas ferramentas de maneira ética para que o trabalho seja seguido de forma adequada em âmbito global, buscando os benefícios de todos. Além disso, os desenvolvedores da inteligência artificial são responsáveis por atualizar sobre os dados e informações em relação ao desenvolvimento dos produtos e essas ferramentas devem ser treinadas para respeitar e ter base de dados com diversas nacionalidades, evitando algoritmos “viciados” (SBMT, 2023).

Com isso, o objetivo do trabalho é a análise do beneficiamento em adotar maior presença e auxílio das inteligências artificiais nos procedimentos relacionados a doenças cardiovasculares e, assim, discorrer sobre os fatores que a fizeram ter uma coleta positiva.

2         METODOLOGIA

Este estudo é uma revisão integrativa da literatura que é um método que tem como finalidade sintetizar resultados obtidos em pesquisas sobre um tema ou questão, de maneira sistemática, ordenada e abrangente. É denominada integrativa porque fornece informações mais amplas sobre um assunto, constituindo, assim, um corpo de conhecimento. Deste modo, o revisor pode elaborar uma revisão integrativa com diferentes finalidades, podendo ser direcionada para a definição de conceitos, revisão de teorias ou análise metodológica dos estudos incluídos de um tópico particular (GALVÃO, SAWADA E MENDES, 2003).

O desenho do estudo, uma pesquisa não clínica, conforme descrito por Brun, foi integrado aplicando-se a estratégia PICO (acrônimo para P: pacientes com suspeita de doenças cardiovasculares; I: diagnóstico por meio de inteligência artificial; C: diagnóstico padrão; O: inteligência artificial é eficiente na realização de diagnósticos).

A pesquisa será realizada através de Descritores em Saúde (DeCS)/ Medical Subject Headings (MeSH): combinado com o operador booleano AND e OR: das palavras chaves que foram definidas usando os “diagnóstico”, “cardiologia”, “doenças cardiovasculares”, “inteligência artificial”, “machine learning”. Nas bases de dados: Scientific Electronic Library Online (SciELO), PubMed Central® e periódicos CAPES.

Para inclusão os seguintes critérios foram utilizados: artigos publicados entre os anos de 2017 até 2023, artigos escritos em língua portuguesa, artigos escritos em inglês, artigos escritos em língua espanhola, artigos publicados em revistas, artigos originais, artigos se enquadra nessa pesquisa, artigos que fala sobre simulação realística aplicada na formação de profissionais de saúde.

Com os critérios para exclusão: artigos de revisão, artigos publicados fora da temporalidade estabelecido, tese de doutorado, dissertação de mestrado, trabalho de conclusão de curso, artigos escritos em outras línguas sem ser a portuguesa, espanhol e inglês, artigos que não fossem originais, artigos que não abordasse sobre o tema da pesquisa .

Para análises dos artigos serão através de leitura dos resumos e títulos foi importante para excluir os estudos que não atendem objetivo do estudo levando em consideração os critérios de inclusão e exclusão do trabalho.

Para elaboração dos resultados foram avaliadas as seguintes variáveis dos estudos selecionados: Local, Base de dados/Periódico, Autor (es) do artigo/ Ano, objetivo, Nível de Evidência. Para classificação da qualidade metodológica das pesquisas selecionadas foi conforme os seis níveis de categorias da Oxford Centre for Evidence-based Medicine.

3         RESULTADOS E DISCUSSÕES

NAutores (Ano)Principais achados
1Rushlow et al., 2022Nesta análise, clínicos que utilizaram ECG com IA (41 altos adotantes) tiveram o dobro de chance de diagnosticar fração de ejeção baixa (33,9%) em comparação com baixos adotantes (16,9%). Altos adotantes, muitos de prática avançada, especializados em Medicina  de  Família  e  tratando pacientes menos complexos, mostraram associação significativa com diagnósticos mais precisos.
2Bhuva et al., 2019Observou-se que clínicos têm confiança na detecção de mudanças de 9% na fração de ejeção do ventrículo esquerdo. A análise automatizada, 186 vezes mais rápida, demonstra precisão comparável às técnicas humanas, indicando potencial para aplicação clínica com dados variados.
3Hessulf et al., 2023O estudo analisou 55.615 casos de parada cardíaca fora do hospital (OHCA). 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.
4Lin et al., 2020O 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. Comparado a modelos existentes, mostrou superioridade, sugerindo utilidade potencial na avaliação pré-teste em clínicas e triagem comunitária. Estudos adicionais são necessários para desenvolver uma ferramenta clinicamente disponível.
5Cao et al., 2022A análise identificou 24 índices relevantes para doença coronariana, integrados em modelos de regressão e aprendizado de máquina. O modelo XGBoost destacou-se, com AUC de 0,940, prevendo eficientemente o risco em pessoas jovens e de meia-idade, sendo potencialmente valioso na triagem clínica para identificar alto risco de doença coronariana neste grupo.
6Liu et al., 2022O 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, promovendo potencial redução de infartos hospitalares e melhorando o prognóstico dos pacientes.
7Zhu et al., 2022A maioria dos dispositivos médicos habilitados para IA/ML foi revisada por especialidades radiológicas (70,3%) e cardiovasculares (12,0%), mostrando rápido crescimento desde meados da década de 2010. Cerca de 95,0% foram liberados via notificação pré-comercialização 510(k), sendo 69,4% software médico. Na radiologia, destaca-se que 48,5% dos 241 dispositivos eram para assistência diagnóstica. O aumento
  significativo desses dispositivos reflete avanços, especialmente em radiologia e medicina cardiovascular, revelando padrões de uso pretendido.
8Wang et al., 2021O modelo XGBoost teve melhor desempenho na previsão e estratificação de pacientes, revelando que aqueles com pontuação ML mais alta apresentaram risco significativamente maior de eventos. Essa relação persistiu após análise multivariável, destacando a importância de fatores como idade, peptídeo natriurético, ocupação, classificação da New York Heart Association e uso de nitrato para ambos os sexos. A ferramenta de estratificação de risco baseada em ML, combinada com SHAP, oferece uma avaliação precisa do risco de mortalidade em pacientes com insuficiência cardíaca por doença coronariana, permitindo uma compreensão intuitiva dos principais fatores de influência.
9Woolley et al.,2021Análise de agrupamento em 429 pacientes com insuficiência cardíaca com fração de ejeção preservada (ICFEP) usando 363 biomarcadores identificou quatro subgrupos distintos com características clínicas específicas. Clusters 1 e 4 apresentaram maior incidência de morte ou hospitalização por insuficiência cardíaca (62,1% e 62,8%), enquanto o cluster 3 teve menor incidência (25,6%). Análises de vias indicaram ativação inflamatória no cluster 1 e associação com regulação da proliferação celular no cluster 4. A análise de cluster revelou subgrupos exclusivos de pacientes com ICFEP, indicando diferentes vias fisiopatológicas com base em perfis de biomarcadores.
10Dieu et al., 2022Recuperando 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.
11Qiao et al., 2019Após os resultados da CT-Fractional Flow Reserve (CT-FFR), a abordagem de tratamento foi alterada em 14,9% dos pacientes. Com um acompanhamento médio de 26 meses, CT-FFR ≤ 0,80 mostrou associação significativa com eventos adversos cardíacos graves (MACE) (HR, 6,84 (IC 95%, 3,57 a 13,11); p < 0,001), com valor prognóstico superior ao da estenose grave na angiografia coronária invasiva (ACI) (HR, 1,84 (IC 95%, 1,24 a 2,73), p = 0,002) e CCTA (HR, 1,47 (IC 95%, 1,01 a 2,14, p = 0,045). Realizar ACI com base em CT-FFR poderia 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.
12Jamthikar et al., 2020Com AUC de 0,90 e 0,95, e precisões de classificação de 88% e 83%, o sistema principal de ML demonstrou alta aceitação e estabilidade nos bancos de dados testados. Validado em MATLAB e Python, os resultados ficaram dentro de 2% da tolerância, destacando a confiabilidade do sistema. A calculadora de ML, ao lidar eficazmente com a não linearidade entre preditores baseados em consultório e padrão ouro, integra fenótipos de imagem com fatores de risco, fortalecendo os cálculos de risco de DCV.
13Onishchenko    et                            al., 2022De uma coorte de 445.391 pacientes submetidos à artroplastia de membros inferiores, 0,19% apresentaram MACE dentro de 4 semanas (0,16% em 2 semanas). Taxas de MACE
  foram semelhantes em artroplastia total do quadril (0,21%) e total do joelho (0,19%). O Cardiac Comorbidity Risk Score, uma ferramenta de triagem baseada em IA, superou as abordagens convencionais na previsão de MACE, identificando pacientes de alto risco sem fatores de risco tradicionais.
14Zhong et al., 2023Circunferência do quadril, idade, escolaridade e atividade física são preditores significativos de comprometimento cognitivo precoce na hipertensão. O modelo XGB, com AUC de 0,88, pontuação F1 de 0,59 e desempenho superior, destaca-se na previsão do risco em comparação com os classificadores LR e GNB, mostrando promessa em ambientes clínicos hipertensos.
15      Maja et al.,2019O 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. O aprendizado de máquina não supervisionado revelou-se  útil  na  classificação  significativa  dessa  coorte  heterogênea,  facilitando a otimização da resposta a terapias específicas.
16He et al.,2023O fluxo de trabalho orientado pela IA economizou tempo para ambos os grupos, e cardiologistas não conseguiram distinguir entre as avaliações iniciais feitas pela IA e pelos ecocardiografistas. A avaliação inicial da fração de ejeção ventricular esquerda (FEVE) por IA mostrou desempenho comparável à de ecocardiografistas, sugerindo eficácia e eficiência na quantificação ecocardiográfica da função cardíaca.
17Commandeur et al., 2020Durante um acompanhamento médio de 14,5 anos, a aprendizagem de máquina (ML) superou o risco ASCVD e a pontuação de CAC na previsão de eventos cardíacos,
  apresentando uma AUC significativamente maior. Sujeitos com pontuação ML mais alta tiveram risco substancialmente elevado de eventos, persistindo na análise multivariada. Idade, risco ASCVD e CAC foram prognosticamente importantes para ambos os sexos, com a pressão arterial sistólica destacando-se nas mulheres e o colesterol nos homens. A ML oferece  uma  classificação  clinicamente  significativa,  otimizando  a  identificação  de respondentes a terapias específicas em coortes heterogêneas.
18Kagiyama et al.,2020O 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, é um passo valioso para prever a disfunção do ventrículo esquerdo, auxiliando no diagnóstico precoce e manejo da insuficiência cardíaca.
19      Yang et al.,2023A reserva fracional de fluxo derivada de tomografia computadorizada (CT-FFR) local usando aprendizado de máquina reduziu significativamente a proporção de pacientes com doença arterial coronariana estável submetidos à angiografia coronariana invasiva sem obstrução significativa ou intervenção necessária em 90 dias. 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

Tabela 1 – Síntese dos principais achados sobre determinado tema, Brasília – DF, 2023.

No contexto dos dispositivos médicos habilitados para IA/ML, Zhu et al. (2022) forneceram uma visão abrangente do cenário atual. A revisão de dispositivos por especialidades radiológicas e cardiovasculares revelou um rápido crescimento desde meados da década de 2010, com a maioria dos dispositivos sendo software médico. O aumento significativo desses dispositivos, especialmente em radiologia e medicina cardiovascular, sugere um avanço notável na integração de tecnologias de IA/ML para assistência diagnóstica e tratamento personalizado (Zhu et al., 2022).

Clínicos com ECG com assistência de IA apresentaram maior precisão no diagnóstico de fração de ejeção (FE) baixa, conforme evidenciado por Rushlow et al. (2022). Essa assertiva é corroborada por Bhuva et al. (2019), que demonstraram a confiabilidade da detecção automatizada de mudanças na FE, indicando aplicabilidade clínica com dados variados.

Modelos de aprendizado de máquina (ML), especialmente o XGBoost, mostraram eficácia na predição de eventos cardiovasculares (Cao et al., 2022; Wang et al., 2021). A ferramenta XGBoost destacou-se na previsão de risco em diferentes contextos, abrangendo desde pacientes com doença coronariana até aqueles com insuficiência cardíaca.

Estudos, como Qiao et al. (2019) e Jamthikar et al. (2020), evidenciaram a eficácia da IA na avaliação de resultados específicos, como intervenções coronarianas e cálculos de risco de doença cardiovascular (DCV). A implementação de algoritmos de ML mostrou-se valiosa na otimização de decisões terapêuticas.

A IA também tem sido aplicada em situações de emergência cardíaca, como demonstrado por Hessulf et al. (2023) ao criar um modelo baseado em diversas variáveis para estimar a probabilidade de sobrevivência durante reanimação cardiopulmonar (RCP), melhorando prognósticos.

Lin et al. (2020) introduziram um algoritmo de aprendizado profundo para detecção de doença arterial coronariana (DAC), com resultados superiores a modelos existentes. Kagiyama et al. (2020) evidenciaram a capacidade do aprendizado de máquina em prever disfunção do ventrículo esquerdo, contribuindo para o diagnóstico precoce da insuficiência cardíaca.

A IA também desempenhou um papel crucial na identificação de subgrupos de pacientes com base em biomarcadores, conforme Woolley et al. (2021) e Maja et al. (2019) demonstraram, proporcionando análises valiosas para a personalização do tratamento e otimização de terapias específicas.

A eficácia e eficiência da IA na quantificação ecocardiográfica foi ressaltada por He et al. (2023), indicando que a avaliação inicial da fração de ejeção ventricular pela IA mostrou desempenho comparável ao de ecocardiografistas, além de economizar tempo.

Estudos como Yang et al. (2023) abordaram a eficácia da CT-FFR baseada em ML na redução de intervenções desnecessárias, sublinhando a importância das considerações econômicas na implementação de tecnologias baseadas em IA.

Zhong et al. (2023) destacaram preditores significativos de comprometimento cognitivo precoce na hipertensão, evidenciando o potencial do modelo XGB na previsão de risco em ambientes clínicos hipertensos.

Xu et al. (2022) apresentaram modelos de aprendizado de máquina para previsão de fibrilação atrial em pacientes idosos com doença coronariana e DM2, destacando a importância diagnóstica desses modelos em populações específicas.

No estudo de Commandeur et al. (2020), a ML demonstrou superioridade em relação ao risco de eventos cardíacos em comparação com a pontuação de CAC (Calcium Agatston Score) e risco ASCVD (Doença Cardiovascular Aterosclerótica) em um acompanhamento médio de 14,5 anos. A área sob a curva (AUC) foi significativamente maior, indicando uma classificação clinicamente significativa.

Os resultados de Onishchenko et al. (2022) também evidenciam a eficácia da ML na área cardiovascular. Ao analisar uma extensa coorte de pacientes submetidos à artroplastia de membros inferiores, o Cardiac Comorbidity Risk Score, uma ferramenta baseada em IA, superou abordagens convencionais na previsão de eventos cardíacos adversos maiores (MACE). Este estudo destaca a capacidade da ML em identificar pacientes de alto risco, mesmo na ausência de fatores de risco tradicionais.

Dieu et al. (2022) exploraram o potencial da ML na previsão de eventos cardíacos pós-infarto do miocárdio (IM). Ao recuperar uma ampla gama de variáveis dos pacientes, a ML demonstrou uma sensibilidade significativamente maior na previsão de remodelação ventricular direita (RVE) pós-IM em comparação com métodos tradicionais. A abordagem imparcial de aprendizado de máquina mostrou-se particularmente eficaz, destacando a importância de métodos avançados na melhoria da sensibilidade diagnóstica.

Liu et al. (2022) destacaram a aplicação prática do Gradient Boosting Decision Tree (GBDT). Este modelo de ML mostrou uma precisão notável em tempo real, promovendo potencial redução de infartos hospitalares e melhorando o prognóstico dos pacientes. Esses resultados reforçam a utilidade clínica dos modelos de ML na tomada de decisões em situações críticas.

Esses resultados indicam o potencial promissor da IA em diversas facetas do diagnóstico cardiovascular. A precisão na detecção, estratificação de risco, eficiência em emergências, e personalização do tratamento são áreas-chave que beneficiam significativamente da integração da IA na prática clínica. No entanto, são necessárias mais pesquisas e desenvolvimentos para garantir a implementação segura e eficaz dessas tecnologias.

4        CONSIDERAÇÕES FINAIS

Em suma, a presente revisão integrativa da literatura proporcionou uma visão abrangente do estado atual da aplicação da inteligência artificial (IA) no diagnóstico de doenças cardiovasculares. Os estudos revisados destacam os notáveis avanços alcançados nas diversas áreas da medicina cardiovascular, impulsionados pela implementação de tecnologias de IA.

Os resultados analisados indicam que a IA, especialmente por meio de algoritmos de aprendizado de máquina, apresenta uma eficácia significativa no diagnóstico preciso, estratificação de risco, otimização de decisões terapêuticas e personalização do tratamento. Desde a detecção de alterações na fração de ejeção até a previsão de eventos cardíacos adversos, a IA demonstrou um potencial promissor para melhorar a prática clínica e a qualidade dos cuidados oferecidos aos pacientes.

Entretanto, é crucial destacar que, apesar dos avanços, a implementação segura e eficaz dessas tecnologias requer uma abordagem cuidadosa. Considerações éticas, frequente atualização de dados, representatividade em conjunto de dados e a conformidade com diretrizes globais, como as estabelecidas pela Organização Mundial da Saúde (OMS), são fundamentais para garantir a confiabilidade e a equidade no uso da IA na medicina cardiovascular.

A revisão também sublinhou a necessidade contínua de pesquisa e desenvolvimento. Embora os resultados sejam promissores, mais estudos são necessários para aprimorar a compreensão dos benefícios e limitações dessas tecnologias. Além disso, a colaboração de profissionais da saúde, pesquisadores e desenvolvedores de IA é essencial para avançar de maneira ética e responsável nesse campo em constante evolução.

Em conclusão, a integração da inteligência artificial no diagnóstico cardiovascular representa uma revolução na prática médica. Ao aproveitar o potencial dessas tecnologias, podemos vislumbrar um futuro em que a precisão diagnóstica e a eficácia terapêutica são aprimoradas, proporcionando benefícios substanciais para pacientes e profissionais de saúde. Contudo, a jornada rumo a essa realidade ideal exige uma abordagem cautelosa, orientada por princípios éticos e comprometida com a constante busca pela excelência na entrega de cuidados cardiovasculares.

A Inteligência Artificial (IA) na medicina está em processo de expansão, sendo uma temática que demanda mais estudos para o aperfeiçoamento e aprimoramento. Essas pesquisas contribuirão para elevar a qualidade da assistência médica, proporcionando uma abordagem mais eficaz e resolutiva para a população, o que, por sua vez, terá impacto direto na saúde pública. Nesse contexto, é de grande relevância promover estudos adicionais sobre o tema, visando aprofundar o conhecimento e embasar cientificamente as práticas relacionadas.

REFERÊNCIAS

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.

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.

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.

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/.

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.

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.

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.

¹Discente do Curso Superior de Medicina do Instituto UniCEUB Campus Brasília
² Doutor em Ciências e Tecnologias em Saúde (PPGGCTS/ UnB)