Lutfu Askin et al. Okan Tanrıverdi Mustafa Cetin
Recomendações clínicas recentes indicam que testes adicionais para avaliar aspectos anatômicos (extensão, gravidade, morfologia) ou funcionais (função ventricular, presença/extensão da isquemia) da doença arterial coronariana (DAC) crônica e sintomática podem ser úteis em certos casos. Médicos do setor de emergência devem determinar se devem liberar o paciente, fazer mais testes não invasivos ou realizar angiografia invasiva em pacientes com desconforto torácico agudo. Aceitar qualquer pessoa com dor torácica pode ter efeitos indesejados em caso de alta com doença coronariana instável. A probabilidade de DAC obstrutiva deve orientar as decisões médicas. Algoritmos de aprendizado de máquina (machine learning — ML) podem complementar as capacidades diagnósticas e prognósticas dos métodos de regressão convencionais. A disparidade entre a aplicabilidade de tais métodos e os resultados alcançados com eles se deve às plataformas de software de análise de dados utilizadas.
O ML pode usar recursos de sinal de fase torácica para construir modelos matemáticos finais que avaliem a existência de DAC importante. A análise do espaço da fase cardíaca parece semelhante aos testes de estresse funcional mais amplamente utilizados e requer pouco tempo do paciente. Os resultados de 2 anos mostraram que a reserva de fluxo fracionada derivada da TC por deep learning (DL-FFRCT) pode ser usada para guiar a revascularização, com alta taxa de cancelamento e baixa taxa de eventos. Uma DL-FFRCT positiva para lesões em tandem mostrou-se associada à redução de eventos cardiovasculares adversos maiores (ECAM) após 2 anos. O escore de risco isquêmico por ML (ML-IRS) obtido pela angiotomografia coronariana quantitativa reforçou a predição de revascularização futura e pode ser usado para identificar indivíduos com probabilidade de precisar de revascularização se encaminhados para cateterismo cardíaco. Esse escore de aprendizado de máquina está vinculado a medidas invasivas de reserva de fluxo fracionada (FFR), fornecendo validação externa entre dois centros e aumentando os modelos de predição de risco clínico.
[…]
