Família ABC Arquivos Brasileiros de Cardiologia International Journal of Cardiovascular Sciences ABC Heart Failure & Cardiomyopathy ABC Imagem Cardiovascular
Português English
Família ABC
Português English
  • Sobre
    • Sobre a Família ABC
    • Regimento Interno
    • Conselho Editorial
    • Sociedade Brasileira de Cardiologia (SBC)
  • Edições
  • Diretrizes da SBC
  • Conteúdos
    • Vídeos
    • Podcasts
    • Notícias
  • Sobre
    • Sobre a Família ABC
    • Regimento Interno
    • Conselho Editorial
    • Sociedade Brasileira de Cardiologia (SBC)
  • Edições
  • Diretrizes da SBC
  • Conteúdos
    • Vídeos
    • Podcasts
    • Notícias

Família ABC

  • Família ABC
  • Arquivos Brasileiros de Cardiologia
  • International Journal of Cardiovascular Sciences
  • ABC Heart Failure & Cardiomyopathy
  • ABC Imagem Cardiovascular
Buscar em

Nenhum conteúdo encontrado.

Revistas
Ordenação
Tipos de artigo
Outros

  1. Início
  2. Palavra-chave: Aprendizado Profundo
Figure 1
ABCIC
Artigo Original

Uso da Inteligência Artificial para Avaliação da Função Cardíaca pela Ecocardiografia: Revisão Sistemática do Estado da Arte

Henrique Alexsander Ferreira Neves et al. Bruna Sadae Yuasa Thamires Hadassa Leite Pereira Costa Isabela Ertes Santos … Yannirê Milagros Roman Benavides Marco Stephan Lofrano-Alves

Resumo

Histórico:

A ecocardiografia faz parte da investigação de rotina da maioria das doenças cardíacas. No entanto, por depender do operador e considerando a qualidade da imagem obtida, é possível haver variabilidade significativa nas medições, o que prejudica a interpretação. O método avançou no sentido da padronização e incorporação de novas tecnologias com o objetivo de reduzir suas deficiências. Recentemente, parte desse avanço se deve ao uso da inteligência artificial (IA).

Objetivos:

O objetivo deste trabalho foi realizar uma investigação sobre o uso da IA na avaliação da função cardíaca por meio da ecocardiografia, discutindo seu potencial para aperfeiçoar o método.

Métodos:

Realizou-se uma revisão sistemática de acordo com o Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) e foram buscados artigos no período de 2000 a 2023.

Resultados:

Foram incluídos 31 artigos, classificados em quatro categorias de estudos que utilizaram IA: 1) para análise de imagens e parâmetros ecocardiográficos (N = 14); 2) no processo de aquisição de imagens (N = 11); 3) para integração com dados clínicos (N = 3); e 4) para aplicação ao fluxo do exame (N = 3).

Conclusão:

A IA proporciona automatização e padronização das imagens e respectivas medições que resultam em diagnósticos mais precisos, superando as limitações encontradas no método convencional. No entanto, o uso da IA ainda é uma realidade em evolução na ecocardiografia.

  • Aprendizado de máquina
  • Aprendizado Profundo
  • Deformação Longitudinal Global
  • ecocardiografia
  • Inteligência Artificial
Ler artigo completo
Creative Commons Attribution (CC BY) Creative Commons license
18/12/2023 DOI: 10.36660/abcimg.20230085 Visualizações 2
ABC
Editorial

Algoritmos Artificiais Superam os Modelos Tradicionais na Predição de Doença Arterial Coronariana

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.

[…]

  • Algoritmos
  • Angiografia da Coronária Computadorizada/métodos
  • Aprendizado de máquina
  • Aprendizado Profundo
  • Doença da Artéria Coronariana
  • Inteligência Artificial
  • Máquina de Vetores de Suporte
Ler artigo completo
Creative Commons Attribution (CC BY) Creative Commons license
03/12/2021 DOI: 10.36660/abc.20210823 Visualizações 2

Como citar este artigo

EndNote RIS

Formato de Documento Eletrônico (Vancouver)

Neves HAF, Yuasa BS, Costa THLP, Santos IE, Benavides YMR, Lofrano-Alves MS. Uso da Inteligência Artificial para Avaliação da Função Cardíaca pela Ecocardiografia: Revisão Sistemática do Estado da Arte. ABC Imagem Cardiovascular 2023;36(4):e20230085.

Formato de Documento Eletrônico (ABNT)

Neves, Henrique Alexsander Ferreira; Yuasa, Bruna Sadae; Costa, Thamires Hadassa Leite Pereira; Santos, Isabela Ertes; Benavides, Yannirê Milagros Roman; Lofrano-Alves, Marco Stephan. Uso da Inteligência Artificial para Avaliação da Função Cardíaca pela Ecocardiografia: Revisão Sistemática do Estado da Arte. ABC Imagem Cardiovascular, v. 36, n. 4, e20230085, dez. 2023.

Formato de Documento Eletrônico (APA)

Neves, H. A. F., Yuasa, B. S., Costa, T. H. L. P., Santos, I. E., Benavides, Y. M. R., & Lofrano-Alves, M. S. (2023). Uso da Inteligência Artificial para Avaliação da Função Cardíaca pela Ecocardiografia: Revisão Sistemática do Estado da Arte. ABC Imagem Cardiovascular, 36(4), e20230085.

Formato de Documento Eletrônico (ISO)

Neves, Henrique Alexsander Ferreira and Yuasa, Bruna Sadae and Costa, Thamires Hadassa Leite Pereira and Santos, Isabela Ertes and Benavides, Yannirê Milagros Roman and Lofrano-Alves, Marco Stephan. Uso da Inteligência Artificial para Avaliação da Função Cardíaca pela Ecocardiografia: Revisão Sistemática do Estado da Arte. ABC Imagem Cardiovascular [online]. 2023, vol. 36, n. 4, [citado 2026-10-14], e20230085. Disponível em: <https://journals.cardiol.br/article/uso-da-inteligencia-artificial-para-avaliacao-da-funcao-cardiaca-pela-ecocardiografia-revisao-sistematica-do-estado-da-arte/>. ISSN 2318-8219

EndNote RIS

Formato de Documento Eletrônico (Vancouver)

Askin L, Tanrıverdi O, Cetin M. Algoritmos Artificiais Superam os Modelos Tradicionais na Predição de Doença Arterial Coronariana. Arquivos Brasileiros de Cardiologia 2021;117(6):1071-2.

Formato de Documento Eletrônico (ABNT)

Askin, Lutfu; Tanrıverdi, Okan; Cetin, Mustafa. Algoritmos Artificiais Superam os Modelos Tradicionais na Predição de Doença Arterial Coronariana. Arquivos Brasileiros de Cardiologia, v. 117, n. 6, p. 1071-1072, dez. 2021.

Formato de Documento Eletrônico (APA)

Askin, L., Tanrıverdi, O., & Cetin, M. (2021). Algoritmos Artificiais Superam os Modelos Tradicionais na Predição de Doença Arterial Coronariana. Arquivos Brasileiros de Cardiologia, 117(6), 1071-1072.

Formato de Documento Eletrônico (ISO)

Askin, Lutfu and Tanrıverdi, Okan and Cetin, Mustafa. Algoritmos Artificiais Superam os Modelos Tradicionais na Predição de Doença Arterial Coronariana. Arquivos Brasileiros de Cardiologia [online]. 2021, vol. 117, n. 6, [citado 2026-10-14], pp. 1071-1072. Disponível em: <https://journals.cardiol.br/article/algoritmos-artificiais-superam-os-modelos-tradicionais-na-predicao-de-doenca-arterial-coronariana/>. ISSN 0066-782X

  • Sobre a Família ABC
  • Regimento Interno
  • Conselho Editorial
  • Sociedade Brasileira de Cardiologia (SBC)

Edições

Diretrizes da SBC

  • Vídeos
  • Podcasts
  • Notícias