Inteligência Artificial – ABC CARDIOL

ABCHF

Ponto de Vista

Inteligência Artificial na Insuficiência Cardíaca: O Novo Papel do Cardiologista

Ana Karyn Freitas et al. Ana Luisa Trentini Bittencourt Carina Toledo Scoparo Barioni Renata Paes de Barros Wandresen … Aline Brizola Oberderfer Bruno Ceschin Chiaratti Gustavo Pichel Kakuda Salim Mussi Neto

Introdução

A inteligência artificial (IA) deixou de ser uma promessa distante para se tornar uma realidade na prática médica. Ferramentas capazes de interpretar exames, estratificar risco, sugerir diagnósticos e até propor condutas têm despertado entusiasmo crescente entre profissionais de saúde. No cenário de rápida expansão tecnológica, surge uma questão inevitável: qual será o papel do médico especialista na era da IA?

A insuficiência cardíaca (IC) representa um dos melhores modelos para essa discussão. Ela é uma das doenças com maior impacto clínico no mundo, acometendo cerca de 64 milhões de pessoas.^, Apesar de todo o avanço na compreensão da sua fisiopatologia e das opções de tratamento, a IC permanece como uma doença de alta morbimortalidade, com risco residual elevado, mesmo com a implementação das terapias modificadoras da doença.^– Boa parte do problema encontra-se na complexidade dos mecanismos fisiopatológicos dessa condição, bem como na heterogeneidade das manifestações clínicas, da evolução e das comorbidades associadas.^,

[…]

Ler artigo completo

ABCIC

Review Article

Inteligência Artificial na Ultrassonografia de Carótidas: Onde estamos e para onde vamos?

Gustavo Paglioli Dannenhauer et al. Simone Nascimento dos Santos Ana Claudia Gomes Pereira Petisco Claudia Maria Vilas Freire … Ana Cristina Lopes Albricker Fanilda Souto Barros

Resumo

A avaliação carotídea evoluiu de uma abordagem centrada no grau de estenose para uma análise mais abrangente, incluindo a carga de placa, morfologia, composição e vulnerabilidade. Algoritmos de inteligência artificial (IA) têm sido aplicados à detecção automática de placas, segmentação de imagens, classificação de estabilidade, extração de atributos radiômicos e predição de eventos isquêmicos. Quando associados a técnicas avançadas de imagem, esses modelos podem ampliar a reprodutibilidade, reduzir a dependência do operador e revelar padrões quantitativos não reconhecíveis pela avaliação visual convencional. Assim, este estudo teve por objetivo revisar as aplicações atuais da IA na ultrassonografia de carótidas e suas perspectivas futuras, com uma revisão narrativa baseada em estudos recentes sobre aprendizado de máquina, aprendizado profundo, radiômica e integração com modalidades ultrassonográficas avançadas, abrangendo contraste, elastografia, ultrassom tridimensional (3D), técnicas de microfluxo e ultrassonografia ultrarrápida. Apesar dos resultados promissores, ainda persistem desafios relacionados à padronização das imagens, validação externa, explicabilidade dos modelos e demonstração de impacto clínico prospectivo. Ainda assim, a IA demonstra ter potencial para transformar a ultrassonografia carotídea em ferramenta multiparamétrica de medicina personalizada. Sua incorporação clínica dependerá de validação robusta, integração ao fluxo assistencial e comprovação de valor incremental sobre o exame convencional.

Ler artigo completo

ABCHF

Artigo Original

Mapeamento Global da Pesquisa Sobre Inteligência Artificial Aplicada à Miocardite

Guilherme Cesar Fernandes de Oliveira da Costa et al. Jose Gregorio Valero Rodriguez Giulia Fernandes de Oliveira da Costa Adriana Munford Lima Pimentel Evandro Tinoco Mesquita

Resumo

Fundamento

A miocardite continua sendo um desafio diagnóstico, e o interesse no uso da inteligência artificial para apoiar a avaliação diagnóstica não invasiva cresceu rapidamente. Embora a literatura na interseção entre inteligência artificial e miocardite tenha se expandido substancialmente, ela permanece fragmentada e carece de uma síntese abrangente.

Objetivos

Mapear a produção científica global sobre a aplicação da inteligência artificial à miocardite, identificando os principais contribuintes, padrões de colaboração e tendências temáticas emergentes.

Métodos

Realizamos uma análise bibliométrica de artigos sobre inteligência artificial aplicada à miocardite indexados na Web of Science Core Collection. O pacote bibliometrix para R e o VOSviewer foram utilizados para realizar análises de redes bibliométricas e análises temáticas.

Resultados

Foram incluídos 47 artigos. A produção científica aumentou acentuadamente após 2021, coincidindo com a pandemia de covid-19, e atingiu seu pico em 2025. A China liderou em volume de publicações, enquanto o Reino Unido e a Alemanha alcançaram o maior impacto de citações. Nenhuma publicação teve origem na América Latina, no Caribe ou na África. As redes de colaboração internacional permanecem fragmentadas. As análises de palavras-chave e temáticas identificaram a integração do aprendizado profundo com a ressonância magnética cardiovascular como o principal tema motor, refletindo uma mudança em relação à tradicional biópsia endomiocárdica. Os autores mais citados eram predominantemente cientistas da computação e da ciência de dados.

Conclusões

A pesquisa na interseção entre inteligência artificial e miocardite constitui um campo emergente em processo de consolidação metodológica, com crescimento acelerado pela pandemia de covid-19. A ressonância magnética cardiovascular tornou-se a principal fonte de dados para aplicações baseadas em inteligência artificial. O principal desafio parece ser translacional, ressaltando a necessidade de uma colaboração mais estreita entre desenvolvedores de algoritmos e clínicos. A integração bem-sucedida desses modelos à prática clínica rotineira provavelmente dependerá da colaboração multidisciplinar e da validação em populações multicêntricas e diversas.

Ler artigo completo

ABC

Revisão

Inteligência Artificial Aplicada à Avaliação de Risco Cardiovascular Baseada em Eletrocardiograma: Uma Revisão Sistemática

Maria Clara Mantoan Pinheiro et al. Lívia Felberg Isadora Cristine Reis Sguizzato Bozzi Antônio Luiz Pinho Ribeiro Gabriela Miana de Mattos Paixão

RESUMO

As doenças cardiovasculares são a principal causa de mortalidade no mundo, destacando a necessidade de estratégias eficazes de predição de risco e detecção precoce. Embora o eletrocardiograma (ECG) seja um exame amplamente disponível e de baixo custo, sua interpretação tradicional é limitada pela subjetividade. A inteligência artificial (IA) surgiu como uma abordagem promissora, capaz de extrair informações prognósticas ocultas dos sinais de ECG. Esta revisão sistemática teve como objetivo avaliar estudos originais que aplicaram técnicas de IA a ECGs para predição de risco cardiovascular e mortalidade. Foram incluídos estudos originais que utilizaram sinais de ECG como única variável de entrada para modelos de IA, com foco em desfechos de risco cardiovascular. Uma busca sistemática foi realizada em diferentes bases de dados, e os dados fora msintetizados de forma narrativa. Onze estudos foram incluídos, predominantemente coortes retrospectivas que aplicaram redes neurais convolucionais (CNNs) para prever risco cardiovascular ou mortalidade. As amostras eram majoritariamente compostas por populações adultas de países de alta renda. Os desfechos primários incluíram mortalidade por todas as causas, morte cardiovascular e eventos cardiovasculares adversos maiores (MACE). Os valores de AUROC variaram de 0,63 a 0,961 nos conjuntos de treinamento, com alguns modelos superando escores tradicionais de risco. Os modelos de IA‑ECG demonstraram potencial para detectar doença subclínica, permitindo estratificação precoce de risco mesmo em ECGs normais. No entanto, persistem desafios relacionados à diversidade populacional, interpretabilidade dos modelos e validação prospectiva. A aplicação de IA à análise de ECG representa um avanço promissor na avaliação personalizada do risco cardiovascular. Contudo, mais pesquisas são necessárias para garantir a segurança, a eficácia e a integração clínica equitativa dessas tecnologias.

Ler artigo completo

ABC

Editorial

Publicação Científica na Era da Inteligência Artificial: Integridade e Responsabilidade

Mário Martins Oliveira et al. Gláucia Maria Moraes de Oliveira

A inteligência artificial (IA) está transformando o processo científico em todos os seus estágios, tornando-se uma ferramenta inovadora, usada em âmbito global, que influencia a geração de pesquisa, o planejamento experimental, a análise de dados, a escrita e toda a complexa dinâmica de peer review e divulgação de resultados.

À medida que toda a comunidade científica incorpora a IA como parte do processo de pesquisa para aprimoramento da eficiência, o desenvolvimento de regulação e algoritmos adequados para monitorar a qualidade, a veracidade e a integridade da ciência de dados torna-se um tópico crítico de discussão no que se refere ao papel fundamental da comunicação científica.

[…]

Ler artigo completo

ABC

Carta ao Editor

Reabilitação Cardíaca Baseada em Tecnologia e Capacidade de Exercício na Doença Arterial Coronariana: Uma Análise de Inteligência Artificial

Benil Nesli Ata

Li com grande interesse o artigo de Saklica et al. intitulado “O impacto da reabilitação cardíaca baseada em tecnologia na capacidade de exercício e na adesão de pacientes com doença arterial coronariana: uma análise com suporte de inteligência artificial”, publicado recentemente nos Arquivos Brasileiros de Cardiologia. O estudo aborda um tema importante e oportuno ao examinar o papel potencial de programas de reabilitação cardíaca com suporte tecnológico e explorar a integração de análises baseadas em inteligência artificial (IA) na avaliação dos resultados da reabilitação. Considerando a persistente subutilização global de programas de reabilitação cardíaca, estudos que exploram estratégias de reabilitação inovadoras e acessíveis são de clara importância clínica.

Um aspecto metodológico que merece maior atenção é a avaliação da capacidade de exercício. No presente estudo, a melhora funcional foi avaliada utilizando o teste de caminhada incremental (TCI). Embora o TCI seja um teste de campo prático e validado, frequentemente utilizado em contextos de reabilitação, ele permanece uma medida submáxima e dependente do esforço. Em pacientes com doença arterial coronariana, o teste cardiopulmonar de exercício (TCPE) é geralmente considerado o padrão de referência para avaliar a capacidade de exercício, pois fornece parâmetros fisiológicos objetivos, como o pico de consumo de oxigênio e os limiares ventilatórios. A inclusão de variáveis derivadas do TCPE poderia, portanto, ter oferecido uma avaliação mais abrangente das adaptações cardiopulmonares e fortalecido a interpretação das melhorias observadas na capacidade funcional.

[…]

Ler artigo completo

ABC

Editorial

Ataque da inteligência Artificial! A Crescente Importância da Doença de Chagas

Roberto Coury Pedrosa

A doença de Chagas (DC) é uma condição crônica com sequelas principalmente cardíacas que podem persistir e piorar muitos anos após a infecção inicial, com sério impacto nos sistemas de saúde. A Organização Pan-Americana da Saúde¹ estimou que 90% das novas infecções não são diagnosticadas e cerca de 70% dos infectados desconhecem sua condição. Além disso, menos de 1% da população estimada em risco foi testada.² Como resultado, isso leva a um atraso no diagnóstico, o que aumenta a morbidade e a mortalidade decorrentes de suas complicações, destacando a clara necessidade de ampliar o acesso ao diagnóstico sob a perspectiva da saúde pública. Para mitigar esse impacto, a DC foi incluída nos Objetivos de Desenvolvimento do Milênio e nos Objetivos de Desenvolvimento Sustentável da Agenda 2030 para o Desenvolvimento Sustentável (ONU, 2018).

O padrão ouro para o diagnóstico da DC é o teste sorológico para anticorpos contra o T. cruzi.³ O maior desafio na DC continua sendo a previsão de quais pacientes desenvolverão a forma cardíaca, uma das principais causas de insuficiência cardíaca, especialmente em áreas rurais do Brasil. Notavelmente, a eletrocardiografia é uma ferramenta acessível e de baixo custo que pode detectar sinais precoces de comprometimento cardíaco na DC.³ Nos últimos anos, modelos de inteligência artificial (IA) baseados no eletrocardiograma (ECG) têm demonstrado capacidade de diagnosticar condições cardíacas com precisão; muitos foram treinados e testados principalmente com dados de países de alta renda. Além disso, esses modelos foram avaliados retrospectivamente em grandes conjuntos de dados históricos, com relativamente poucos estudos prospectivos de validação externa. Essas lacunas na pesquisa em ECG com IA precisam ser abordadas.

[…]

Ler artigo completo

ABC

Artigo Original

Análise de Eletrocardiografia Aprimorada por Inteligência Artificial para o Diagnóstico da Doença de Chagas

Isabella Moreira Gonzalez Fonseca et al. Maria Carmo Pereira Nunes Craig Sable Renata Fonseca Mendoza … Fred Luciano Neves Santos Paulo Rodrigues Gomes Adson Patrik Vieira Carvalho Bernardo Fonseca Mendoza Noilson Lazaro Souza José Augusto de Almeida Barbosa Clareci Silva Cardoso Bruno Ramos Nascimento Antonio L. P. Ribeiro

Resumo

Fundamento:

A doença de Chagas afeta milhões de pessoas em todo o mundo e permanece como uma das principais causas de cardiomiopatia na América Latina. O diagnóstico precoce ainda representa um desafio em regiões endêmicas. A análise de eletrocardiografia (ECG) aprimorada por inteligência artificial (IA) pode oferecer uma estratégia de baixo custo para rastreamento em larga escala em contextos com recursos limitados.

Objetivos:

Avaliar o desempenho de um algoritmo de ECG aprimorada por IA combinado com dados clínicos para a detecção da doença de Chagas em um programa de rastreamento comunitário realizado em uma região altamente endêmica do Nordeste do Brasil.

Métodos:

Em agosto de 2024, 1.115 adultos foram submetidos à aquisição padronizada de ECG de 12 derivações durante uma campanha de campo em Feira de Santana, Bahia, nordeste do Brasil. Um modelo de IA previamente treinado analisou os traçados de ECG e incorporou três variáveis clínicas: i) residência prévia em áreas infestadas por triatomíneos, ii) condições habitacionais precárias e iii) histórico familiar de doença de Chagas. Indivíduos identificados como positivos pela IA foram classificados como casos suspeitos. Casos suspeitos e controles pareados (2:1) foram submetidos a testes sorológicos no ponto de cuidado.

Resultados:

O algoritmo identificou 121 indivíduos (10,9%), correspondendo a uma prevalência estimada de doença de Chagas baseada em IA de 7,8% (intervalo de confiança de 95% [IC95%]: 6,2-9,6). Entre os 112 indivíduos que completaram o teste sorológico, 13 apresentaram resultado positivo, todos pertencentes ao grupo suspeito positivo pela IA; nenhum caso soropositivo foi identificado entre os controles. A sensibilidade foi de 100% (IC95%: 69-100), a especificidade de 40% (IC95%: 30-50), o valor preditivo negativo de 100% (IC95%: 91-100) e o valor preditivo positivo de 12% (IC95%: 11-14), com uma razão de chances diagnóstica de 6,6.

Conclusões:

Um algoritmo de ECG aprimorada por IA combinado com variáveis clínicas simples demonstrou excelente sensibilidade para a detecção da doença de Chagas e pode representar uma ferramenta valiosa de triagem em contextos endêmicos com recursos limitados.

Ler artigo completo

ABC

Artigo Original

Aplicação da Inteligência Artificial para Detecção, Caracterização e Estratificação de Risco de Pacientes com Insuficiência Tricúspide Grave

Luna Varela do Carmo et al. Auristela Isabel de Oliveira Ramos Dorival Julio Della Togna Eduardo da Silva Farias Dimytri Alexandre de Alvim Siqueira

Resumo

Fundamento:

A insuficiência tricúspide (IT) é prevalente e seu manejo permanece desafiador, com alta mortalidade na cirurgia isolada, indicação tardia à intervenção e recente expansão de terapias transcateter. No Brasil, há escassez de dados e de validação de ferramentas prognósticas.

Objetivo:

Investigar e definir o perfil clínico, laboratorial e ecocardiográfico de pacientes com IT grave a partir de variáveis coletadas por meio do treinamento de um modelo de inteligência artificial (IA).

Métodos:

Estudo observacional, unicêntrico, não intervencionista, de coorte retrospectiva, baseado em 71.911 laudos ecocardiográficos realizados entre 2021 e 2024. Um modelo de processamento de linguagem natural (PLN) foi desenvolvido em Python para identificar casos de IT grave, extrair variáveis e realizar o cálculo automatizado dos escores TRI-SCORE e EuroSCORE II, posteriormente revisados. Considerou-se valor de p bicaudal < 0,05 como estatisticamente significativo.

Resultados:

Foram identificados 803 pacientes com IT grave. A média de idade foi de 68,8 ± 13,5 anos, e 64,1% eram mulheres. Hipertensão arterial (71,7%) e fibrilação atrial (69,4%) foram as comorbidades mais prevalentes. A etiologia secundária predominou (96,8%), principalmente associada à valvopatia mitral (68,5%). O risco cirúrgico foi elevado (medianas: EuroSCORE II = 13,4%; TRI-SCORE = 7). A mortalidade foi de 17,1%. Na análise secundária de mortalidade, a regressão multivariada identificou preditores independentes, como TRI-SCORE em alto risco (relative risk [RR] 2,19; intervalo de confiança de 95% [IC 95%] 1,14-4,21) e creatinina elevada (RR 3,13; IC 95% 1,91-5,14).

Conclusões:

Na maior casuística brasileira de IT grave, construída com auxílio de IA, a doença demonstrou elevada complexidade clínica e prognóstica. A aplicação de PLN a grandes bases ecocardiográficas mostrou-se eficiente, podendo subsidiar estudos multicêntricos.

Ler artigo completo

ABC

Artigo Original

Idade-ECG Derivada de Inteligência Artificial como Preditora de Mortalidade e Eventos Cardiovasculares: Revisão Sistemática e Metanálise

Isadora Cristine Reis Sguizzato Bozzi et al. Maria Clara de Araujo Gontijo Lima Antonio Luiz Pinho Ribeiro Gabriela Miana de Mattos Paixão

Resumo

Fundamento

A idade eletrocardiográfica (idade-ECG) estimada pore inteligência artificial (IA) e a diferença entre a idade-ECG e a idade cronológica (delta-idade) são biomarcadores emergentes do envelhecimento cardiovascular e de desfechos adversos, mas seu valor prognóstico permanece incerto.

Objetivos

Realizamos uma revisão sistemática e metanálise para avaliar as associações entre a idade-ECG estimada por IA ou a delta-idade e os desfechos clínicos.

Métodos

Nove bases de dados foram pesquisadas até 1º de maio de 2025. Os estudos elegíveis avaliaram mortalidade ou eventos cardiovasculares e relataram medidas de associação. As hazard ratios agrupadas (pHRs) com intervalos de confiança (IC) de 95% foram calculadas por meio de modelos de efeitos fixos ou aleatórios, com significância estatística definida em p < 0,05. O protocolo foi registrado no PROSPERO (CRD420251042467).

Resultados

Dez estudos (2021–2025) com mais de 550.000 participantes do Leste Asiático, das Américas e do Reino Unido foram incluídos. A maioria utilizou redes neurais convolucionais para estimar a idade-ECG; a delta-idade foi calculada como a idade-ECG menos idade cronológica. Uma delta-idade elevada foi associada ao aumento da mortalidade por todas as causas (pHR = 1,83, IC 95%: 1,45–2,32) e da mortalidade cardiovascular (pHR = 2,63, IC 95%: 1,93–3,58). Três estudos relataram aumento do risco de fibrilação atrial (pHR = 1,96, IC 95%: 1,43–2,69), embora os dados fossem limitados e heterogêneos. Análises descritivas sugeriram que uma delta-idade maior prediz a incidência de insuficiência cardíaca e acidente vascular cerebral.

Conclusões

A idade-ECG estimada por IA, particularmente a delta-idade, está associada à mortalidade por todas as causas e à mortalidade cardiovascular, reforçando seu papel como um biomarcador não invasivo do envelhecimento cardiovascular. As evidências para fibrilação atrial são sugestivas, mas limitadas. Algoritmos padronizados, validação externa robusta e estudos prospectivos multicêntricos são necessários para confirmar a utilidade clínica e integrar a idade-ECG à estratificação de risco, mesmo em indivíduos assintomáticos.

Ler artigo completo

ABC

Editorial

Validando a Inteligência Artificial antes do Uso à Beira do Leito: ChatGPT-4 versus Mini em Conteúdo sobre Hipertensão Baseado em Diretrizes

Cláudio Tinoco Mesquita et al. Fernanda Azevedo Silva Ana Beatriz Costa do Couto

A integração da inteligência artificial (IA) na prática médica é uma realidade. Desde o suporte à tomada de decisão clínica e o desenho de estudos até ferramentas de chatbots e a produção de materiais educativos, os modelos de linguagem de grande escala (LLMs) são cada vez mais utilizados na prática clínica. Nesse contexto, estudos como o de Ataídes et al., que avaliam a performance de materiais educacionais baseados em LLMs, são fundamentais.

A hipertensão é uma das principais causas de morte prematura; sendo este um dos motivos que fazem a Organização Mundial da Saúde (OMS) estimular o desenvolvimento de campanhas de prevenção. Trata-se de uma doença que afeta múltiplos órgãos, causando grande impacto em todo o organismo. A condição é definida por pressão arterial sistólica ≥140 mmHg ou pressão arterial diastólica ≥90 mmHg, de acordo com as diretrizes da Sociedade Brasileira de Cardiologia. O número de indivíduos diagnosticados com hipertensão aumenta a cada ano, e estudos indicam que há grande influência dos hábitos alimentares da população, que atualmente são caracterizados por alto consumo de alimentos ultraprocessados.

[…]

Ler artigo completo

ABCIC

Review Article

O Uso da Inteligência Artificial no Diagnóstico da Amiloidose Cardíaca: Revisão Integrativa

Nilson Batista Lemos et al. Gabriela Aparecida Moreira Araújo Marcelo Dantas Tavares de Melo

Resumo

Fundamento:

A amiloidose cardíaca é uma forma rara de cardiomiopatia infiltrativa caracterizada pela deposição de proteínas no miocárdio, resultando em aumento da espessura parietal, comprometimento da função ventricular e possível progressão para insuficiência cardíaca. O diagnóstico é desafiador devido à baixa prevalência da doença e à inespecificidade das manifestações clínicas. Nesse cenário, a aplicação da inteligência artificial (IA) à análise de exames médicos surge como estratégia promissora para detecção precoce, diagnóstico mais preciso e início oportuno do tratamento.

Métodos:

Realizou-se revisão integrativa da literatura sobre o uso da IA no diagnóstico da amiloidose cardíaca. Foram pesquisados artigos publicados entre 2019 e 2024 nas bases de dados PubMed, Scopus, Web of Science, Embase e Cochrane Library.

Resultados:

Dos 420 artigos inicialmente identificados, 21 atenderam aos critérios de elegibilidade e foram incluídos na análise final. Observou-se predomínio de estudos observacionais retrospectivos com aplicação de modelos de aprendizado de máquina. Entre as modalidades diagnósticas avaliadas em associação com IA, o eletrocardiograma e o ecocardiograma foram os exames mais frequentemente estudados.

Conclusão:

A IA demonstra elevado potencial para aprimorar o rastreio e o diagnóstico da amiloidose cardíaca quando aplicada à análise de exames clínicos e de imagem. Os achados desta revisão indicam que a IA pode acelerar o processo diagnóstico, reduzir a necessidade de procedimentos invasivos e otimizar o uso de recursos em saúde. Entretanto, para ampliar sua integração à prática clínica e sua capacidade de generalização, são necessários aprimoramentos adicionais nos modelos e validações em populações mais diversas.

Ler artigo completo

ABC

Revisão

Fundamentos da Pericardite Aguda: Estado da Arte

Gabriel de Moraes Mangas et al. Jose Gregorio Valero Rodriguez João Alexandre Ranzeiro de Bragança dos Santos Flavia Nunes Benicio de Souza … Luis Felipe Leite da Silva Giovane Leal de Azevedo Junior Alberto Chivaca Neusa Perina de Jesus Jessen Ângelo Oliveira Evandro Tinoco Mesquita

Resumo

A pericardite aguda é uma inflamação do pericárdio, o revestimento que envolve o coração, sendo a condição inflamatória cardíaca mais comum. A doença afeta frequentemente adultos jovens e pode se manifestar com gravidade variável. A pericardite pode ter diversas causas, incluindo infecções virais, doenças autoimunes, condições pós-infarto e, recentemente, infecções por SARS-CoV-2 ou vacinas contra a COVID-19. Nos países em desenvolvimento, especialmente na África, a tuberculose é a principal causa de pericardite, frequentemente associada ao HIV. O diagnóstico baseia-se em critérios clínicos, como dor no peito e alterações no eletrocardiograma e pode ser apoiado por exames de imagem, como ecocardiograma, ressonância magnética cardíaca e tomografia computadorizada. A identificação da etiologia é crucial para o tratamento personalizado, embora, muitas vezes, a causa específica não seja identificada. Novas pesquisas têm destacado o papel do inflamassoma NLRP3 na fisiopatologia da pericardite, o que pode abrir caminho para novas terapias. Além disso, avanços tecnológicos e a inteligência artificial são discutidos como ferramentas promissoras para melhorar o manejo da pericardite.

Ler artigo completo

ABCIC

Editorial

Top 1 da Ecografia Vascular em 2025: Da Anatomia à Autonomia – Inteligência Artificial e Ultrassonografia das Carótidas

Simone Nascimento dos Santos et al. Gustavo Dannenhauer

Introdução

Nos últimos anos, estamos vivenciando um avanço universal e sem precedentes da inteligência artificial (IA) em diversos cenários médicos, com impacto particularmente relevante no diagnóstico por imagem e, em especial, na ultrassonografia.

O exame ultrassonográfico é um método amplamente disponível, de baixo custo, realizado em tempo real, com aquisição rápida de imagens e sem exposição à radiação ionizante. Apesar dessas vantagens, a ultrassonografia permanece limitada por sua natureza operador e equipamento dependente, o que contribui para significativa variabilidade interobservador e interinstitucional, além de dificultar sua padronização em larga escala.^,

[…]

Ler artigo completo

ABC

Artigo Original

Avaliação do ChatGPT-4.0 Versus ChatGPT-Mini na Geração de Conteúdo sobre Hipertensão Baseado em Diretrizes

Rômullo José Costa Ataídes et al. Marcos Adriano Garcia Campos João Vítor Perez de Souza Rafael Cardoso Rocha … Almir Alamino Lacalle Ciro Bezerra Vieira Thiago Artioli Tiago Cordeiro Medeiros Erito Marques de Souza Filho Ronaldo Gismondi Érika Maria Gonçalves Campana Francisco José Romeo Victor Razuk João Ricardo Nickenig Vissoci Renato Delascio Lopes

Resumo

Fundamento

Modelos de linguagem baseados em inteligência artificial estão sendo cada vez mais utilizados para gerar materiais de educação em saúde para pacientes. No entanto, sua acurácia, completude e aderência às diretrizes clínicas permanecem incertas.

Objetivos

Comparar o ChatGPT-Mini e o ChatGPT-4.0 na geração de conteúdo educativo sobre hipertensão arterial sistêmica (HAS) quanto à acurácia, completude, qualidade estrutural utilizando o Ensuring Quality Information for Patients (EQIP), consistência das respostas e alinhamento com diretrizes estabelecidas.

Métodos

Um conjunto padronizado de 31 perguntas relacionadas à HAS foi submetido a ambos os modelos. As respostas foram avaliadas de forma independente por 10 clínicos cegos, utilizando um escore EQIP modificado, uma escala de acurácia de 5 pontos e uma escala de completude de 3 pontos. A consistência das respostas foi avaliada por meio do BERTScore. As comparações entre os modelos foram realizadas utilizando o teste de Wilcoxon para amostras independentes, bicaudal (p < 0,05). Os tamanhos de efeito foram apresentados como diferenças medianas de Hodges–Lehmann (HL) e delta de Cliff (δ), ambos com intervalos de confiança de 95% (IC 95%). A confiabilidade interavaliadores foi estimada por meio do coeficiente de correlação intraclasse (ICC; modelo de efeitos aleatórios em duas vias, concordância absoluta).

Resultados

As medidas de tendência central favoreceram o ChatGPT-4.0, embora as diferenças tenham sido pequenas. As medianas foram as seguintes: acurácia, 4,10 (3,70-4,20) versus 3,73 (3,60-4,05); completude, 1,26 (1,17-1,41) versus 1,10 (0,96-1,23); e escore EQIP total, 19,5 (18,0-25,0) versus 18,5 (16,0-23,0) para o ChatGPT-4.0 e o ChatGPT-Mini, respectivamente. As diferenças medianas de HL foram pequenas, com ICs de 95% cruzando zero (acurácia: +0,37, −0,25 a +0,50; completude: +0,16, −0,06 a +0,36; EQIP: +1,0, −1,0 a +6,0). Os valores de δ de Cliff foram consistentemente pequenos e positivos nos desfechos primários, indicando apenas modesta dominância estocástica do ChatGPT-4.0. A clareza de identificação tendeu a ser maior com o ChatGPT-4.0, enquanto a consistência das respostas, medida pelo BERTScore F1, foi geralmente maior para o ChatGPT-Mini (> 0,92 versus 0,885-0,932). A confiabilidade interavaliadores foi de boa a excelente em todas as medidas (ICC > 0,80).

Conclusões

O ChatGPT-4.0 demonstrou melhorias pequenas e não significativas em acurácia, completude e qualidade estrutural em comparação com o ChatGPT-Mini. Os tamanhos de efeito foram modestos, e todos os ICs de 95% incluíram zero. O ChatGPT-Mini produziu respostas mais consistentes. Esses achados ressaltam a importância de relatar rotineiramente tamanhos de efeito com ICs de 95% e apoiam o uso de métodos padronizados de avaliação e de estruturas de validação em tempo real para conteúdo médico educativo gerado por IA.

Ler artigo completo

ABC

Editorial

Em Busca de uma Previsão Pragmática de Risco na Insuficiência Cardíaca

Tiago A. Vaz et al. Nadine Clausell

A estratificação de risco para insuficiência cardíaca aguda (ICA) busca um equilíbrio delicado: os modelos devem ser suficientemente precisos para orientar as decisões, mas também simples e acessíveis para uso generalizado. Nesta edição dos Arquivos Brasileiros de Cardiologia, Ferreira et al. apresentam o ML-HF Score, uma ferramenta de aprendizado de máquina projetada para prever a mortalidade hospitalar em ICA, que aplica uma filosofia clássica da ciência de dados médicos, exemplificada pelo estudo seminal de Robert Detrano, de 1989, sobre doença arterial coronariana, utilizando algoritmos que superam os métodos existentes.^,

Como prova da importância da validação em populações reais, o trabalho de Detrano demonstrou que características clínicas e não invasivas, cuidadosamente selecionadas e de baixo custo, podem alcançar precisão diagnóstica comparável a abordagens mais complexas. O conjunto de dados resultante, posteriormente arquivado no Repositório de Aprendizado de Máquina da UCI, se tornou fundamental para a avaliação comparativa de algoritmos, comprovando que modelos melhores podem ser construídos com menos recursos e mais acessíveis, desde que sejam validados em diversas populações.^–

[…]

Ler artigo completo

ABCIC

Review Article

As Aplicações das Redes Neurais Convolucionais na Imagem Cardíaca

Luiz Henrique Cartaxo Fernandes et al. José Lucas Formiga Dantas Marilia Graziela Vieira de Macena Lima Glaudir Donato Marcelo Dantas Tavares de Melo

Resumo

Redes neurais são modelos computacionais que imitam o funcionamento do cérebro humano, aprendendo a partir de grandes volumes de dados para realizar tarefas cada vez mais complexas. Isso é feito por meio de neurônios artificiais interconectados que propagam informações de camadas brutas para camadas refinadas, às vezes com pesos atribuídos, permitindo a classificação ou identificação de padrões não lineares. A Rede Neural Convolucional (CNN, do inglês Convolutional Neural Network) é uma arquitetura especializada de aprendizado profundo (deep learning) projetada para extrair e analisar padrões espaciais em imagens, possibilitando aplicações em decisões diagnósticas e monitoramento clínico longitudinal. Seu uso em tomografia computadorizada e ressonância magnética, por meio da segmentação de imagens cardíacas, permite definir estruturas cardíacas de forma rápida e eficiente, desempenhando um papel importante na reconstrução de imagens tridimensionais e no suporte a procedimentos pré-operatórios. Além disso, em comparação com outras formas de análise convencional, a CNN garante interpretações objetivas e qualidade superior de imagem, com base na remoção de artefatos do segmento estudado. Ecocardiogramas têm mostrado bons resultados na identificação de patologias como hipertensão pulmonar, amiloidose, cardiomiopatia hipertrófica e doenças congênitas, e estudos sobre a automação desses exames apontam para uma possível ampliação do acesso em áreas remotas onde operadores manuais não estão disponíveis. Consequentemente, abordagens baseadas em CNN têm o potencial de otimizar os fluxos de trabalho em imagem cardiovascular, minimizar a variabilidade entre observadores e expandir as capacidades diagnósticas para regiões carentes e remotas com acesso limitado a cuidados especializados.

Ler artigo completo

ABC

Editorial

Aplicabilidade de Algoritmos de Aprendizado de Máquina no Diagnóstico de Arritmias – Quanto Tempo Até a Máquina Começar a nos Ensinar?

Marcelo Martins Pinto Filho

O eletrocardiograma (ECG), em uso clínico desde o início do século XX, continua sendo uma ferramenta adorada por cardiologistas, clínicos e estudantes de medicina. É indiscutivelmente o instrumento de cabeceira mais importante em cardiologia, essencial para o manejo de arritmias e síndromes isquêmicas agudas, além de orientar o tratamento eletrofisiológico. Ainda assim, os avanços na interpretação de eletrocardiografia foram modestos nos últimos cem anos. Os dispositivos tornaram-se mais portáteis, digitais e capazes de gravações mais longas, mas os princípios interpretativos fundamentais permanecem enraizados nos métodos do início do século XX. Nos últimos anos, isso foi remodelado pelo surgimento de tecnologias computacionais, especialmente a inteligência artificial (IA). Ferramentas como redes neurais profundas (DNNs) e modelos de aprendizado de máquina (MLMs) estão possibilitando uma nova era na análise de ECG, a eletrocardiografia aprimorada por IA (ECG aprimorado por IA).

Nesta edição do ABC Cardiol, Guimarães do Nascimento et al. relatam uma revisão sistemática de estudos que avaliam a aplicabilidade do ECG com IA no diagnóstico de arritmias cardíacas. Eles incluíram estudos de diferentes metodologias que abordaram o papel do ECG aprimorado por IA na detecção da síndrome do QT longo (SQTL) (um estudo), intervalo QT corrigido (QTc) (um estudo) e fibrilação atrial (FA) (onze estudos).

[…]

Ler artigo completo

ABC

Artigo Original

Aplicabilidade de Algoritmos de Machine Learning no Diagnóstico de Fibrilação Atrial e SQTL por Interpretação de Eletrocardiograma: Uma Revisão Sistemática

Paulo Cainan Guimarães do Nascimento et al. Matthews Silva Martins Alex Cleber Improta-Caria Roque Aras Junior

Resumo

Fundamento

Machine learning (ML) é um tipo de algoritmo que aprende de forma autônoma a reconhecer padrões complexos. No contexto diagnóstico de arritmias cardíacas, esses algoritmos demonstraram avanços significativos devido à sua capacidade de fornecer interpretação automatizada e reconhecimento de padrões em eletrocardiogramas (ECGs).

Objetivo

Analisar e identificar a aplicabilidade, validade e viabilidade de modelos de algoritmos de ML no processo diagnóstico de arritmias cardíacas por meio de interpretação eletrocardiográfica automatizada.

Métodos

Esta revisão sistemática da literatura foi relatada de acordo com as diretrizes PRISMA. As buscas foram realizadas na Biblioteca Cochrane, EMBASE, LILACS e PubMed entre fevereiro de 2022 e novembro de 2022. O período do estudo abrange artigos publicados entre 2017 e 2022.

Resultados

A busca no banco de dados gerou 119 resultados, abrangendo três subtemas: Síndrome do QT Longo (SQTL), intervalo QT corrigido (QTc) e fibrilação atrial (FA). A FA foi o tema mais prevalente. Os tamanhos das amostras foram bastante variáveis. Os resultados foram, em sua maioria, satisfatórios. No diagnóstico de SQTL usando Inteligência Artificial (IA), o algoritmo superou os métodos convencionais na distinção diagnóstica. Na avaliação do QTc, não houve diferença entre o ECG integrado à IA e o ECG convencional. No diagnóstico de FA, os algoritmos, modelos e dispositivos demonstraram alta sensibilidade e especificidade, além de maior acurácia.

Conclusão

Os modelos de ML no processo diagnóstico de arritmias cardíacas são viáveis e estão em rápido desenvolvimento. Apresentam valores de acurácia entre 96,4% e 98,2%, sensibilidade entre 92,8% e 99,4% e especificidade entre 95% e 98,1%, particularmente no diagnóstico de fibrilação atrial.

Ler artigo completo

ABC

Ponto de Vista

Assistência de Inteligência Artificial na Análise de Artigos Médicos por Pares: Vantagens, Desvantagens e Considerações Éticas

André Zimerman et al. Andre d’Avila

IA fala sobre o papel da IA como revisora de artigos médicos:

O processo de revisão por pares é um pilar fundamental da integridade científica, particularmente na área da medicina, onde uma avaliação rigorosa garante que a pesquisa publicada seja confiável, reproduzível e segura para aplicação clínica. No entanto, o crescente volume de artigos médicos submetidos para publicação, aliado à complexidade da pesquisa moderna, tem sobrecarregado o sistema tradicional de revisão por pares.

O uso de IA na revisão por pares de artigos médicos representa uma oportunidade transformadora para enfrentar os crescentes desafios da publicação acadêmica em uma área onde precisão, pontualidade e confiabilidade são primordiais. No entanto, além de seus potenciais benefícios, a IA apresenta desvantagens significativas e desafios notáveis. Este ensaio examina os benefícios e as deficiências da IA na análise por pares de artigos médicos, bem como as implicações éticas de sua integração.

[…]

Ler artigo completo

ABC

Editorial

Você Vai Avisá-los Quando Estiverem Errados? Viés de Automação e Inteligência Artificial na Medicina

Marcio Sommer Bittencourt

O uso de ferramentas de suporte à decisão e de automação na prática médica não é algo recente. As primeiras ferramentas utilizavam modelos de regressão simples para reduzir a heterogeneidade e oferecer um cuidado mais estruturado. Na cardiologia, exemplos iniciais de ferramentas de suporte à decisão incluíram o escore de risco de Framingham para estratificação de risco na prevenção primária e os ajustes automatizados de doses para heparina ou varfarina. Desde então, os processos de automação tornaram-se mais sofisticados e atualmente estão amplamente disseminados em diversos aspectos rotineiros da prática médica. Na cardiologia, incluem interpretações preliminares automatizadas de traçados de eletrocardiograma (ECG), bem como medições e análises de imagens automatizadas em ecocardiografia, medicina nuclear e ressonância magnética cardíaca. Outros sistemas automatizados de suporte à decisão clínica auxiliam na redução de erros de prescrição, alertando os profissionais de saúde sobre interações medicamentosas ou dosagens incorretas, por exemplo. Com os avanços recentes da inteligência artificial (IA), as expectativas quanto ao futuro dessas ferramentas cresceram de forma expressiva. No entanto, as possíveis implicações negativas têm recebido consideravelmente menos atenção.

Os sistemas de suporte à decisão podem aprimorar a tomada de decisão médica e os desfechos dos pacientes. No entanto, esses sistemas não são infalíveis e podem gerar resultados incorretos. A maioria dos estudos que avaliam seu desempenho baseia-se em métricas médicas convencionais, como sensibilidade, especificidade, acurácia e área sob a curva receiver operating characteristic. Contudo, é ainda mais importante avaliar o impacto dessas ferramentas no mundo real, especialmente considerando a forma como os profissionais interagem com elas. Essa questão torna-se particularmente relevante à luz do Regulamento de Inteligência Artificial da União Europeia, que exige supervisão humana para sistemas de IA considerados de alto risco. O tema adquire ainda mais relevância com o uso disseminado de chatbots de IA generativa, uma vez que a atual geração de ferramentas complexas de IA tem contribuído para uma tendência crescente de dependência excessiva de processos de automação imperfeitos.

[…]

Ler artigo completo

ABC

Artigo Original

Impacto da Reabilitação Cardíaca Baseada em Tecnologia na Capacidade de Exercício e na Adesão de Pacientes com Doença Arterial Coronariana: Uma Análise com Suporte de Inteligência Artificial

Dilara Saklica et al. Naciye Vardar-Yagli Melda Saglam Deniz Yuce … Ahmet Hakan Ates Hikmet Yorgun

Resumo

Fundamento

Programas de treinamento físico melhoram a capacidade de exercício e a qualidade de vida (QV) em pacientes com doença arterial coronariana (DAC). Embora a inteligência artificial (IA) tenha sido utilizada no desenvolvimento desses programas, ainda são escassos os estudos que avaliam sua eficácia.

Objetivo

Este estudo comparou os efeitos de programas de reabilitação cardíaca (RC) baseados em tecnologia com os programas tradicionais sobre a capacidade de exercício e a participação de pacientes com DAC utilizando IA para análise dos dados.

Métodos

Um total de 52 pacientes com DAC foi distribuído aleatoriamente em três grupos: i) grupo de telereabilitação (GTR) (n=18); ii) grupo de aplicativo móvel (GAM) (n=13); e iii) grupo controle (GC), que recebeu apenas recomendações de atividade física (n=21). Os participantes do GTR e do GAM completaram um programa de 12 semanas com exercícios calistênicos e de resistência, três vezes por semana. A capacidade de exercício foi avaliada por meio do Incremental Shuttle Walk Test (ISWT), e a QV foi medida com o questionário Short Form-36 (SF-36). O feedback dos pacientes foi analisado utilizando um modelo de processamento de linguagem natural (PLN) baseado em BERT ajustado. Métodos de detecção de anomalias foram aplicados para identificar divergências entre a adesão autorrelatada e os resultados do ISWT. O nível de significância estatística foi fixado em p<0,05.

Resultados

Tanto o GTR [44,4% mulheres] (Δ=87,2±15,2 m) quanto o GAM [50% mulheres] (Δ=89,4±70,4 m) apresentaram melhora significativa no ISWT em comparação com o GC [47,6% mulheres] (Δ=10,9±28,2 m) (p=0,001). A adesão foi maior no GTR (100%) e no GAM (80%) do que no GC (30%) (p<0,001). A satisfação relatada pelos pacientes, analisada por PLN, mostrou correlação positiva significativa com os ganhos no ISWT (r=0,75, p<0,001). Os achados demonstram o potencial da IA para apoiar a avaliação de resultados na RC.

Conclusões

Programas de RC baseados em tecnologia melhoram a capacidade de exercício e a adesão de pacientes com DAC, reforçando o uso de ferramentas com suporte de IA. A análise por PLN ajudou a relacionar o feedback dos pacientes aos resultados do exercício e a detectar inconsistências, demonstrando seu valor na avaliação da RC.

Ler artigo completo

ABC

Artigo Original

Uso da Inteligência Artificial Aplicada ao Eletrocardiograma para Diagnóstico de Disfunção Sistólica Ventricular Esquerda

Wilton Batista de Santana Júnior et al. Marcelo M. Pinto Filho Sandhi Maria Barreto Murilo Foppa … Luana Giatti Rohan Khera Antonio Luiz Pinho Ribeiro

Resumo

Fundamento

A insuficiência cardíaca é uma doença associada a importante morbimortalidade. O eletrocardiograma (ECG), um dos exames utilizados na avaliação da IC, é de baixo custo e amplamente disponível.

Objetivo

Avaliar o desempenho de um algoritmo de inteligência artificial (IA) aplicado ao ECG na detecção de IC e o comparamos ao poder preditivo das alterações eletrocardiográficas maiores (AME).

Métodos

Estudo transversal de acurácia diagnóstica. Todos os participantes são oriundos do Estudo Longitudinal da Saúde do Adulto (ELSA-Brasil), e possuíam ECG e ecocardiograma (ECO) válidos além de valores de probabilidade para disfunção sistólica do ventrículo esquerdo (DSVE) estimados pelo algoritmo. O desfecho avaliado foi fração de ejeção do ventrículo esquerdo (FEVE) < 40% ao ECO. Foram calculados sensibilidade, especificidade, valor preditivo positivo (VPP), valor preditivo negativo (VPN), razão de verossimilhança positivo (RVP), razão de verossimilhança negativa (RVN), diagnostic odds ratio (DOR) para o algoritmo e para as AME e área sob a curva ROC (ASC-ROC) para o algoritmo.

Resultados

Na amostra final de 2567 indivíduos, a prevalência de FEVE < 40% foi de 1,13% (29 indivíduos). Os valores obtidos de sensibilidade, especificidade, VPP, VPN, RVP, RVN e DOR para o algoritmo foram de 0,690; 0,976; 0,244; 0,996; 27,6; 0,32 e 88,74, respectivamente. Para as AME, 0,172; 0,837; 0,012; 0,989; 1,09; 0,990 e 1,07, respectivamente. A ASC-ROC do algoritmo para predição de FEVE < 40% foi de 0,947 (IC 95% 0,913 – 0,981).

Conclusão

A IA apresentou bom desempenho para detecção de DSVE e pode ser usada como ferramenta de triagem de DSVE.

Ler artigo completo

ABC

Editorial

Métodos de Inteligência Artificial para Detecção de Fibrilação Atrial Assintomática. Uma Oportunidade para Novas Abordagens de Prevenção e o Papel do Olho do Médico

Francisco Darrieux et al. Tan Chen Wu

A fibrilação atrial (FA) continua sendo a arritmia cardíaca mais comum, associada a um risco cinco vezes maior de acidente vascular cerebral, bem como a um risco maior de insuficiência cardíaca. O tratamento da FA abrange triagem e diagnóstico, melhora da qualidade de vida por meio do controle da frequência ou ritmo, redução da morbidade e mortalidade por meio da prevenção de acidente vascular cerebral e tromboembolismo sistêmico, bem como tratamento de condições associadas. A detecção precoce pode mitigar complicações por meio de intervenção imediata. Infelizmente, a FA geralmente não é reconhecida e tratada porque é frequentemente assintomática ou minimamente sintomática e frequentemente paroxística.

As diretrizes do CCS/CHRS e da ESC recomendam o rastreamento oportunista para FA em pessoas com idade ≥ 65 anos no momento de um encontro médico não relacionado. A justificativa para essas recomendações é baseada em uma combinação de eficácia (a taxa de detecção de FA para pessoas ≥ 65 anos foi relatada como 1,44% (intervalo de confiança [IC] de 95%, 1,13%-1,82%] vs. 0,41% [IC de 95%, 0,31%-0,53%] em pessoas < 65 anos de idade) e os resultados acionáveis (ou seja, pacientes ≥ 65 anos de idade com FA têm indicação de terapia de anticoagulação oral [ACO] para prevenção de AVC). Além disso, as diretrizes da ESC recomendam triagem sistemática para pacientes com maior risco de AVC (escores CHA2DS2-VA ≥ 2), amplamente baseadas no aumento de 4 vezes na detecção de FA no estudo Systematic ECG Screening for Atrial Fibrillation Among 75- Year-Old Subjects in the Region of Stockholm and Halland, Suécia (STROKESTOP), no qual nova FA foi detectada em 3,0% (IC de 95%, 2,7%-3,5%) dos pacientes que participaram de um programa de triagem de 2 semanas em comparação com um eletrocardiograma (ECG) de índice sozinho.

[…]

Ler artigo completo

Ver todos os artigos

Accessibility Adjustments

Powered by OneTap

Select your accessibility profile

Vision Impaired Mode

Enhances website's visuals

Seizure Safe Profile

Clear flashes & reduces color

ADHD Friendly Mode

Focused browsing, distraction-free

Blindness Mode

Reduces distractions, improves focus

Epilepsy Safe Mode

Dims colors and stops blinking

Content Modules

Font Size

Default

Line Height

Default

Color Modules

Orientation Modules

Skip To Content