Mapeamento Global da Pesquisa Sobre Inteligência Artificial Aplicada à Miocardite

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.