Arq Bras Cardiol abc Arquivos Brasileiros de Cardiologia Arq. Bras. Cardiol. 0066-782X 1678-4170 Sociedade Brasileira de Cardiologia - SBC 5V3LvX5sWqbmYHNkRWZPHyC S0066-782X2025000600305 00305 10.36660/abc.20240765 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 0000-0001-9192-6033 Saklica Dilara Concepção e desenho da pesquisa Obtenção de dados Análise e interpretação dos dados Análise estatística Redação do manuscrito 1 0000-0003-0218-140X Vardar-Yagli Naciye Concepção e desenho da pesquisa Obtenção de dados Análise e interpretação dos dados Análise estatística Redação do manuscrito Revisão crítica do manuscrito quanto ao conteúdo 1 Saglam Melda Concepção e desenho da pesquisa Análise e interpretação dos dados Análise estatística Revisão crítica do manuscrito quanto ao conteúdo 1 Yuce Deniz Concepção e desenho da pesquisa; Análise estatística Revisão crítica do manuscrito quanto ao conteúdo 2 Ates Ahmet Hakan Concepção e desenho da pesquisa; Obtenção de dados Revisão crítica do manuscrito quanto ao conteúdo 3 0000-0001-7673-229X Yorgun Hikmet Concepção e desenho da pesquisa Obtenção de dados Revisão crítica do manuscrito quanto ao conteúdo 3 Faculty of Physical Therapy and Rehabilitation Department of Cardiorespiratory Physiotherapy and Rehabilitation Hacettepe University Ankara Turquia Faculty of Physical Therapy and Rehabilitation, Department of Cardiorespiratory Physiotherapy and Rehabilitation, Hacettepe University, Ankara – Turquia Faculty of Medicine Department of Preventive Oncology Hacettepe University Ankara Turquia Faculty of Medicine, Department of Preventive Oncology, Hacettepe University, Ankara – Turquia Faculty of Medicine Department of Cardiology Hacettepe University Ankara Turquia Faculty of Medicine, Department of Cardiology, Hacettepe University, Ankara – Turquia : Naciye Vardar-Yagli • Hacettepe University, Faculty of Physical Therapy and Rehabilitation 06100 Samanpazarı/Ankara – Turquia E-mail: naciyevardar@yahoo.com

Ricardo Stein

Não há conflito com o presente artigo.

 06 06 2025 05 2025 122 6 e20240765 13 11 2024 14 02 2025 19 03 2025 Este é um artigo de acesso aberto distribuído sob os termos da licença de atribuição pelo Creative Commons 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.

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

Inteligência Artificial Reabilitação Cardíaca Doença da Artéria Coronariana Exercício Físico Introdução

Programas de telereabilitação cardíaca (TRC) demonstraram oferecer benefícios e validade comparáveis aos da reabilitação tradicional presencial para pacientes.1 Beatty et al. confirmaram que a tecnologia móvel é tanto confiável quanto aceitável para uso na reabilitação cardíaca (RC) de pacientes com doença isquêmica do coração.2 O uso de tecnologia na RC contribui para melhorar o acesso e a participação. Estudos demonstram que programas de RC baseados em exercícios podem aumentar a capacidade de exercício, fortalecer a musculatura periférica e melhorar a qualidade de vida (QV) de pacientes com doença arterial coronariana (DAC).3,4 Diretrizes clínicas também apoiam o uso seguro de treinamento aeróbico e de resistência nessa população.1,5 Calistenia é outro método de exercício comumente utilizado em programas de RC.6

Nos últimos anos, a RC tem adotado cada vez mais tecnologias como dispositivos de eletrocardiografia (ECG) para monitoramento remoto, sensores de frequência cardíaca (FC) e pressão arterial (PA), algoritmos para testes de capacidade funcional e rastreadores de atividade.7,8 A TRC, a realidade virtual e as intervenções em RC baseadas em telefone — que permitem o cuidado ao paciente sem supervisão direta — também vêm ganhando destaque na literatura.9,10

A inteligência artificial (IA) tem avançado rapidamente na área da saúde, especialmente em áreas como interpretação de imagens radiológicas, previsão de desfechos e detecção precoce de eventos cardíacos.11-15 O aprendizado de máquina também demonstrou potencial para auxiliar na elaboração e avaliação da segurança de programas de exercícios para RC.16 Além disso, desafios técnicos como a transparência dos algoritmos, a segurança dos dados e preocupações éticas relacionadas à privacidade dos pacientes continuam limitando o uso mais amplo da IA na TRC.17 São necessárias mais pesquisas e o desenvolvimento de melhores modelos de IA para aprimorar o uso clínico e garantir desfechos seguros e centrados no paciente. Embora muitos estudos se concentrem no uso de dados dos pacientes para personalizar programas de exercícios para indivíduos com DAC, poucos exploraram como a IA pode analisar as próprias descrições dos pacientes sobre os benefícios percebidos com os programas.

O processamento de linguagem natural (PLN) oferece uma abordagem promissora para extrair insights relevantes a partir de textos não estruturados encontrados em prontuários eletrônicos de saúde.18 Até o momento, nenhum estudo utilizou IA para interpretar as experiências subjetivas de pacientes com DAC em relação aos benefícios de programas de RC baseados em exercícios.

A participação em programas de RC continua baixa em todo o mundo. Um dos maiores desafios é a não adesão e a evasão por parte dos pacientes.19 A pandemia de COVID-19 agravou esse problema, levando os profissionais de saúde a buscar soluções inovadoras para aumentar a participação, a acessibilidade, a eficiência e o custo-benefício dos programas de RC.20 Nos Estados Unidos, apenas 20% a 30% dos pacientes elegíveis participam dos programas de RC. Entre aqueles que iniciam o programa, as taxas de evasão variam de 24% a 50%, o que significa que muitos pacientes não recebem todos os benefícios da RC.21 Para melhorar a participação e a adesão, profissionais de saúde têm testado diversas estratégias. Intervenções bem-sucedidas incluem sistemas automatizados de encaminhamento e o uso de profissionais de referência em RC para auxiliar os pacientes na transição do hospital para o cuidado ambulatorial. Esses métodos demonstraram aumentar significativamente as taxas de ingresso e conclusão dos programas.22

No entanto, a pandemia de COVID-19 tornou ainda mais difícil a participação dos pacientes na RC, levando à busca por novas formas de melhorar a acessibilidade, a eficiência e o custo-benefício desses programas. Uma solução promissora é o uso de modelos de RC domiciliares e híbridos, que combinam a reabilitação tradicional, realizada em centros especializados, com componentes remotos realizados em casa. Esses modelos têm se mostrado tão seguros e eficazes quanto a RC tradicional, oferecendo aos pacientes maior flexibilidade.23

Estudos recentes demonstraram que a IA pode ser integrada com sucesso à cardiologia, especialmente em áreas como a análise de ECG e a imagem em cardiologia nuclear.24,25 No entanto, até onde sabemos, este é o primeiro estudo a aplicar métodos baseados em PLN no contexto da RC, representando uma contribuição inédita para a crescente interseção entre IA e cuidado cardiovascular.

Este estudo teve como objetivo comparar os efeitos de programas de RC baseados em tecnologia com os programas tradicionais sobre a capacidade de exercício e a participação de pacientes com DAC utilizando IA para a análise dos dados.

 Métodos

Este ensaio clínico controlado, prospectivo e randomizado foi realizado entre abril de 2022 e maio de 2024 no the Department of Cardiorespiratory Physiotherapy and Rehabilitation, Faculty of Physiotherapy and Rehabilitation, Hacettepe University.

Pacientes com diagnóstico de DAC que compareceram ao ambulatório de cardiologia foram avaliados quanto à elegibilidade. Aqueles com diagnóstico de DAC confirmado por angioplastia coronariana, com níveis de troponina negativos, estado clínico estável e teste de esforço em esteira (protocolo de Bruce modificado) limitado por sintomas, sem sintomas cardíacos ou alterações no ECG, foram encaminhados a um fisioterapeuta para RC e incluídos em um programa de exercícios.

Os critérios de inclusão foram: i) estado clínico estável; ii) idade entre 40 e 70 anos; iii) acesso a treinamento físico online; e iv) posse de um smartphone compatível com iOS ou Android.

Os critérios de exclusão foram: i) diagnóstico de insuficiência cardíaca crônica (classe III ou IV da New York Heart Association [NYHA]); ii) estenose ≥50% de qualquer artéria coronária principal; qualquer evento coronariano ou revascularização cirúrgica nos últimos 12 meses; iv) fração de ejeção do ventrículo esquerdo (FEVE) <40%; v) insuficiência renal terminal; vi) miocardite ou pericardite aguda; vii) hipertensão não controlada; viii) doença pulmonar crônica; ix) condições ortopédicas ou neurológicas que impeçam a participação em exercícios ou testes; x) taquicardia ventricular sustentada; xi) fibrilação atrial de difícil controle; ou xii) bloqueio atrioventricular de alto grau.

Os participantes foram avaliados no início e ao final do programa de exercícios de 12 semanas. Todas as avaliações seguiram a mesma ordem e foram realizadas de acordo com os padrões estabelecidos pelo fisioterapeuta responsável. Dados demográficos, clínicos e relacionados ao exercício foram coletados.

Após as avaliações iniciais, os pacientes que atendiam aos critérios de inclusão e concordaram em participar foram randomizados para um dos três grupos por meio da ferramenta online disponível em https://www.graphpad.com/quickcalcs/randomize1.cfm. O grupo de telereabilitação (GTR) realizou exercícios calistênicos e de resistência sob supervisão remota de um fisioterapeuta por videoconferência. O grupo de aplicativo móvel (GAM) seguiu os mesmos exercícios individualmente, guiado por vídeos em um aplicativo móvel. O grupo controle (GC) seguiu um programa padrão de exercícios domiciliares sem supervisão.

O Incremental Shuttle Walk Test (ISWT) foi utilizado para medir a capacidade de exercício devido à sua validade e confiabilidade comprovadas em pacientes com DAC.26 O teste é composto por 12 níveis, durante os quais os participantes aumentam gradualmente a velocidade da caminhada a cada minuto. Um sinal sonoro os orienta a caminhar de um cone ao outro, posicionados a dez metros de distância, e a distância total percorrida é registrada.

O número total de sessões de exercício concluídas pelos participantes do GTR foi registrado. No caso do GAM, a presença nas sessões foi monitorada por meio de notificações enviadas automaticamente aos fisioterapeutas após cada sessão de exercício. Os participantes do GC foram orientados a manter um diário de treinos para registrar os dias em que realizaram atividade física.

Para avaliar QV, o questionário Short Form-36 (SF-36) foi aplicado por meio de entrevista. O SF-36 é um instrumento de autorrelato composto por 36 itens, desenvolvido para avaliar o estado geral de saúde do indivíduo. Ele abrange oito domínios: capacidade funcional (CF), aspectos físicos (AF), dor (D), estado geral de saúde (SG), vitalidade, aspectos sociais (AS), aspectos emocionais (AE) e saúde mental (SM).27

Protocolo de treinamento físico

Os participantes do GTR seguiram um programa de exercícios online sob a supervisão de um fisioterapeuta. Aqueles do grupo GAM realizaram os exercícios de forma independente, utilizando vídeos disponibilizados por meio de um aplicativo móvel instalado em seus dispositivos pelo fisioterapeuta. Cada sessão incluía um período de aquecimento e outro de desaquecimento.

Durante as primeiras 4 semanas, os participantes realizaram exercícios calistênicos e posturais. Entre as semanas 4 e 8, o treinamento de resistência para membros superiores e inferiores foi adicionado à rotina calistênica. Os exercícios de resistência foram realizados com faixas elásticas selecionadas de acordo com a força muscular de cada indivíduo. A intensidade dos exercícios foi ajustada por meio da variação no número de repetições e séries, sendo permitido um intervalo de descanso de pelo menos 1 minuto entre as séries.

Da semana 9 à 12, a dificuldade dos exercícios foi aumentada progressivamente de acordo com o nível de condicionamento físico de cada participante. Todos os participantes dos grupos GTR e GAM realizaram os exercícios três vezes por semana durante 12 semanas (Figura 1, Arquivo Suplementar S1). Os participantes do GC foram orientados a seguir as Diretrizes de Atividade Física da Organização Mundial da Saúde, que recomendam de 150-300 minutos de atividade física de moderada intensidade ou de 75-150 minutos de vigorosa intensidade por semana.28

– Diagrama de fluxo da inclusão dos pacientes no estudo. IA: inteligência artificial; FT: fisioterapeuta; GC: grupo controle; GAM: grupo aplicativo móvel; GTR: grupo de telereabilitação; ISWT: Incremental Shuttle Walk Test; PLN: processamento de linguagem natural; SF-36: Short-Form-36; TRC: telereabilitação cardíaca.

Os participantes do GTR foram monitorados quanto à fadiga, fadiga nas pernas e falta de ar por meio da escala de Borg modificada (mBS), juntamente com a aferição da própria PA antes e após cada sessão de exercício. A intensidade do exercício foi ajustada para manter um nível de esforço percebido entre 4 e 6 na mBS. A FC foi monitorada continuamente por meio de um smartwatch (Mi Smart Band 4, Anhui Huami Information Technology Co., Ltd.), garantindo que os participantes atingissem de 60% a 75% da FC máxima (FCmáx) e mantivessem um escore entre 4 e 6 na mBS durante o exercício.29 Todos os dispositivos foram calibrados antes de serem entregues aos participantes.

Os participantes do GAM autorrelataram fadiga, fadiga nas pernas e falta de ar utilizando a mBS antes e após cada sessão, seguindo as instruções em vídeo disponíveis em seus celulares. Também mediram e registraram a FC e a PA utilizando um smartwatch e um monitor de pressão fornecidos. O aplicativo móvel incluía um sistema de login seguro para proteger a privacidade dos pacientes.

 Inteligência artificial

A efetividade dos exercícios prescritos foi avaliada por meio do feedback regular dos pacientes sobre sua experiência com os exercícios. Perguntas abertas em um questionário foram utilizadas para coletar respostas subjetivas, que, em seguida, foram analisadas com técnicas de IA e aprendizado de máquina para extrair informações quantitativas.

Para identificar possíveis outliers, métodos de detecção de anomalias foram aplicados nos casos em que os pacientes relataram participação consistente, mas apresentaram melhora limitada no desempenho no ISWT — por exemplo, um aumento inferior a 70 metros, mesmo quando 95% dos participantes aderentes apresentaram melhora de pelo menos essa distância.

Um modelo transformer pré-treinado — NLPtown/BERT-base-multilingual-uncased-sentiment — foi utilizado para avaliar o tom emocional do feedback de cada paciente (BERT = Bidirectional Encoder Representations from Transformers).30 As respostas às perguntas abertas foram processadas com técnicas de IA e PLN.

A análise por PLN foi realizada utilizando o modelo BERT para avaliar as respostas abertas dos pacientes.31 O modelo foi ajustado com um conjunto de dados de sentimentos específico da área da saúde, focado em feedback de pacientes. Esse conjunto incluía avaliações subjetivas sobre a dificuldade dos exercícios, benefícios percebidos, desafios relacionados à adesão e satisfação geral com o programa de CR. Foi construído a partir de relatos anônimos de pacientes e feedbacks estruturados de estudos clínicos anteriores, garantindo um conjunto diversificado de expressões de sentimento.

O desempenho do modelo foi validado por meio de validação cruzada k-fold, alcançando uma pontuação F1 média de 0,89, o que indica alta confiabilidade na classificação de sentimentos. A análise por PLN concentrou-se em dois aspectos principais: satisfação geral com o programa e relatos sobre a dificuldade ou facilidade dos exercícios.

Para cada resposta dos pacientes, o pipeline de análise de sentimentos atribuiu um rótulo de sentimento e uma pontuação correspondente de 1 a 5 (1 = altamente negativo, 5 = altamente positivo), representando a intensidade do tom emocional.

Todas as medidas foram adotadas para proteger os dados contra acesso de terceiros. Todas as medidas de compliance foram monitoradas regularmente.

 Análise estatística

A análise estatística foi realizada utilizando o software IBM SPSS (versão 20.0, IBM Inc.). Um estudo piloto indicou que seriam necessários pelo menos 11 participantes por grupo para alcançar um poder estatístico de 95%, com uma chance de erro tipo I de 5% e tamanho de efeito de 1,76 para o desfecho primário (distância no ISWT).

O teste de Shapiro-Wilk foi utilizado para verificar se os dados seguiam uma distribuição normal. Variáveis contínuas com distribuição normal foram expressas como média ± desvio padrão (DP), enquanto aquelas sem distribuição normal foram apresentadas como mediana e intervalo interquartil. Variáveis categóricas foram apresentadas como frequências absolutas (contagens) e relativas (percentuais).

Para comparações dentro de cada grupo, foi utilizado o teste t pareado para dados com distribuição normal e o teste de Wilcoxon para dados sem distribuição normal. Para comparação entre grupos, foi utilizada a análise de variância (ANOVA) unidirecional para variáveis com distribuição normal, com o teste de Tukey (honestly significant difference [HSD]) para comparações pós-hoc entre pares. Para dados sem distribuição normal, utilizou-se o teste de Kruskal-Wallis, seguido pelo teste de Dunn para comparações entre pares. Variáveis categóricas foram analisadas por meio do teste do qui-quadrado ou, quando as contagens esperadas foram inferiores a 5, pelo teste exato de Fisher.

O coeficiente de correlação de Pearson foi utilizado para avaliar a relação entre o feedback em linguagem natural dos pacientes sobre os benefícios do treinamento físico e as mudanças no desempenho no ISWT. Foi aplicada uma análise por intenção de tratar, incluindo os dados prévios ao exercício dos participantes que não completaram o programa. Um valor p igual ou inferior a 0,05 foi considerado estatisticamente significativo.

 Resultados

Dos 147 pacientes com DAC avaliados no ambulatório de cardiologia da Faculty of Medicine, Hacettepe University, 55 atenderam aos critérios de inclusão e concordaram em participar do estudo. Três participantes do grupo GAM desistiram, e o estudo foi concluído com um total de 52 participantes. A Figura 2 apresenta o diagrama de fluxo do estudo.

– Diagrama de fluxo CONSORT da inclusão dos pacientes no estudo. CONSORT: Consolidated Standards of Reporting Trials; GAM: grupo aplicativo móvel; GC: grupo controle; GTR: grupo de telereabilitação.

A Tabela 1 apresenta as características demográficas e clínicas dos pacientes. Não houve diferenças estatisticamente significativas entre os grupos em relação à idade, peso corporal, estatura, índice de massa corporal (IMC), relação cintura-quadril, fatores de risco cardiovascular ou valores de equivalente metabólico de tarefa (MET) obtidos no teste de esforço.

– Características demográficas dos pacientes incluídos no estudo
Variáveis GTR (n=18) GAM (n=16) GC (n=21) Valor p
Idade (anos) 60,1±7,2 56,9±5,8 61,6±1,5 0,12
Mulheres/homens 8 (44,4%)/10 (55,6%) 8 (50%)/8 (50%) 10 (47,6%)/11 (52,4%) 0,95
Peso (kg) 76,9±3,1 80,9±10,3 79,7±2,7 0,61
IMC (kg/m2) 26,2±0,6 27,3±1,9 28,5±1,1 0,12
Relação cintura-quadril 0,9±0,1 0,9±0,1 0,9±0,1 0,54
Número de passos por dia 3,578.5 (2,622,5-4,345,5) 3,981.5 (3,418-4,744.25) 3,177 (3,962-2,585) 0,15
Teste de esforço (METs) 11,05 (10,3-13,2) 10,9 (10,1-12,8) 10,5 (9,5-11,4) 0,35
Fatores de risco cardiovascular
Tabagismo
Não fumante 8 (44,4%) 7 (43,75%) 10 (47,6%) 0,91
Fumante 4 (22,2%) 3 (18,75%) 6 (28,6%)
Ex-fumante 6 (33,3%) 6 (37,5%) 5 (23,8%)
Tabagismo (maços-ano) 14,8±15,9 13,4±13,6 16,1±17,4 0,93
Hipertensão 10 (55,6%) 8 (50,0%) 9 (42,9%) 0,73
Diabetes melito 4 (22,2%) 4 (25,0%) 5 (23,8%) 0,98
Dislipidemia 14 (77,8%) 13 (81,25%) 18 (85,7%) 0,81
Inatividade física 17 (94,4%) 13 (81,25%) 20 (95,2%) 0,28

*p<0,05, teste do qui-quadrado, teste exato de Fisher, análise de variância (ANOVA) ou teste de Kruskal-Wallis. Os dados são apresentados como média±DP, mediana (IIQ [Q1–Q3]) ou n (%). GAM: grupo aplicativo móvel; GC: grupo controle; GTR: grupo de telereabilitação; IIQ: intervalo interquartil; IMC: índice de massa corporal; MET: equivalente metabólico de tarefa.

Não foram encontradas diferenças estatisticamente significativas entre os grupos quanto à distância no ISWT, FC, PA sistólica e diastólica, dispneia ou níveis de fadiga geral (avaliados pela escala de Borg modificada) antes do início do treinamento físico (Tabela 2). Tanto o GTR quanto o GAM apresentaram melhorias semelhantes em diversas subescalas de QV do SF-36 (ou seja, CF, D, SG, AS, vitalidade, AE e SM) em comparação com o grupo controle. Ambos os grupos também apresentaram melhores resultados na porcentagem da distância esperada no ISWT em relação ao grupo controle.

– RC de três meses: comparação entre grupos quanto aos desfechos
Parâmetros de capacidade de exercício GTR (n=18) GAM (n=13) GC (n=21)
Pré-intervenção Pré-intervenção Δ Pré-intervenção Pós-intervenção Δ Pré-intervenção Pós-intervenção Δ
FC (bpm)
Pré-teste 79,2±10,5 76,8±10,9 a * -2,4±3,1 74,8±11,7 72,6±7,9 -2,2±5,9 85,1±13,9 84,6±11,9 -0,5±4,3
Pós-teste 135,6±6,6 132,1±6,3 a * -3,5±5,3 136,9±5,5 137,9±4,5 0,9±3,4 133,3±5,9 134,4±4,5 1,1±4,3
%FCmáx 84,8±1,6 82,6±2,9 a * -2,2±3,3 b,d * 84±1,6 84,2±13 0,2±1,2 84,2±2,1 84,9±2,6 0,7±2,7
PAD (mmHg)
Pré-teste 73,3±7,7 70,6±6,4 -2,8±6,7 70,6±7,7 70±5,2 -0,6±5,7 70±7,7 70±6,3 0±5,5
Pós-teste 82,2±7,3 80±6,9 -2,2±7,3 80±8,2 79,2±5,7 -0,8±6,8 76,2±8,1 78,6±7,3 2,4±5,4
PAS (mmHg)
Pré-teste 118,3±8,6 118,9±8,3 0,6±4,2 118,1±9,8 118,5±8,1 0,3±5,8 118,6±7,3 121,9±8,1 3,3±8
Pós-teste 148,3±9,9 148,3±2,4 0±12,4 145±6,3 146,2±12,4 1,2±12,8 146,2±9,2 149,5±8,6 3,3±11,1
Fadiga geral (mBorg)
Pré-teste 0,5 (0-1) 0,5 (0-0,8) 0 (-0,5, 0) 0,5 (0-1) 0,5 (0,5-1) 0 (-0,5, 0,5) 1 (0-1) 0,5 (0-1) 0 (-1, 0)
Pós-teste 4 (3-5,75) 4,5 (3-5) 0 (-0,75, 1,75) 4 (3-5) 5 (4-5) 1 (-1, 2) 5 (3-5) 3 (3-4) 1 (-2, 0)
Dispneia (mBorg)
Pré-teste 0 (0-0) 0 (0-0) 0 (0, 0) 0 (0-0) 0 (0-0) 0 (0, 0) 0 (0-0) 0 (0-0) 0 (0, 0)
Pós-teste 0 (0-1) 1 (0-2) 0 (0, 2) 0 (0-0) 0 (0-1) 0 (0, 1) 0 (0-0,5) 0 (0-0,5) 0 (0, 0,5)
Distância no ISWT (m) 508,9±105,5 596,1±109,3 a * 87,2±15,3 b * 537,5±119,1 626,9±92,1 a * 89,4±70,4 c * 500,5±98,4 511,4±102 11±28,3
Distância no ISWT (%) 70,8±9,3 83,3±10,4 a * 12,5±3,4 b,d * 72,6±8,4 83,1±9 a * 10,5±3,6 c * 73,2±8,7 74,6±7,5 1,5±4,1

*p<0,05, análise de variância (ANOVA) ou teste de Kruskal-Wallis. Os dados são apresentados como média±DP ou mediana (IIQ [Q1–Q3]). %FCmáx: porcentagem da frequência cardíaca máxima; DP: desvio padrão; FC: frequência cardíaca; GAM: grupo aplicativo móvel; GC: grupo controle; GTR: grupo de telereabilitação; IIQ: intervalo interquartil; ISWT: Incremental Shuttle Walk Test; mBorg: escala de Borg modificada; PA: pressão arterial; PAD: pressão arterial diastólica; PAS: pressão arterial sistólica; RC: reabilitação cardíaca; SpO2: saturação de oxigênio. a: Diferença significativa entre o pré e o pós-exercício dentro do mesmo grupo; b: Diferença significativa entre GTR e GC. c: Diferença significativa entre GAM e GC; d: Diferença significativa entre GTR e GAM.

Esses achados sugerem que as intervenções nos grupos GTR e GAM proporcionaram benefícios semelhantes na melhora da QV e da capacidade funcional. Além disso, o GTR apresentou um aumento percentual significativamente maior na distância esperada no ISWT em comparação com o grupo GAM (Tabela 2).

Os escores de fadiga geral e dispneia, avaliados pela escala de Borg modificada, não apresentaram diferenças significativas entre ou dentro dos grupos antes e após o programa de exercícios. Da mesma forma, a PA sistólica e diastólica permaneceu inalterada entre e dentro dos grupos (Tabela 2). Esses resultados sugerem que essas medidas fisiológicas se mantiveram estáveis ao longo da intervenção em todos os grupos.

As variações na FC (ΔFC) antes e após o exercício, assim como a porcentagem da FCmáx (%FCmáx), foram significativamente menores no GTR após o programa de exercícios e também em comparação com os grupos GAM e GC (Tabela 2). O GC não apresentou alterações significativas nas medidas de capacidade de exercício (Tabela 2).

O GTR completou 100% das sessões planejadas, o GAM completou 80% e o GC completou 30%. Tanto o GTR quanto o GAM apresentaram taxas de comparecimento significativamente maiores em comparação ao GC.

Os escores iniciais das subescalas do SF-36 foram semelhantes entre todos os grupos (Tabela 3). Após o programa de exercícios, tanto o GTR quanto o GAM apresentaram melhorias significativas nas subescalas do SF-36 para CF, AF, D, SG, vitalidade, AS, AE e SM em comparação aos seus escores iniciais (Tabela 3). O GC não apresentou alterações significativas em nenhuma subescala do SF-36 após a intervenção (Tabela 3).

– Comparação das subescalas de QV do SF-36 entre os grupos antes e após o treinamento físico
Subescalas do SF-36 GTR (n=18) GAM (n=13) GC (n=21)
Pré-intervenção Pós-intervenção Δ Pré-intervenção Pós-intervenção Δ Pré-intervenção Pós-intervenção Δ
Capacidade funcional 85 (75-88,8) 90 (86,3-95) a * 5 (0, 15) b * 80 (65-90) 95 (85-95) a * 5 (0, 10) c * 90 (75-90) 80 (75-90) 0 (-5, 5)
Aspectos físicos 100 (75-100) 100 (100-100) 0 (0, 0) 100 (50-100) 100 (50-100) 0 (0, 0) 100 (75-100) 100 (75-100) 0 (0, 0)
Aspectos emocionais 67 (33-100) 100 (72,3-100) a * 0 (0, 67) b * 67 (33-67) 100 (67-100) a * 33 (0, 34) c * 67 (33-100) 67 (33-100) 0 (0, 0)
Vitalidade 67,5 (61,3-75) 75 (70-78,8) a * 5 (0, 13,8) b * 65 (50-75) 75 (75-90) a * 10 (10, 35) c * 65 (50-75) 55 (35-75) 0 (0, 0)
Saúde mental 76 (62-79) 87 (76-96) a * 10 (0, 20) b * 68 (44-80) 80 (76-92) a * 8 (0, 32) c * 64 (44-76) 60 (40-68) 0 (0, 0)
Aspectos sociais 75 (66-88) 88 (75-100) a * 0 (0, 12,8) b * 75 (63-100) 88 (75-100) a * 0 (0, 12) c * 88 (75-100) 75 (75-88) 0 (0, 0)
Dor 75 (49,8-90) 85 (68-97,5) a * 10 (0, 12,3) b * 70 (55-80) 80 (68-90) a * 10 (3, 13) c * 80 (68-100) 80 (68-100) 0 (0, 0)
Estado geral de saúde 60 (46,3-70) 75 (56,3-78,8) a * 10 (0, 18) b * 60 (45-75) 75 (75-85) a * 10 (5, 15) c * 60 (45-70) 50 (45-75) 0 (0, 5)

*p<0,05, teste de Kruskal–Wallis. Os dados são apresentados como mediana (IIQ [Q1–Q3]). GAM: grupo aplicativo móvel; GC: grupo controle; GTR: grupo de telereabilitação; IIQ: intervalo interquartil; SF-36: Short Form-36; QV: qualidade de vida. a: Diferença significativa entre pré e pós-exercício dentro do mesmo grupo; b: Diferença significativa entre GTR e GC; c: Diferença significativa entre GAM e GC; d: Diferença significativa entre GTR e GAM.

Ao comparar as variações entre os grupos, tanto o GTR quanto o GAM apresentaram melhorias significativamente maiores que o GC nas subescalas CF, D, SG, vitalidade, AS, AE e SM (Tabela 3). Não foram encontradas diferenças estatisticamente significativas entre o GTR e o GAM em nenhuma das subescalas do SF-36 (Tabela 3, Figura Central).

Processamento de linguagem natural com inteligência artificial

Um total de 52 pacientes com DAC compartilhou feedback subjetivo sobre os benefícios do programa de exercícios. As pontuações de sentimento foram distribuídas da seguinte forma: 55% atribuíram nota 5; 2%, nota 4; 12%, nota 3; 12%, nota 2; e 19%, nota 1.

De acordo com o ISWT, uma melhora mínima de 70,0 metros (IC 95%: 51,5–88,5 m) foi considerada um desfecho positivo.32 Neste estudo, 59,62% dos participantes ultrapassaram esse limite, sendo 51,5 metros o valor de referência utilizado. Entre os que superaram o limiar, 75% relataram alta satisfação (pontuação 5), enquanto apenas 25% dos que ficaram abaixo desse valor relataram alta satisfação.

Houve uma correlação positiva forte entre a satisfação autorrelatada pelos pacientes e a melhora no desempenho no ISWT (r=0,75; p<0,001). Também foi observada uma correlação positiva moderada entre o número de sessões de exercício concluídas e as pontuações de satisfação (r=0,410).

Para aprofundar a análise da satisfação dos pacientes e das melhorias observadas por meio da PLN, as tendências de sentimento foram examinadas entre subgrupos com base na adesão ao exercício e no desempenho no ISWT. Uma análise mais detalhada dos casos atípicos revelou que alguns pacientes que relataram alta satisfação, apesar de apresentarem ganhos limitados no ISWT, frequentemente destacaram benefícios psicológicos (como aumento da motivação, redução da ansiedade e maior sensação de bem-estar) em vez de melhorias físicas.

O modelo identificou uma relação significativa entre a satisfação autorrelatada pelos pacientes e os desfechos do exercício medidos objetivamente, com IC 95%. Técnicas de detecção de anomalias, incluindo métodos baseados em agrupamento e em distância, foram utilizadas para identificar discrepâncias entre a satisfação subjetiva e o desempenho real. O modelo sinalizou anomalias em 10% dos pacientes que relataram alta satisfação, apesar de apresentarem melhora mínima nos resultados do ISWT.

A Figura 3 apresenta o mapa de emoções gerado por meio da detecção de anomalias e a distribuição das pontuações de satisfação dos pacientes em relação ao valor de referência.

– Gráfico de dispersão mostrando a relação entre os resultados da análise por PLN e as variações na distância do ISWT. ΔISWT: variação na distância do Incremental Shuttle Walk Test. Pontuações de avaliação: 1 = Não teve nenhum benefício, 2 = Não teve benefício, 3 = Nem teve nem deixou de ter benefício, 4 = Teve benefício, 5 = Teve grande benefício. Os valores dentro dos círculos representam anomalias. O modelo identificou como anomalias os pacientes que relataram alta satisfação, apesar de apresentarem pouca melhora no ISWT, correspondendo a 10% da amostra.

Discussão

Uma revisão de literatura prévia mostra que a integração da IA na TRC tem potencial para apoiar a detecção precoce de eventos cardíacos, melhorar o monitoramento de programas domiciliares e aprimorar a tomada de decisão clínica.33 Por exemplo, dispositivos vestíveis utilizados na TRC podem avaliar com precisão a capacidade funcional do paciente por meio de algoritmos baseados em IA.34

Neste estudo, a PLN foi aplicada para demonstrar a efetividade da RC baseada em tecnologia. A forte correlação entre a capacidade de exercício e os resultados da análise por IA com base em PLN sugere que os benefícios do programa para os pacientes se refletem tanto no feedback subjetivo quanto nos desfechos objetivos. No entanto, a análise por PLN também identificou algumas anomalias — casos em que as experiências relatadas pelos pacientes não se alinharam às melhorias físicas mensuradas. Essas discrepâncias podem ser explicadas por percepções individuais, fatores psicológicos ou limitações atuais dos modelos de PLN em compreender plenamente a complexidade dos relatos dos pacientes.

Reconhecer e interpretar essas anomalias é fundamental para aprimorar as ferramentas de avaliação baseadas em IA e promover um cuidado mais personalizado. Pesquisas futuras devem não apenas explorar de forma mais ampla a efetividade da PLN na TRC, mas também investigar mais profundamente o significado clínico das anomalias detectadas, a fim de aumentar a precisão e a aplicabilidade prática da avaliação de desfechos com suporte de IA.

O treinamento físico por meio da TRC tem demonstrado melhorar a capacidade de exercício em pacientes com DAC.35 De forma semelhante, em nosso estudo, tanto o GTR quanto o GAM apresentaram aumentos significativos na distância do ISWT após 12 semanas de treinamento. Isso reforça as diretrizes atuais que recomendam a TRC como uma abordagem eficaz para melhorar a capacidade de exercício em pacientes com DAC.1 Em consonância com nossos achados, Brouwers et al. também relataram aumento da capacidade de exercício e dos níveis de atividade física em pacientes com DAC após a TRC.36

Essas melhorias são provavelmente decorrentes de alterações fisiológicas nos sistemas cardiovascular e musculoesquelético.37 Especificamente, as reduções na FC ao final do exercício e na %FCmáx observadas no GTR sugerem adaptações cardiovasculares positivas. Esses resultados estão de acordo com estudos anteriores que demonstram que o treinamento físico melhora a eficiência cardíaca, permitindo que os pacientes realizem a mesma carga de trabalho com uma FC mais baixa.23 A redução da FC após o exercício reflete uma melhor adaptação cardiovascular.

Acreditamos que a alta adesão observada no GTR pode estar relacionada ao aumento da motivação proporcionado pelo feedback em tempo real durante as sessões supervisionadas.

Além da função física, a melhora da QV também é um objetivo importante para pacientes com DAC.38 Melhorias no bem-estar físico, energia, fadiga e funcionamento no dia a dia podem contribuir para um melhor manejo da doença e melhores desfechos em longo prazo.23 Em nosso estudo, tanto o GTR quanto o GAM apresentaram melhorias significativas na QV, o que está em concordância com os achados de Golbus et al., que relataram que programas de RC digitais e híbridos melhoram a QV em pacientes cardíacos.4

No entanto, nem todos os estudos encontraram resultados semelhantes. Um estudo relatou ausência de mudança nos escores do SF-36, apesar da melhora na capacidade funcional em um programa híbrido de TRC.39 Essa discrepância pode ser atribuída a diferenças na forma como a QV é mensurada nas pesquisas cardiovasculares e ao número limitado de estudos que focam especificamente nos desfechos relacionados à QV na TRC. Também acreditamos que a maior duração do nosso programa de exercícios pode ter contribuído para as melhorias mais evidentes observadas.

Nosso estudo também identificou melhorias significativas no domínio de aspectos emocionais em ambos os grupos de intervenção, sugerindo um impacto positivo no bem-estar psicológico. Esse resultado está em concordância com os achados de uma metanálise conduzida por Gong et al., que demonstrou que programas de TRC com duração mínima de 3 meses podem reduzir sintomas de depressão e ansiedade.40

De modo geral, as melhorias na distância do ISWT (ΔISWT) observadas em nosso estudo se refletiram em melhores escores em diversas subescalas de QV.

A integração da tecnologia em programas de RC desempenha um papel fundamental na melhoria da adesão e da participação dos pacientes. Em nosso estudo, tanto o GTR quanto o GAM apresentaram taxas de comparecimento superiores às do GC, sugerindo que abordagens baseadas em tecnologia são mais acessíveis e de uso mais amigável. A flexibilidade oferecida pelo GAM pode ter favorecido ainda mais a participação, permitindo que os pacientes realizassem os exercícios nos horários mais adequados à sua rotina diária. Pesquisas anteriores apoiam a ideia de que a tecnologia móvel pode melhorar a adesão a programas de RC.3,41 No nosso caso, o aplicativo móvel provavelmente contribuiu para isso ao permitir o acompanhamento dos exercícios, fornecer feedback e manter os pacientes motivados. Esses resultados são consistentes com os achados de Maddison et al., que relataram maiores taxas de participação em programas domiciliares de RC em comparação com os programas tradicionais realizados em centros especializados.20 A conveniência de realizar os exercícios em casa, com equipamentos mínimos e sem custos de transporte, provavelmente teve um papel importante no incentivo à participação — especialmente no cenário econômico atual. Como os pacientes do nosso estudo apresentavam uma capacidade de exercício média superior a 10 METs, esses achados são mais aplicáveis a pacientes com DAC de baixo risco.

Este estudo apresenta várias limitações. Embora os métodos baseados em IA mostrem potencial, existem desafios importantes que devem ser reconhecidos. Uma das principais limitações é a dependência da qualidade e da quantidade dos dados utilizados para treinar os modelos de IA. Dados insuficientes ou de baixa qualidade podem introduzir vieses e limitar a aplicabilidade dos resultados a diferentes populações de pacientes. Além disso, os algoritmos de PLN dependem da linguagem, que pode variar de acordo com fatores culturais e individuais na forma como os pacientes descrevem seus sintomas e experiências. Outro desafio é a interpretabilidade dos resultados gerados por IA. Para que essas ferramentas sejam úteis na prática clínica, os profissionais de saúde precisam de informações claras, compreensíveis e confiáveis que possam ser aplicadas na tomada de decisão. Os programas de TRC analisados neste estudo focaram exclusivamente no treinamento físico e não incluíram outros componentes essenciais da RC completa, como suporte psicossocial, orientação nutricional, manejo medicamentoso e cessação do tabagismo. Além disso, o aplicativo móvel utilizado para orientar os exercícios não permitia o monitoramento em tempo real da FC ou da PA durante as sessões. A maioria dos participantes deste estudo era composta por pacientes com DAC de baixo risco, o que limita a generalização dos achados para grupos de maior risco. Apesar dessas limitações, o estudo apresenta pontos fortes relevantes. A análise por PLN e IA foi, no mínimo, tão eficaz quanto as avaliações tradicionais para demonstrar os benefícios da TRC, evidenciando o potencial inovador das ferramentas digitais na atenção cardíaca. O estudo também demonstrou que programas de exercícios autoguiados podem ser tão eficazes quanto os métodos tradicionais para melhorar a capacidade de exercício, a adesão e a QV em pacientes com DAC.

 Conclusão

Este estudo destaca a efetividade da análise baseada em IA na avaliação do impacto do exercício físico em pacientes com DAC de baixo risco. Tanto o GTR quanto o GAM mostraram-se eficazes e viáveis, podendo oferecer benefícios superiores aos métodos tradicionais na melhora da capacidade de exercício, participação e QV. À medida que a IA continua a evoluir, o papel do fisioterapeuta permanece essencial, especialmente na oferta de um cuidado centrado no paciente. Com o apoio de estudos multicêntricos, abordagens baseadas em PLN podem se tornar uma ferramenta valiosa na RC. São necessárias pesquisas adicionais para avaliar a viabilidade clínica e a segurança da RC com suporte de IA, explorar outros métodos baseados em IA, como o exercício com realidade virtual, e analisar o custo-benefício e a integração prática dos programas de TRC no sistema de saúde em geral.

 Agradecimentos

Os autores agradecem profundamente às pessoas que participaram do estudo, bem como a Ahmet Talha Sen e Cagri Golen pelo valioso apoio durante toda a pesquisa.

 Referências 1. Piepoli MF, Hoes AW, Agewall S, Albus C, Brotons C, Catapano AL, et al. 2016 European Guidelines on Cardiovascular Disease Prevention in Clinical Practice: The Sixth Joint Task Force of the European Society of Cardiology and Other Societies on Cardiovascular Disease Prevention in Clinical Practice (Constituted by Representatives of 10 Societies and by Invited Experts)Developed with the Special Contribution of the European Association for Cardiovascular Prevention & Rehabilitation (EACPR). Eur Heart J. 2016;37(29):2315-81. doi: 10.1093/eurheartj/ehw106. Piepoli MF Hoes AW Agewall S Albus C Brotons C Catapano AL et al 2016 European Guidelines on Cardiovascular Disease Prevention in Clinical Practice: The Sixth Joint Task Force of the European Society of Cardiology and Other Societies on Cardiovascular Disease Prevention in Clinical Practice (Constituted by Representatives of 10 Societies and by Invited Experts)Developed with the Special Contribution of the European Association for Cardiovascular Prevention & Rehabilitation (EACPR) Eur Heart J 2016 37 29 2315 2381 10.1093/eurheartj/ehw106 2. Beatty AL, Fukuoka Y, Whooley MA. Using Mobile Technology for Cardiac Rehabilitation: A Review and Framework for Development and Evaluation. J Am Heart Assoc. 2013;2(6):e000568. doi: 10.1161/JAHA.113.000568. Beatty AL Fukuoka Y Whooley MA Using Mobile Technology for Cardiac Rehabilitation: A Review and Framework for Development and Evaluation J Am Heart Assoc 2013 2 6 e000568 10.1161/JAHA.113.000568 3. Imran TF, Wang N, Zombeck S, Balady GJ. Mobile Technology Improves Adherence to Cardiac Rehabilitation: A Propensity Score-Matched Study. J Am Heart Assoc. 2021;10(15):e020482. doi: 10.1161/JAHA.120.020482. Imran TF Wang N Zombeck S Balady GJ Mobile Technology Improves Adherence to Cardiac Rehabilitation: A Propensity Score-Matched Study J Am Heart Assoc 2021 10 15 e020482 doi: 10.1161/JAHA.120.020482 4. Golbus JR, Lopez-Jimenez F, Barac A, Cornwell WK 3rd, Dunn P, Forman DE, et al. Digital Technologies in Cardiac Rehabilitation: A Science Advisory from the American Heart Association. Circulation. 2023;148(1):95-107. doi: 10.1161/CIR.0000000000001150. Golbus JR Lopez-Jimenez F Barac A Cornwell WK 3rd Dunn P Forman DE et al Digital Technologies in Cardiac Rehabilitation: A Science Advisory from the American Heart Association Circulation 2023 148 1 95 107 10.1161/CIR.0000000000001150 5. Fihn SD, Gardin JM, Abrams J, Berra K, Blankenship JC, Dallas AP, et al. 2012 ACCF/AHA/ACP/AATS/PCNA/SCAI/STS Guideline for the Diagnosis and Management of Patients with Stable Ischemic Heart Disease: Executive Summary: A Report of the American College of Cardiology Foundation/American Heart Association task Force on Practice Guidelines, and the American College of Physicians, American Association for Thoracic Surgery, Preventive Cardiovascular Nurses Association, Society for Cardiovascular Angiography and Interventions, and Society of Thoracic Surgeons. Circulation. 2012;126(25):3097-137. doi: 10.1161/CIR.0b013e3182776f83. Fihn SD Gardin JM Abrams J Berra K Blankenship JC Dallas AP et al 2012 ACCF/AHA/ACP/AATS/PCNA/SCAI/STS Guideline for the Diagnosis and Management of Patients with Stable Ischemic Heart Disease: Executive Summary: A Report of the American College of Cardiology Foundation/American Heart Association task Force on Practice Guidelines, and the American College of Physicians, American Association for Thoracic Surgery, Preventive Cardiovascular Nurses Association, Society for Cardiovascular Angiography and Interventions, and Society of Thoracic Surgeons Circulation 2012 126 25 3097 3137 10.1161/CIR.0b013e3182776f83 6. Gleeson PB, Protas EJ. Oxygen Consumption During Calisthenic Exercise in Women with Coronary Artery Disease. Phys Ther. 1989;69(4):260-3. doi: 10.1093/ptj/69.4.260. Gleeson PB Protas EJ Oxygen Consumption During Calisthenic Exercise in Women with Coronary Artery Disease Phys Ther 1989 69 4 260 263 10.1093/ptj/69.4.260 7. Scherrenberg M, Bonneux C, Mahmood DY, Hansen D, Dendale P, Coninx K. A Mobile Application to Perform the Six-Minute Walk Test (6MWT) at Home: A Random Walk in the Park is as Accurate as a Standardized 6MWT. Sensors. 2022;22(11):4277. doi: 10.3390/s22114277. Scherrenberg M Bonneux C Mahmood DY Hansen D Dendale P Coninx K A Mobile Application to Perform the Six-Minute Walk Test (6MWT) at Home: A Random Walk in the Park is as Accurate as a Standardized 6MWT Sensors 2022 22 11 4277 10.3390/s22114277 8. Dafny HA, Champion S, Gebremichael LG, Pearson V, Hendriks JM, Clark RA, et al. Cardiac Rehabilitation, Physical Activity, and the Effectiveness of Activity Monitoring Devices on Cardiovascular Patients: An Umbrella Review of Systematic Reviews. Eur Heart J Qual Care Clin Outcomes. 2023;9(4):323-30. doi: 10.1093/ehjqcco/qcad005. Dafny HA Champion S Gebremichael LG Pearson V Hendriks JM Clark RA et al Cardiac Rehabilitation, Physical Activity, and the Effectiveness of Activity Monitoring Devices on Cardiovascular Patients: An Umbrella Review of Systematic Reviews Eur Heart J Qual Care Clin Outcomes 2023 9 4 323 330 10.1093/ehjqcco/qcad005 9. Micheluzzi V, Navarese EP, Merella P, Talanas G, Viola G, Bandino S, et al. Clinical Application of Virtual Reality in Patients with Cardiovascular Disease: State of the Art. Front Cardiovasc Med. 2024;11:1356361. doi: 10.3389/fcvm.2024.1356361. Micheluzzi V Navarese EP Merella P Talanas G Viola G Bandino S et al Clinical Application of Virtual Reality in Patients with Cardiovascular Disease: State of the Art Front Cardiovasc Med 2024 11 1356361 10.3389/fcvm.2024.1356361 10. Snoek JA, Prescott EI, van der Velde AE, Eijsvogels TMH, Mikkelsen N, Prins LF, et al. Effectiveness of Home-Based Mobile Guided Cardiac Rehabilitation as Alternative Strategy for Nonparticipation in Clinic-Based Cardiac Rehabilitation among Elderly Patients in Europe: A Randomized Clinical Trial. JAMA Cardiol. 2021;6(4):463-8. doi: 10.1001/jamacardio.2020.5218. Snoek JA Prescott EI van der Velde AE Eijsvogels TMH Mikkelsen N Prins LF et al Effectiveness of Home-Based Mobile Guided Cardiac Rehabilitation as Alternative Strategy for Nonparticipation in Clinic-Based Cardiac Rehabilitation among Elderly Patients in Europe: A Randomized Clinical Trial JAMA Cardiol 2021 6 4 463 468 10.1001/jamacardio.2020.5218 11. Chessa M, van de Bruaene A, Farooqi K, Valverde I, Jung C, Votta E, et al. Three-Dimensional Printing, Holograms, Computational Modelling, and Artificial Intelligence for Adult Congenital Heart Disease Care: An Exciting Future. Eur Heart J. 2022;43(28):2672-84. doi: 10.1093/eurheartj/ehac266. Chessa M van de Bruaene A Farooqi K Valverde I Jung C Votta E et al Three-Dimensional Printing, Holograms, Computational Modelling, and Artificial Intelligence for Adult Congenital Heart Disease Care: An Exciting Future Eur Heart J 2022 43 28 2672 2684 10.1093/eurheartj/ehac266 12. Sherman E, Alejo D, Wood-Doughty Z, Sussman M, Schena S, Ong CS, et al. Leveraging Machine Learning to Predict 30-Day Hospital Readmission after Cardiac Surgery. Ann Thorac Surg. 2022;114(6):2173-9. doi: 10.1016/j.athoracsur.2021.11.011. Sherman E Alejo D Wood-Doughty Z Sussman M Schena S Ong CS et al Leveraging Machine Learning to Predict 30-Day Hospital Readmission after Cardiac Surgery Ann Thorac Surg 2022 114 6 2173 2179 10.1016/j.athoracsur.2021.11.011 13. Pepera G, Antoniou V, Su JJ, Lin R, Batalik L. Comprehensive and Personalized Approach is a Critical Area for Developing Remote Cardiac Rehabilitation Programs. World J Clin Cases. 2024;12(12):2009-15. doi: 10.12998/wjcc.v12.i12.2009. Pepera G Antoniou V Su JJ Lin R Batalik L Comprehensive and Personalized Approach is a Critical Area for Developing Remote Cardiac Rehabilitation Programs World J Clin Cases 2024 12 12 2009 2015 10.12998/wjcc.v12.i12.2009 14. Mor-Avi V, Khandheria B, Klempfner R, Cotella JI, Moreno M, Ignatowski D, et al. Real-Time Artificial Intelligence-Based Guidance of Echocardiographic Imaging by Novices: Image Quality and Suitability for Diagnostic Interpretation and Quantitative Analysis. Circ Cardiovasc Imaging. 2023;16(11):e015569. doi: 10.1161/CIRCIMAGING.123.015569. Mor-Avi V Khandheria B Klempfner R Cotella JI Moreno M Ignatowski D et al Real-Time Artificial Intelligence-Based Guidance of Echocardiographic Imaging by Novices: Image Quality and Suitability for Diagnostic Interpretation and Quantitative Analysis Circ Cardiovasc Imaging 2023 16 11 e015569 10.1161/CIRCIMAGING.123.015569 15. Silva CGS, Buginga GC, Silva EAS, Arena R, Rouleau CR, Aggarwal S, et al. Prediction of Mortality in Coronary Artery Disease: Role of Machine Learning and Maximal Exercise Capacity. Mayo Clin Proc. 2022;97(8):1472-82. doi: 10.1016/j.mayocp.2022.01.016. Silva CGS Buginga GC Silva EAS Arena R Rouleau CR Aggarwal S et al Prediction of Mortality in Coronary Artery Disease: Role of Machine Learning and Maximal Exercise Capacity Mayo Clin Proc 2022 97 8 1472 1482 10.1016/j.mayocp.2022.01.016 16. Prabhu G, O'Connor NE, Moran K. Recognition and Repetition Counting for Local Muscular Endurance Exercises in Exercise-Based Rehabilitation: A Comparative Study Using Artificial Intelligence Models. Sensors (Basel). 2020;20(17):4791. doi: 10.3390/s20174791. Prabhu G O'Connor NE Moran K Recognition and Repetition Counting for Local Muscular Endurance Exercises in Exercise-Based Rehabilitation: A Comparative Study Using Artificial Intelligence Models Sensors (Basel) 2020 20 17 4791 10.3390/s20174791 17. Witharana P, Chang L, Maier R, Ogundimu E, Wilkinson C, Athanasiou T, et al. Feasibility Study of Rehabilitation for Cardiac Patients Aided by an Artificial Intelligence Web-Based Programme: A Randomised Controlled Trial (RECAP trial)-A Study Protocol. BMJ Open. 2024;14(4):e079404. doi: 10.1136/bmjopen-2023-079404. Witharana P Chang L Maier R Ogundimu E Wilkinson C Athanasiou T et al Feasibility Study of Rehabilitation for Cardiac Patients Aided by an Artificial Intelligence Web-Based Programme: A Randomised Controlled Trial (RECAP trial)-A Study Protocol BMJ Open 2024 14 4 e079404 10.1136/bmjopen-2023-079404 18. Garg R, Gupta A. A Systematic Review of NLP Applications in Clinical Healthcare: Advancement and Challenges. Springer. 2024;892:31-44. doi: 10.1007/978-981-99-9521-9_3. Garg R Gupta A A Systematic Review of NLP Applications in Clinical Healthcare: Advancement and Challenges Springer 2024 892 31 44 10.1007/978-981-99-9521-9_3 19. Pio CSA, Chaves GS, Davies P, Taylor RS, Grace SL. Interventions to Promote Patient Utilisation of Cardiac Rehabilitation. Cochrane Database Syst Rev. 2019;2(2):CD007131. doi: 10.1002/14651858.CD007131.pub4. Pio CSA Chaves GS Davies P Taylor RS Grace SL Interventions to Promote Patient Utilisation of Cardiac Rehabilitation Cochrane Database Syst Rev 2019 2 2 CD007131 10.1002/14651858.CD007131.pub4 20. Maddison R, Rawstorn JC, Stewart RAH, Benatar J, Whittaker R, Rolleston A, et al. Effects and Costs of Real-Time Cardiac Telerehabilitation: Randomised Controlled Non-Inferiority Trial. Heart. 2019;105(2):122-9. doi: 10.1136/heartjnl-2018-313189. Maddison R Rawstorn JC Stewart RAH Benatar J Whittaker R Rolleston A et al Effects and Costs of Real-Time Cardiac Telerehabilitation: Randomised Controlled Non-Inferiority Trial Heart 2019 105 2 122 129 10.1136/heartjnl-2018-313189 21. Aharon KB, Gershfeld-Litvin A, Amir O, Nabutovsky I, Klempfner R. Improving Cardiac Rehabilitation Patient Adherence via Personalized Interventions. PLoS One. 2022;17(8):e0273815. doi: 10.1371/journal.pone.0273815. Aharon KB Gershfeld-Litvin A Amir O Nabutovsky I Klempfner R Improving Cardiac Rehabilitation Patient Adherence via Personalized Interventions PLoS One 2022 17 8 e0273815 10.1371/journal.pone.0273815 22. Ades PA, Khadanga S, Savage PD, Gaalema DE. Enhancing Participation in Cardiac Rehabilitation: Focus on Underserved Populations. Prog Cardiovasc Dis. 2022;70:102-10. doi: 10.1016/j.pcad.2022.01.003. Ades PA Khadanga S Savage PD Gaalema DE Enhancing Participation in Cardiac Rehabilitation: Focus on Underserved Populations Prog Cardiovasc Dis 2022 70 102 110 10.1016/j.pcad.2022.01.003 23. Thomas RJ, Beatty AL, Beckie TM, Brewer LC, Brown TM, Forman DE, et al. Home-Based Cardiac Rehabilitation: A Scientific Statement from the American Association of Cardiovascular and Pulmonary Rehabilitation, the American Heart Association, and the American College of Cardiology. J Am Coll Cardiol. 2019;74(1):133-53. doi: 10.1016/j.jacc.2019.03.008. Thomas RJ Beatty AL Beckie TM Brewer LC Brown TM Forman DE et al Home-Based Cardiac Rehabilitation: A Scientific Statement from the American Association of Cardiovascular and Pulmonary Rehabilitation, the American Heart Association, and the American College of Cardiology J Am Coll Cardiol 2019 74 1 133 153 doi 10.1016/j.jacc.2019.03.008 24. Zhang D, Geng S, Zhou Y, Xu W, Wei G, Wang K, et al. Artificial Intelligence System for Detection and Screening of Cardiac Abnormalities Using Electrocardiogram Images. arXiv. 2023;1:1-47. doi: 10.48550/arXiv.2302.10301. Zhang D Geng S Zhou Y Xu W Wei G Wang K et al Artificial Intelligence System for Detection and Screening of Cardiac Abnormalities Using Electrocardiogram Images arXiv 2023 1 1 47 10.48550/arXiv.2302.10301 25. Karaçavus S. Artificial Intelligence Applications in Nuclear Cardiology. Nucl Med Semin. 2024;10(1):13-8. doi: 10.4274/nts.galenos.2024.0002. Karaçavus S Artificial Intelligence Applications in Nuclear Cardiology Nucl Med Semin 2024 10 1 13 18 10.4274/nts.galenos.2024.0002 26. Hanson LC, McBurney H, Taylor NF. Is the 10 m Incremental Shuttle Walk Test a Useful Test of Exercise Capacity for Patients Referred to Cardiac Rehabilitation? Eur J Cardiovasc Nurs. 2018;17(2):159-69. doi: 10.1177/1474515117721129. Hanson LC McBurney H Taylor NF Is the 10 m Incremental Shuttle Walk Test a Useful Test of Exercise Capacity for Patients Referred to Cardiac Rehabilitation? Eur J Cardiovasc Nurs 2018 17 2 159 169 10.1177/1474515117721129 27. Huber A, Oldridge N, Höfer S. International SF-36 Reference Values in Patients with Ischemic Heart Disease. Qual Life Res. 2016;25(11):2787-98. doi: 10.1007/s11136-016-1316-4. Huber A Oldridge N Höfer S International SF-36 Reference Values in Patients with Ischemic Heart Disease Qual Life Res 2016 25 11 2787 2798 10.1007/s11136-016-1316-4 28. World Health Organization. WHO Guidelines on Physical Activity and Sedentary Behaviour. Geneva: World Health Organization; 2020. World Health Organization WHO Guidelines on Physical Activity and Sedentary Behaviour Geneva World Health Organization 2020 29. Virani SS, Newby LK, Arnold SV, Bittner V, Brewer LC, Demeter SH, et al. 2023 AHA/ACC/ACCP/ASPC/NLA/PCNA Guideline for the Management of Patients with Chronic Coronary Disease: A Report of the American Heart Association/American College of Cardiology Joint Committee on Clinical Practice Guidelines. J Am Coll Cardiol. 2023;82(9):833-955. doi: 10.1016/j.jacc.2023.04.003. Virani SS Newby LK Arnold SV Bittner V Brewer LC Demeter SH et al 2023 AHA/ACC/ACCP/ASPC/NLA/PCNA Guideline for the Management of Patients with Chronic Coronary Disease: A Report of the American Heart Association/American College of Cardiology Joint Committee on Clinical Practice Guidelines J Am Coll Cardiol 2023 82 9 833 955 10.1016/j.jacc.2023.04.003 30. Devlin J, Chang MW, Lee K, Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. ArXiv. 2019;2(1):1-16. doi: 10.48550/arXiv.1810.04805. Devlin J Chang MW Lee K Toutanova K BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding ArXiv 2019 2 1 1 16 10.48550/arXiv.1810.04805 31. Çelikten A, Bulut H. Turkish Medical Text Classification Using BERT. Proceedings of the 29th Signal Processing and Communications Applications Conference (SIU); 2021 Jul. Istanbul: IEEE; 2021. Çelikten A Bulut H Turkish Medical Text Classification Using BERT Proceedings of the 29th Signal Processing and Communications Applications Conference (SIU) 2021 Jul Istanbul IEEE 2021 32. Houchen-Wolloff L, Boyce S, Singh S. The Minimum Clinically Important Improvement in the Incremental Shuttle Walk Test Following Cardiac Rehabilitation. Eur J Prev Cardiol. 2015;22(8):972-8. doi: 10.1177/2047487314540840. Houchen-Wolloff L Boyce S Singh S The Minimum Clinically Important Improvement in the Incremental Shuttle Walk Test Following Cardiac Rehabilitation Eur J Prev Cardiol 2015 22 8 972 978 10.1177/2047487314540840 33. Sotirakos S, Fouda B, Razif NAM, Cribben N, Mulhall C, O'Byrne A, et al. Harnessing Artificial Intelligence in Cardiac Rehabilitation, a Systematic Review. Future Cardiol. 2022;18(2):154-64. doi: 10.2217/fca-2021-0010. Sotirakos S Fouda B Razif NAM Cribben N Mulhall C O'Byrne A et al Harnessing Artificial Intelligence in Cardiac Rehabilitation, a Systematic Review Future Cardiol 2022 18 2 154 164 10.2217/fca-2021-0010 34. Su J, Zhang Y, Ke QQ, Su JK, Yang QH. Mobilizing Artificial Intelligence to Cardiac Telerehabilitation. Rev Cardiovasc Med. 2022;23(2):45. doi: 10.31083/j.rcm2302045. Su J Zhang Y Ke QQ Su JK Yang QH Mobilizing Artificial Intelligence to Cardiac Telerehabilitation Rev Cardiovasc Med 2022 23 2 45 10.31083/j.rcm2302045 35. Coorey GM, Neubeck L, Mulley J, Redfern J. Effectiveness, Acceptability and Usefulness of Mobile Applications for Cardiovascular Disease Self-Management: Systematic Review with Meta-Synthesis of Quantitative and Qualitative Data. Eur J Prev Cardiol. 2018;25(5):505-21. doi: 10.1177/2047487317750913. Coorey GM Neubeck L Mulley J Redfern J Effectiveness, Acceptability and Usefulness of Mobile Applications for Cardiovascular Disease Self-Management: Systematic Review with Meta-Synthesis of Quantitative and Qualitative Data Eur J Prev Cardiol 2018 25 5 505 521 10.1177/2047487317750913 36. Brouwers RWM, van Exel HJ, van Hal JMC, Jorstad HT, Kluiver EP, Kraaijenhagen RA, et al. Cardiac Telerehabilitation as an Alternative to Centre-Based Cardiac Rehabilitation. Neth Heart J. 2020;28(9):443-51. doi: 10.1007/s12471-020-01432-y. Brouwers RWM van Exel HJ van Hal JMC Jorstad HT Kluiver EP Kraaijenhagen RA et al Cardiac Telerehabilitation as an Alternative to Centre-Based Cardiac Rehabilitation Neth Heart J 2020 28 9 443 451 10.1007/s12471-020-01432-y 37. Seo DY, Kwak HB, Kim AH, Park SH, Heo JW, Kim HK, et al. Cardiac Adaptation to Exercise Training in Health and Disease. Pflugers Arch. 2020;472(2):155-68. doi: 10.1007/s00424-019-02266-3. Seo DY Kwak HB Kim AH Park SH Heo JW Kim HK et al Cardiac Adaptation to Exercise Training in Health and Disease Pflugers Arch 2020 472 2 155 168 10.1007/s00424-019-02266-3 38. Zhong W, Liu R, Cheng H, Xu L, Wang L, He C, et al. Longer-Term Effects of Cardiac Telerehabilitation on Patients with Coronary Artery Disease: Systematic Review and Meta-Analysis. JMIR Mhealth Uhealth. 2023;11:e46359. doi: 10.2196/46359. Zhong W Liu R Cheng H Xu L Wang L He C et al Longer-Term Effects of Cardiac Telerehabilitation on Patients with Coronary Artery Disease: Systematic Review and Meta-Analysis JMIR Mhealth Uhealth 2023 11 e46359 10.2196/46359 39. Yang Z, Jia X, Li J, Mei Z, Yang L, Yan C, et al. Efficacy and Safety of Hybrid Comprehensive Telerehabilitation (HCTR) for Cardiac Rehabilitation in Patients with Cardiovascular Disease: A Systematic Review and Meta-Analysis of Randomized Controlled Trials. Occup Ther Int. 2023;2023:5147805. doi: 10.1155/2023/5147805. Yang Z Jia X Li J Mei Z Yang L Yan C et al Efficacy and Safety of Hybrid Comprehensive Telerehabilitation (HCTR) for Cardiac Rehabilitation in Patients with Cardiovascular Disease: A Systematic Review and Meta-Analysis of Randomized Controlled Trials Occup Ther Int 2023 2023 5147805 10.1155/2023/5147805 40. Gong XY, Cheng J, Wu YT, He F, Wang SH, Liu CY, et al. Effectiveness of Home-Based Cardiac Telerehabilitation Based on Wearable ECG or Heart Rate Monitoring Devices in Patients with Heart Disease: A Meta-Analysis of Randomized Controlled Trials. Geriatr Nurs. 2024;58:238-46. doi: 10.1016/j.gerinurse.2024.05.036. Gong XY Cheng J Wu YT He F Wang SH Liu CY et al Effectiveness of Home-Based Cardiac Telerehabilitation Based on Wearable ECG or Heart Rate Monitoring Devices in Patients with Heart Disease: A Meta-Analysis of Randomized Controlled Trials Geriatr Nurs 2024 58 238 246 10.1016/j.gerinurse.2024.05.036 41. Busnatu ?S, Pana MA, Lacraru AE, Jercalau CE, Paun N, Caprino M, et al. Patient Perception When Transitioning from Classic to Remote Assisted Cardiac Rehabilitation. Diagnostics. 2022;12(4):926. doi: 10.3390/diagnostics12040926. Busnatu S Pana MA Lacraru AE Jercalau CE Paun N Caprino M et al Patient Perception When Transitioning from Classic to Remote Assisted Cardiac Rehabilitation Diagnostics 2022 12 4 926 10.3390/diagnostics12040926

Este artigo é parte de tese de doutorado de Dilara Saklica pelo Hacettepe University Faculty of Physical Therapy and Rehabilitation.

Este estudo foi aprovado pelo Comitê de Ética do Hacettepe University Clinical sob o número de protocolo KA-20105. Todos os procedimentos envolvidos nesse estudo estão de acordo com a Declaração de Helsinki de 1975, atualizada em 2013. O consentimento informado foi obtido de todos os participantes incluídos no estudo. O ensaio foi registrado no ClinicalTrials.gov (código de registro: NCT05264701).

Os autores não utilizaram ferramentas de inteligência artificial no desenvolvimento deste trabalho.

Os dados não podem ser disponibilizados publicamente para evitar qualquer risco de reidentificação de informações pessoais e de acordo com as condições da aprovação ética, os dados em nível individual dos pacientes não estão disponíveis para uso fora deste estudo.

Para informação adicional, por favor, clique aqui.

O presente estudo não teve fontes de financiamento externas.

 10.36660/abc.20240765i Original Article The Impact of Technology-Based Cardiac Rehabilitation on Exercise Capacity and Adherence in Patients with Coronary Artery Disease: An Artificial Intelligence Analysis 0000-0001-9192-6033 Saklica Dilara Conception and design of the research Acquisition of data Analysis and interpretation of the data Statistical analysis Writing of the manuscript 1 0000-0003-0218-140X Vardar-Yagli Naciye Conception and design of the research Acquisition of data Analysis and interpretation of the data Statistical analysis Writing of the manuscript Critical revision of the manuscript for content 1 Saglam Melda Conception and design of the research Analysis and interpretation of the data Critical revision of the manuscript for content 1 Yuce Deniz Conception and design of the research Statistical analysis Critical revision of the manuscript for content 2 Ates Ahmet Hakan Conception and design of the research Acquisition of data Critical revision of the manuscript for content 3 0000-0001-7673-229X Yorgun Hikmet Conception and design of the research Acquisition of data Critical revision of the manuscript for content 3 Türkiye Faculty of Physical Therapy and Rehabilitation, Department of Cardiorespiratory Physiotherapy and Rehabilitation, Hacettepe University, Ankara – Türkiye Türkiye Faculty of Medicine, Department of Preventive Oncology, Hacettepe University, Ankara – Türkiye Türkiye Faculty of Medicine, Department of Cardiology, Hacettepe University, Ankara – Türkiye Naciye Vardar-Yagli • Hacettepe University, Faculty of Physical Therapy and Rehabilitation 06100 Samanpazarı/Ankara – Türkiye E-mail: naciyevardar@yahoo.com

No potential conflict of interest relevant to this article was reported.

Ricardo Stein

 Abstract Background

Exercise training programs improve exercise capacity and quality of life (QoL) in patients with coronary artery disease (CAD). Although artificial intelligence (AI) has been used to design such programs, there are still few studies evaluating their effectiveness.

 Objectives

This study compared the effects of technology-based and traditional programs for cardiac rehabilitation (CR) on exercise capacity and participation in patients with CAD using AI for data analysis.

 Methods

A total of 52 patients with CAD were randomly assigned to three groups: i) telerehabilitation group (TRG) (n=18); ii) mobile application group (MAG) (n=13); and iii) control group (CG), which received only physical activity recommendations (n=21). TRG and MAG participants completed a 12-week program with calisthenic and resistance exercises three times a week. Exercise capacity was assessed using the Incremental Shuttle Walk Test (ISWT), and QoL was measured with the Short Form-36 (SF-36). Patient feedback was analyzed using a fine-tuned BERT-based natural language processing (NLP) model. Anomaly detection methods were applied to find mismatches between self-reported adherence and ISWT results. Statistical significance was set at p<0.05.

 Results

Both TRG [44.4% female] (Δ=87.2±15.2 m) and MAG [50% female] (Δ=89.4±70.4 m) had significant ISWT improvements compared to CG [47.6% female] (Δ=10.9±28.2 m) (p=0.001). Adherence was higher in TRG (100%) and MAG (80%) than in CG (30%) (p<0.001). Patient-reported satisfaction, analyzed via NLP, showed a significant positive correlation with ISWT improvements (r=0.75, p<0.001). Findings show the potential of AI to support outcome assessment in CR.

 Conclusions

Technology-based CR programs improve exercise capacity and adherence in patients with CAD, supporting the use of AI-driven tools. NLP analysis helped link patient feedback to exercise outcomes and detect inconsistencies, showing its value in enhancing CR evaluation.

The Impact of Technology-Based Cardiac Rehabilitation on Exercise Capacity and Adherence in Patients with Coronary Artery Disease: An Artificial Intelligence Analysis

Artificial Intelligence Cardiac Rehabilitation Coronary Artery Disease Exercise Introduction

Programs for cardiac telerehabilitation (CTR) have been shown to be of comparable benefit and validity to traditional, in-person rehabilitation for patients.1 Beatty et al. confirmed that mobile technology is both reliable and acceptable for use in cardiac rehabilitation (CR) for patients with ischemic heart disease.2 Using technology in CR helps improve access and participation. Research shows that exercise-based programs for CR can increase exercise capacity, strengthen peripheral muscles, and improve quality of life (QoL) in patients with coronary artery disease (CAD).3,4 Clinical guidelines also support the safe use of both aerobic and resistance training in this population.1,5 Calisthenics is another common exercise method used in programs for CR.6

In recent years, CR has increasingly adopted technologies such as electrocardiography (ECG) devices for remote monitoring, heart rate (HR) and blood pressure (BP) sensors, functional capacity testing algorithms, and activity trackers.7,8 CTR, virtual reality, and phone-based CR interventions — which enable patient care without direct supervision — are also receiving growing attention in literature.9,10

Artificial intelligence (AI) has made rapid progress in health care, especially in areas like interpreting radiological images, predicting outcomes, and detecting cardiac events early.11-15 Machine learning has also shown potential in helping design and evaluate the safety of exercise programs for CR.16 In addition, technical challenges such as algorithm transparency, data security, and ethical concerns about patient privacy continue to limit the broader use of AI in CTR.17 More research and better AI model development are needed to improve clinical use and ensure safe, patient-centered outcomes. While many studies focus on using patient data to personalize exercise programs for individuals with CAD, few have explored how AI can analyze patients’ own descriptions of how the programs benefit them.

Natural language processing (NLP) offers a promising way to extract meaningful insights from unstructured text found in electronic health records.18 To date, no studies have leveraged AI to interpret the subjective experiences of patients with CAD regarding the advantages of exercise-based programs for CR.

Participation in programs for CR remains low worldwide. One of the biggest challenges is patient nonadherence and dropout.19 The COVID-19 pandemic has exacerbated this problem, prompting health care providers to seek innovative solutions to increase participation, accessibility, efficiency, and cost-effectiveness of programs for CR.20 In the United States, only 20% to 30% of eligible patients participate in programs for CR. Among those who do start enroll, dropout rates range from 24% to 50%, which means many patients do not receive the full benefits of CR.21 To improve participation and adherence, health care providers have tested several strategies. Successful interventions include automated referral systems and the use of CR liaisons to help patients transition from hospital to outpatient care. These methods have been shown to significantly boost enrollment and program completion rates.22

However, the COVID-19 pandemic has made it even harder for patients to participate in CR, leading to the search for new ways to improve accessibility, efficiency, and cost-effectiveness of such programs. One promising solution is the use of home-based and hybrid CR models, which combine traditional center-based rehab with remote, at-home components. Such models have been shown to be just as safe and effective as traditional CR, while giving patients more flexibility.23

Recent studies have shown that AI can be successfully integrated into cardiology, especially in areas such as ECG analysis and nuclear cardiology imaging.24,25 However, to the best of our knowledge, this is the first study to apply NLP-based methods in the context of CR, making it a novel contribution to the growing intersection of AI and cardiovascular care.

This study aimed to compare the effects of technology-based and traditional programs for CR on exercise capacity and participation in patients with CAD using AI for data analysis.

 Methods

This prospective, randomized controlled trial was conducted between April 2022 and May 2024 at the Department of Cardiorespiratory Physiotherapy and Rehabilitation, Faculty of Physiotherapy and Rehabilitation, Hacettepe University.

Patients with a diagnosis of CAD who visited the cardiology outpatient clinic were screened for eligibility. Those diagnosed with CAD by coronary angioplasty, with negative troponin levels, stable clinical status, and a symptom-limited treadmill test (modified Bruce protocol) showing no cardiac symptoms or ECG abnormalities, were referred to a physical therapist for CR and enrolled in an exercise program.

Inclusion criteria were i) clinically stable status; ii) age between 40 and 70 years; iii) access to online exercise training; and iv) ownership of an iOS- or Android-compatible smartphone.

Exclusion criteria were i) diagnosis of chronic heart failure (New York Heart Association [NYHA] class III or IV); ii) ≥50% stenosis of any major coronary artery; iii) any coronary event or surgical revascularization in the past 12 months; iv) left ventricular ejection fraction (LVEF) <40%; v) end-stage renal disease; vi) acute myocarditis or pericarditis; vii) uncontrolled hypertension; viii) chronic lung disease; ix) orthopedic or neurological conditions that would prevent participation in exercise or testing; x) sustained ventricular tachycardia; xi) uncontrollable atrial fibrillation; or xii) high-grade atrioventricular block.

Participants were evaluated at the beginning and at the end of the 12-week exercise program. All assessments followed the same order and were conducted according to the standards set by the lead physical therapist. Demographic, clinical, and exercise-related data were collected.

After the baseline evaluations, patients who met the inclusion criteria and agreed to participate were randomly assigned to one of three groups using the online tool available from https://www.graphpad.com/quickcalcs/randomize1.cfm. The telerehabilitation group (TRG) performed calisthenic and resistance exercises under the remote supervision of a physical therapist through video conferencing. The mobile application group (MAG) followed the same exercises individually guided by videos in a mobile app. The control group (CG) followed a standard home-based exercise program without supervision.

The Incremental Shuttle Walk Test (ISWT) was used to measure exercise capacity due to its proven validity and reliability in patients with CAD.26 It consists of 12 levels, during which participants gradually increase their walking speed every minute. An auditory signal guides them to walk back and forth between two cones placed ten meters apart, and the total distance covered is recorded.

The total number of exercise sessions completed by participants in the TRG was recorded. For the MAG, session attendance was tracked through notifications automatically sent to the physical therapists after each exercise session. Participants in the CG were asked to keep an exercise diary to record the days they engaged in physical activity.

To assess QoL, the Short Form-36 (SF-36) was administered through an interview. The SF-36 is a self-report questionnaire consisting of 36 items designed to evaluate an individual’s overall health status. It covers eight domains: physical functioning (PF), role-physical (RP), bodily pain (BP), general health (GH), vitality, social functioning (SF), role-emotional (RE), and mental health (MH).27

Exercise training protocol

Participants in the TRG followed an online exercise program under the supervision of a physical therapist. Those in the MAG group exercised independently using videos provided through a mobile app installed on their devices by the physical therapist. Each session included a warm-up and cool-down period.

During the first 4 weeks, participants performed calisthenic and postural exercises. Between weeks 4 and 8, upper and lower body resistance training was added to the calisthenic routine. Resistance exercises were done using elastic bands selected based on each individual’s muscle strength. Exercise intensity was adjusted by changing the number of repetitions and sets, with at least 1 min of rest allowed between sets.

From weeks 9 to 12, the difficulty of the exercises increased progressively according to each participant’s fitness level. All participants in TRG and MAG completed the exercises three times per week for 12 weeks (Figure 1, Supplementary File S1). Participants in CG were advised to follow the World Health Organization Physical Activity Guidelines, which recommend 150-300 minutes of moderate-intensity or 75-150 minutes of vigorous-intensity physical activity per week.28

– Flow diagram of patient inclusion in the study. AI: artificial intelligence; CG: control group; CTR: cardiac telerehabilitation; ISWT: Incremental Shuttle Walk Test; MAG: mobile application group; NLP: natural language processing; PT: physical therapist; SF-36: Short-Form-36; TRG: telerehabilitation group.

Participants in the TRG were monitored for fatigue, leg fatigue, and shortness of breath using the modified Borg scale (mBS), along with self-measured BP before and after each exercise session. Exercise intensity was adjusted to maintain a perceived exertion level between 4 and 6 on the mBS. HR was continuously monitored using a smartwatch (Mi Smart Band 4, Anhui Huami Information Technology Co., Ltd.), ensuring participants reached 60%-75% of their maximum HR (HRmax) and maintained an mBS score of 4 to 6 during exercise.29 All devices were calibrated before being given to participants.

Participants in MAG self-reported fatigue, leg fatigue, and shortness of breath using the mBS before and after each session, following video instructions on their phones. They also measured and recorded their HR and BP using a provided smartwatch and BP monitor. The mobile app included a secure login system to protect patient privacy.

 Artificial intelligence

The effectiveness of the prescribed exercises was evaluated through regular patient feedback about their exercise experience. Open-ended questions in a questionnaire were used to collect subjective responses, which were then analyzed using AI and machine learning techniques to extract quantitative insights.

To identify potential outliers, anomaly detection methods were applied in cases where patients reported consistent participation but showed limited improvement in ISWT performance — for example, an increase of less than 70 meters, even though 95% of compliant participants improved by at least that amount.

A pre-trained transformer model — NLPtown/BERT-base-multilingual-uncased-sentiment — was used to assess the emotional tone of each patient’s feedback (BERT = Bidirectional Encoder Representations from Transformers).30 Responses to the open-ended questions were processed using AI and NLP techniques.

NLP analysis was performed using the BERT model to evaluate open-ended feedback from patients.31 It was fine-tuned with a domain-specific sentiment dataset focused on patient feedback. This dataset included subjective evaluations of exercise difficulty, perceived benefits, adherence challenges, and overall satisfaction with the CR program. It was built using anonymized patient reviews and structured feedback from previous clinical studies, ensuring a diverse set of sentiment expressions.

The model’s performance was validated using k-fold cross-validation, achieving an average F1-score of 0.89, indicating strong reliability in sentiment classification. NLP analysis focused on two main aspects: overall satisfaction with the program and reports of exercise difficulty or ease.

For each patient’s response, the sentiment analysis pipeline assigned a sentiment label and a corresponding score from 1 to 5 (1 = highly negative, 5 = highly positive) representing the intensity of the emotional tone.

Every step was taken to protect data from third party access. Compliance was monitored regularly.

 Statistical analysis

Statistical analysis was performed using IBM SPSS software (Version 20.0, IBM Inc.). A pilot study showed that at least 11 participants per group were needed to achieve 95% power, with a 5% chance of type I error and an effect size of 1.76 for the primary outcome (ISWT distance).

The Shapiro-Wilk test was used to assess whether data followed a normal distribution. Continuous variables with normal distribution were reported as mean ± standard deviation (SD), while those without normal distribution were presented as median and interquartile range. Categorical variables were reported as absolute (counts) and relative frequencies (percentages).

For comparisons within each group, the paired samples t-test was used for normally distributed data, and the Wilcoxon signed-rank test was used for nonnormal data. To compare data between groups, one-way analysis of variance (ANOVA) was used for normally distributed variables, with Tukey’s honestly significant difference (HSD) test for post hoc pairwise comparisons. For nonnormal data, the Kruskal-Wallis test was used, followed by the Dunn’s test for pairwise comparisons. Categorical variables were analyzed using the chi-square test, or Fisher’s exact test when expected counts were below 5.

The Pearson’s correlation coefficient was used to assess the relationship between patients’ natural language feedback on the benefits of exercise training and their changes in ISWT performance. An intention-to-treat analysis was applied to include pre-exercise data from participants who did not complete the program. A p-value of 0.05 or less was considered statistically significant.

 Results

Out of 147 patients with CAD screened at the cardiology outpatient clinic of the Faculty of Medicine, Hacettepe University, 55 met the inclusion criteria and agreed to participate in the study. Three participants from the MAG group withdrew, and the study was completed with a total of 52 participants. Figure 2 presents the study flow diagram.

– CONSORT flow diagram of patient inclusion in the study. CG: control group; CONSORT: Consolidated Standards of Reporting Trials; MAG: mobile application group; TRG: telerehabilitation group.

Table 1 shows demographic and clinical characteristics of patients. There were no statistically significant differences between groups in age, body weight, height, body mass index (BMI), waist-hip ratio, cardiovascular risk factors, or metabolic equivalent of task (MET) values from the stress test.

– Demographic characteristics of patients included in the study
Variables TRG (n=18) MAG (n=16) CG (n=21) p-value
Age (years) 60.1±7.2 56.9±5.8 61.6±1.5 0.12
Female/male 8 (44.4%)/10 (55.6%) 8 (50%)/8 (50%) 10 (47.6%)/11 (52.4%) 0.95
Weight (kg) 76.9±3.1 80.9±10.3 79.7±2.7 0.61
BMI (kg/m2) 26.2±0.6 27.3±1.9 28.5±1.1 0.12
Waist-hip ratio 0.9±0.1 0.9±0.1 0.9±0.1 0.54
Number of steps per day 3578.5 (2622.5-4345.5) 3981.5 (3418-4744.25) 3177 (3962-2585) 0.15
Exercise stress test (METs) 11.05 (10.3-13.2) 10.9 (10.1-12.8) 10.5 (9.5-11.4) 0.35
Cardiovascular risk factors
Smoking
Nonsmoker 8 (44.4%) 7 (43.75%) 10 (47.6%) 0.91
Smoker 4 (22.2%) 3 (18.75%) 6 (28.6%)
Quit smoking 6 (33.3%) 6 (37.5%) 5 (23.8%)
Smoking (pack-years) 14.8±15.9 13.4±13.6 16.1±17.4 0.93
Hypertension 10 (55.6%) 8 (50.0%) 9 (42.9%) 0.73
Diabetes mellitus 4 (22.2%) 4 (25.0%) 5 (23.8%) 0.98
Dyslipidemia 14 (77.8%) 13 (81.25%) 18 (85.7%) 0.81
Physical inactivity 17 (94.4%) 13 (81.25%) 20 (95.2%) 0.28

*p<0.05, chi-square test, Fisher’s exact test, analysis of variance (ANOVA), or Kruskal–Wallis test. Data are presented as mean±SD, median (IQR [Q1-Q3]), or n (%). CG: control group; IQR: interquartile range; MAG: mobile application group; METs: metabolic equivalent of task; TRG: telerehabilitation group.

No statistically significant differences were found between groups in ISWT distance, HR, systolic and diastolic BP, dyspnea, or general fatigue levels (measured by the modified Borg scale) before the start of exercise training (Table 2). Both TRG and MAG showed similar improvements in several SF-36 QoL subscales (ie, PF, BP, GH, SF, vitality, RE, and MH) compared to the control group. Both groups also showed better results in the percentage of expected ISWT distance than the control group.

– Three-month cardiac rehabilitation: between-group comparison of outcomes
Exercise capacity parameters TRG (n=18) MAG (n=13) CG (n=21)
Pre-exercise training Post-exercise training Δ Pre-exercise training Post-exercise training Δ Pre-exercise training Post-exercise training Δ
HR (bpm)
Pre-test 79.2±10.5 76.8±10.9 a * -2.4±3.1 74.8±11.7 72.6±7.9 -2.2±5.9 85.1±13.9 84.6±11.9 -0.5±4.3
Post-test 135.6±6.6 132.1±6.3 a * -3.5±5.3 136.9±5.5 137.9±4.5 0.9±3.4 133.3±5.9 134.4±4.5 1.1±4.3
%HRmax 84.8±1.6 82.6±2.9 a * -2.2±3.3 b,d * 84±1.6 84.2±13 0.2±1.2 84.2±2.1 84.9±2.6 0.7±2.7
DBP (mmHg)
Pre-test 73.3±7.7 70.6±6.4 -2.8±6.7 70.6±7.7 70±5.2 -0.6±5.7 70±7.7 70±6.3 0±5.5
Post-test 82.2±7.3 80±6.9 -2.2±7.3 80±8.2 79.2±5.7 -0.8±6.8 76.2±8.1 78.6±7.3 2.4±5.4
SBP (mmHg)
Pre-test 118.3±8.6 118.9±8.3 0.6±4.2 118.1±9.8 118.5±8.1 0.3±5.8 118.6±7.3 121.9±8.1 3.3±8
Post-test 148.3±9.9 148.3±2.4 0±12.4 145±6.3 146.2±12.4 1.2±12.8 146.2±9.2 149.5±8.6 3.3±11.1
General fatigue (mBorg)
Pre-test 0.5 (0-1) 0.5 (0-0.8) 0 (-0.5, 0) 0.5 (0-1) 0.5 (0.5-1) 0 (-0.5, 0.5) 1 (0-1) 0.5 (0-1) 0 (-1, 0)
Post-test 4 (3-5.75) 4.5 (3-5) 0 (-0.75, 1.75) 4 (3-5) 5 (4-5) 1 (-1, 2) 5 (3-5) 3 (3-4) 1 (-2, 0)
Dyspnea (mBorg)
Pre-test 0 (0-0) 0 (0-0) 0 (0, 0) 0 (0-0) 0 (0-0) 0 (0, 0) 0 (0-0) 0 (0-0) 0 (0, 0)
Post-test 0 (0-1) 1 (0-2) 0 (0, 2) 0 (0-0) 0 (0-1) 0 (0, 1) 0 (0-0.5) 0 (0-0.5) 0 (0, 0.5)
ISWT distance (m) 508.9±105.5 596.1±109.3 a * 87.2±15.3 b * 537.5±119.1 626.9±92.1 a * 89.4±70.4 c * 500.5±98.4 511.4±102 11±28.3
ISWT distance (%) 70.8±9.3 83.3±10.4 a * 12.5±3.4 b,d * 72.6±8.4 83.1±9 a * 10.5±3.6 c * 73.2±8.7 74.6±7.5 1.5±4.1

*p<0.05, analysis of variance (ANOVA) or Kruskal-Wallis test. Data are presented as mean±SD or median (IQR [Q1-Q3]). CG: control group; DBP: diastolic blood pressure; HR: heart rate; ISWT: Incremental Shuttle Walk Test; IQR: interquartile range; MAG: mobile application group; mBorg: modified Borg scale; SBP: systolic blood pressure; SPO2: oxygen saturation; %HRmax: percentage of maximum HR; TRG: telerehabilitation group. a: Significant difference pre- vs post-exercise within the same group. b: Significant difference between TRG and CG. c: Significant difference between MAG and CG. d: Significant difference between TRG and MAG.

These findings suggest the TRG and MAG interventions provided similar benefits in improving QoL and functional capacity. In addition, TRG showed a significantly greater percentage increase in expected ISWT distance compared to the MAG group (Table 2).

General fatigue and dyspnea scores, measured by the modified Borg scale, showed no significant differences between or within groups before and after the exercise program. Likewise, systolic and diastolic BP remained unchanged across and within groups (Table 2). Such results suggest these physiological measures stayed stable throughout the intervention in all groups.

Changes in HR (ΔHR) before and after exercise, as well as the percentage of HRmax (%HRmax), were significantly lower in the TRG after the exercise program and also compared to the MAG and CG (Table 2). The CG showed no significant changes in exercise capacity measures (Table 2).

The TRG completed 100% of the planned sessions, the MAG completed 80%, and the CG completed 30%. Both the TRG and MAG had significantly higher attendance rates compared to the CG.

Baseline SF-36 subscale scores were similar across all groups (Table 3). After the exercise program, both the TRG and MAG showed significant improvements in the SF-36 subscales for PF, BP, GH, vitality, SF, RE, and MH compared to their baseline scores (Table 3). The CG showed no significant changes in any SF-36 subscale after the intervention (Table 3).

– Comparison of SF-36 QoL subscales between groups before and after exercise training
SF-36 subscales TRG (n=18) MAG (n=13) CG (n=21)
Pre-exercise training Post-exercise training Δ Pre-exercise training Post-exercise training Δ Pre-exercise training Post-exercise training Δ
Physical functioning 85 (75-88.8) 90 (86.3-95) a * 5 (0, 15) b * 80 (65-90) 95 (85-95) a * 5 (0, 10) c * 90 (75-90) 80 (75-90) 0 (-5, 5)
Role-physical 100 (75-100) 100 (100-100) 0 (0, 0) 100 (50-100) 100 (50-100) 0 (0, 0) 100 (75-100) 100 (75-100) 0 (0, 0)
Role-emotional 67 (33-100) 100 (72.3-100) a * 0 (0, 67) b * 67 (33-67) 100 (67-100) a * 33 (0, 34) c * 67 (33-100) 67 (33-100) 0 (0, 0)
Vitality 67.5 (61.3-75) 75 (70-78.8) a * 5 (0, 13.8) b * 65 (50-75) 75 (75-90) a * 10 (10, 35) c * 65 (50-75) 55 (35-75) 0 (0, 0)
Mental health 76 (62-79) 87 (76-96) a * 10 (0, 20) b * 68 (44-80) 80 (76-92) a * 8 (0, 32) c * 64 (44-76) 60 (40-68) 0 (0, 0)
Social functioning 75 (66-88) 88 (75-100) a * 0 (0, 12.8) b * 75 (63-100) 88 (75-100) a * 0 (0, 12) c * 88 (75-100) 75 (75-88) 0 (0, 0)
Bodily pain 75 (49.8-90) 85 (68-97.5) a * 10 (0, 12.3) b * 70 (55-80) 80 (68-90) a * 10 (3, 13) c * 80 (68-100) 80 (68-100) 0 (0, 0)
General health 60 (46.3-70) 75 (56.3-78.8) a * 10 (0, 18) b * 60 (45-75) 75 (75-85) a * 10 (5, 15) c * 60 (45-70) 50 (45-75) 0 (0, 5)

*p<0.05, Kruskal-Wallis test. Data are presented as median (IQR [Q1-Q3]). CG: control group; IQR: interquartile range; MAG: mobile application group; SF-36: Short Form-36; TRG: telerehabilitation group. a: Significant difference pre- vs post-exercise within the same group. b: Significant difference between TRG and CG. c: Significant difference between MAG and CG. d: Significant difference between TRG and MAG.

When comparing the changes between groups, both the TRG and MAG had significantly greater improvements than the CG in PF, BP, GH, Vitality, SF, RE, and MH (Table 3). There were no statistically significant differences between the TRG and MAG in any of the SF-36 subscales (Table 3, Central Illustration).

Natural language processing plus artificial intelligence

A total of 52 patients with CAD shared subjective feedback about the benefits of exercise program. Sentiment scores were distributed in the following way: 55% scored 5, 2% scored 4, 12% scored 3, 12% scored 2, and 19% scored 1.

According to the ISWT, a minimum improvement of 70.0 meters (95% CI: 51.5-88.5 m) was considered a positive outcome.32 In this study, 59.62% of participants exceeded this threshold, with 51.5 meters used as the reference value. Among those who surpassed the threshold, 75% reported high satisfaction (a score of 5), while only 25% of those below the threshold reported high satisfaction.

There was a strong positive correlation between patient-reported satisfaction and improvement in ISWT performance (r=0.75, p<0.001). A moderate positive correlation was also found between the number of exercise sessions completed and satisfaction scores (r=0.410).

To further explore patient satisfaction and improvement using NLP analysis, sentiment trends were examined across subgroups based on exercise adherence and ISWT performance. A closer look at outlier cases showed that some patients who reported high satisfaction despite limited ISWT gains often highlighted psychological benefits (eg, as increased motivation, reduced anxiety, and a greater sense of well-being) rather than physical improvements.

The model found a significant relationship between patient-reported satisfaction and objectively measured exercise outcomes with a 95% CI. Anomaly detection techniques, including clustering- and distance-based methods, were used to identify mismatches between subjective satisfaction and actual performance. The model flagged anomalies in 10% of patients who reported high satisfaction despite showing minimal improvement in ISWT results.

Figure 3 shows the emotion map created through anomaly detection and the distribution of patient satisfaction scores in relation to the reference value.

– Scatter plot showing the relationship between NLP analysis results and changes in ISWT distance. ΔISWT: change in Incremental Shuttle Walk Test distance. Review scores: 1 = Did not benefit at all, 2 = Did not benefit, 3: Neither benefited nor did not benefit, 4: Benefited, 5: Benefited greatly. Values inside circles represent anomalies. The model identified patients who reported high satisfaction despite limited ISWT improvement as anomalies, which accounted for 10% of the sample.

Discussion

A previous review of literature shows that integrating AI into CTR has the potential to support early detection of cardiac events, improve monitoring of home-based programs, and enhance clinical decision-making.33 For example, wearable devices used in CTR can accurately assess a patient’s functional capacity through AI-driven algorithms.34

In this study, NLP was applied to demonstrate the effectiveness of technology-based CR. The strong correlation between exercise capacity and the results of NLP-based AI analysis suggests that patients’ benefits from the program are reflected in both subjective feedback and objective outcomes. However, the NLP analysis also identified some anomalies — cases where patient-reported experiences did not align with their measured physical improvements. Such mismatches may be explained by individual perception, psychological factors, or current limitations of NLP models in fully understanding the complexity of patient narratives.

Recognizing and interpreting these anomalies is key to improving AI-based assessment tools and supporting more personalized care. Future research should not only explore the broader effectiveness of NLP in CTR but also take a closer look at the clinical significance of these detected anomalies to enhance the accuracy and real-world use of AI-driven outcome evaluation.

Exercise training through CTR has been shown to improve exercise capacity in patients with CAD.35 Similarly, in our study, both the TRG and MAG showed significant increases in ISWT distance after 12 weeks of training. This supports current guidelines that recommend CTR as an effective way to improve exercise capacity in patients with CAD.1 Consistent with our findings, Brouwers et al. also reported increased exercise capacity and physical activity levels in patients with CAD following CTR.36

These improvements are likely due to physiological changes in both the cardiovascular and musculoskeletal systems.37 Specifically, reductions in end-exercise HR and %HRmax observed in the TRG suggest positive cardiovascular adaptations. Such results align with previous studies showing that exercise training improves cardiac efficiency, thereby allowing patients to perform the same workload at a lower HR.23 A decrease in HR after exercise reflects better cardiovascular adaptation.

We believe the high adherence in the TRG may be due to the increased motivation provided by real-time feedback during supervised sessions.

Beyond physical function, improving QoL is also an important goal for patients with CAD.38 Improvements in physical well-being, energy, fatigue, and daily functioning can contribute to better disease management and long-term outcomes.23 In our study, both the TRG and MAG showed significant improvements in QoL, which aligns with findings by Golbus et al., who reported that digital and hybrid CTR programs improve QoL in cardiac patients.4

However, not all studies have found similar results. One study reported no change in SF-36 scores despite improved functional capacity in a hybrid program for CTR.39 This discrepancy may be due to differences in how QoL is measured in cardiovascular research and the limited number of studies focusing on QoL outcomes in CTR. We also believe that the longer duration of our exercise program may have contributed to the more noticeable improvements.

Our study also found significant improvements in emotional role functioning in both intervention groups, suggesting a positive impact on psychological well-being. This supports findings from a meta-analysis by Gong et al., which showed that programs for CTR lasting at least 3 months can reduce symptoms of depression and anxiety.40

Overall, the improvements in ISWT distance (ΔISWT) in our study were reflected in better scores across several QoL subscales.

Integrating technology into programs for CR plays a key role in improving patient adherence and participation. In our study, both the TRG and the MAG had higher attendance rates compared to the CG, suggesting that technology-based approaches are more accessible and user-friendly. The flexibility offered by the MAG may have further supported participation, allowing patients to exercise at times that best fit their daily routines. Previous research supports the idea that mobile technology can improve adherence to programs for CR.3,41 In our case, the mobile app likely helped by enabling exercise tracking, providing feedback, and keeping patients motivated. Such results are consistent with findings from Maddison et al., who reported higher participation rates in home-based CR compared to traditional center-based programs.20 The convenience of exercising at home, with minimal equipment and no transportation costs, likely played a role in encouraging participation — particularly in the current economic climate. Since the patients in our study had an average exercise capacity of more than 10 METs, these findings are most applicable to low-risk patients with CAD.

This study has several limitations. While AI-based methods show promise, there are important challenges that must be acknowledged. One major limitation is the reliance on the quality and quantity of data used to train AI models. Poor or limited data can introduce bias and limit how well the findings apply to different patient populations. Additionally, NLP algorithms depend on language, which can vary based on cultural and individual differences in how patients describe their symptoms and experiences. Another challenge is the interpretability of AI-generated results. For these tools to be useful in clinical practice, health care providers need clear, understandable insights they can trust and apply in decision-making. Programs for CTR in this study focused only on exercise training and did not include other essential components of comprehensive CR, such as psychosocial support, nutrition counseling, medication management, and smoking cessation. Also, the mobile app used for exercise guidance did not allow for real-time monitoring of HR or BP during sessions. Most participants in this study were low-risk patients with CAD, which limits the generalizability of the findings to higher-risk groups. Despite these limitations, the study has notable strengths. The NLP-AI analysis was at least as effective as traditional assessments in demonstrating the benefits of CTR, showing the innovative potential of digital health tools in cardiac care. It also showed that self-guided exercise programs can be just as effective as traditional methods in improving exercise capacity, adherence, and QoL in patients with CAD.

 Conclusion

This study highlights the effectiveness of AI-based analysis in evaluating the impact of exercise on low-risk patients with CAD. Both the TRG and MAG proved to be effective and feasible, potentially offering greater benefits than traditional methods in improving exercise capacity, participation, and QoL. As AI continues to evolve, the role of physical therapists remains essential, particularly in delivering patient-centered care. With the support of multicenter study designs, NLP-based approaches may become a valuable tool in CR. Further research is needed to assess the clinical feasibility and safety of AI-driven CR, explore other AI-powered methods such as virtual reality-based exercise, and evaluate the cost-effectiveness and practical integration of programs for CTR into the broader health care system.

 Acknowledgements

The authors are deeply grateful to the individuals who participated in the study, as well as to Ahmet Talha Sen and Cagri Golen for their valuable support throughout the research.

This article is part of the thesis of Doctoral submitted by Dilara Saklica, from Hacettepe University Faculty of Physical Therapy and Rehabilitation.

This study was approved by the Ethics Committee of the Hacettepe University Clinical under the protocol number KA-20105. All the procedures in this study were in accordance with the 1975 Helsinki Declaration, updated in 2013. Informed consent was obtained from all participants included in the study. The trial was also registered on ClinicalTrials.gov (registry code: NCT05264701).

The authors did not use any artificial intelligence tools in the development of this work.

The data cannot be made publicly available due to prevent any risk of re-identifying personal information and in accordance with the conditions of ethical approval, patient-level data are not available for use outside this study.

For additional information, please click here.

There were no external funding sources for this study.