ijcsInternational Journal of Cardiovascular SciencesInt. J. Cardiovasc. Sci.2359-56472359-4802Sociedade Brasileira de Cardiologia4KsvPQ4ts8BXbPsmfKNX95JS2359-5647201700030018710.5935/2359-4802.20170027EditorialArtificial Intelligence and Machine Learning in Cardiology - A Change of ParadigmMesquitaClaudio TinocoUniversidade Federal FluminenseHospital Universitário Antônio PedroDepartamento de Medicina ClínicaNiteróiRJBrazilProfessor do Departamento de Medicina Clínica do Hospital Universitário Antônio Pedro, Universidade Federal Fluminense (UFF), Niterói, RJ - BrazilUniversidade Federal FluminenseMailing Address: Cláudio Tinoco Mesquita, Hospital Universitário Antônio Pedro. Rua Marquês do Paraná, 303 - Centro. Postal Code: 24033-900 - Niterói, RJ - Brazil. E-mail: claudiotinocomesquita@gmail.comMay-Jun2017303187188130320171204201712042017This is an Open Access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.KeywordsArtificial Intelligence/trendsComputer Systems/trendsMachine Learning/trendsCardiovascular DiseasesEchocardiography/trendsNucleAR Medicine/trends
A robot may not injure a human being or, through inaction,allow a human being to come to harm.
First Law of Robotics - Isaac Asimov
We are experiencing a change paradigm in modern life. With the presence of computers and intelligent machines everywhere, the predictions of science-fiction books from years ago gradually become reality; these are the times of pervasive computing. Among the computational most frequently mentioned tools in clinical studies and seen with enthusiasm by the scientific community is the Artificial Intelligence and consequently the machines that learn, which is best quoted in its original English form, Machine Learning. In general Artificial Intelligence is defined as the constellation of items (algorithms, robotics, neural networks) that allow a software to have intelligence properties that are comparable to those of a human being, among them learning from databases with minimal human interference.1
Obermeyer and Emanuel recently wrote an editorial stating that Machine Learning has become widespread and imperative for solving complex problems in the various fields of science, and in the medical field its use will transform the practice.2 The use of artificial intelligence is evolving increasingly in cardiology and there are already excellent examples in several areas. Using a sophisticated learning system to electrocardiographic interpretation, Li et al. achieved that electrocardiographic patterns were automatically recognized with an accuracy of 88% for the classification of abnormal rhythms(3). One of the most important limitations of the system studied was the quality of the electrocardiographic signal for interpretation and learning, which highlights one of the essential characteristics of Machine Learning, that is the need for accurate and reproducible information for the formation of databases.2,3 As databases are usually produced from patients selected for their basic condition, one of the most important points for development is the creation of broader and generalizable databases that do not induce biases in the interpretation of findings, point in which industry is heavily investing at the moment.2
In echocardiography, many studies are evaluating the use of Machine Learning in image interpretation, such as the Narula et al.4 who, through a database of patients with hypertrophic cardiomyopathy and individuals with physiological hypertrophy who were submitted to Speckle Tracking, were able to create a computer system based on Machine Learnig that reached to assist inexperienced echocardiographers in distinguishing between the two conditions with excellent accuracy. Tajik,5 in an enthusiastic editorial, pointed out that Machine Learning should reduce or even eliminate the intra- and interobserver variability of echocardiographic exams and greatly reduce cognitive errors. At this point the use of artificial intelligence comes across medical ethics, because the doubts that can occur in cases of errors may be linked to the attribution of responsibilities: did the doctor fail or did the software fail? Experiences with the use of autopilots in aviation may serve as a basis for the ethical discussion that will occur, given that there is always at least one human being responsible for the flight even when using the modern devices of commercial aviation. Obermeyer and Emanuel2 point out that there will be a massive reduction in the need for doctors in situations where computers can be fed directly by digital information such as radiology and pathology because the large amount of digital information available will allow the formation of reliable databases that will lead to a performance of the machines superior to the human.
When artificial intelligence is employed in more complex clinical contexts, there is a still longer way to go. Austin et al.6 used a Machine Learning and data mining system to evaluate and classify patients with heart failure and found that although the system was superior to conventional methods for predicting heart failure with preserved ejection fraction, there were no advantages over the traditional logistic regression. Liu et al.7 developed a system based on Machine Learning for prediction of adverse coronary events in patients with chest pain in the emergency room and compared it with the TIMI score. Although the performance of the new system is reliable for predicting mortality and cardiac events in 30 days, the authors themselves acknowledge that clinical decisions are dependent on factors that still can not be fully incorporated into the machines, one of which is the physicians experience.7
In nuclear cardiology Arsanjani et al.8 evaluated the use of the Machine Learning tool to predict myocardial revascularization from myocardial perfusion scintigraphy data, finding an accuracy comparable or even superior to that of experienced examiners in the interpretation of the scintigraphic examination. Garcia et al.,9 in an excellent review on the subject, point out that clinical decision support and artificial intelligence systems serve as warnings for the cognitive bias of clinicians and reduce intra and interobserver variability, allowing to interpret the exams faster and with greater accuracy, as observed in studies in which the diagnostic interpretation of the examination by the computer is similar to that of the experts.10 We generally agree with this view and consider that the support to make the clinical decision and the improvement of diagnostic and prognostic performances should be encouraged and supported by physicians of the various specialties. The frequent concern about the eventual replacement of the physician by the machines is not substantiated by the facts. The medical profession is of a complexity and subjectivity that makes the task impossible in its entirety by the machines, at least at the present stage of knowledge. The proper use of computing allows for not only the improved of medical performance but also the quest for solidarity among patients with successful experiences in creating social networks for patients.11
Only the study of the profound impact for the development and use of these tools can bring the answers to the questions that are now in the minds of doctors and their patients. The International Journal of Cardiovascular Sciences encourages its readers and contributors to send scientific papers on the subject for publication.
References1 Forsting M. Hot Topics: Will Machine Learning Change Medicine? J Nucl Med. 2017;58(3):357-8.ForstingMHot Topics: Will Machine Learning Change Medicine?J Nucl Med20175833573582 Obermeyer Z . Emanuel EJ. Predicting the future: big data, machine learning, and clinical medicine. N Engl J Med. 2016;375(13):1216-9.ObermeyerZEmanuel EJ: Predicting the future: big data, machine learning, and clinical medicineN Engl J Med201637513121612193 Li Q, Rajagopalan C, Clifford GD. A machine learning approach to multi-level ECG signal quality classification. Comput Methods Programs Biomed . 2014;117(3):435-47.LiQRajagopalanCCliffordGDA machine learning approach to multi-level ECG signal quality classificationComput Methods Programs Biomed201411734354474 Narula S, Shameer K, Salem Omar AM, Dudley JT, Sengupta PP. Machine-Learning Algorithms to Automate Morphological and Functional Assessments in 2D Echocardiography. J Am Coll Cardiol. 2016;68(21):2287-95.NarulaSShameerKSalem OmarAMDudleyJTSenguptaPPMachine-Learning Algorithms to Automate Morphological and Functional Assessments in 2D EchocardiographyJ Am Coll Cardiol20166821228722955 Tajik AJ. Machine Learning for Echocardiographic Imaging: Embarking on Another Incredible Journey. J Am Coll Cardiol.2016;68(21):2296-8.TajikAJMachine Learning for Echocardiographic Imaging: Embarking on Another Incredible JourneyJ Am Coll Cardiol20166821229622986 Austin PC, Tu J V, Ho JE, Levy D, Lee DS. Using methods from the data-mining and machine-learning literature for disease classification and prediction: a case study examining classification of heart failure subtypes. J Clin Epidemiol. 2013;66(4):398-407.AustinPCTuJ VHoJELevyDLeeDSUsing methods from the data-mining and machine-learning literature for disease classification and prediction: a case study examining classification of heart failure subtypesJ Clin Epidemiol20136643984077 Liu N, Lee MAB, Ho AFW, Haaland B, Fook-Chong S, Koh ZX, et al. Risk stratification for prediction of adverse coronary events in emergency department chest pain patients with a machine learning score compared with the TIMI score. Int J Cardiol . 2014;177(3):1095-7.LiuNLeeMABHoAFWHaalandBFook-ChongSKohZXRisk stratification for prediction of adverse coronary events in emergency department chest pain patients with a machine learning score compared with the TIMI scoreInt J Cardiol20141773109510978 Arsanjani R, Dey D, Khachatryan T, Shalev A, Hayes SW, Fish M, et al. Prediction of revascularization after myocardial perfusion SPECT by machine learning in a large population. J Nucl Cardiol. 2014;22(5):877-84.ArsanjaniRDeyDKhachatryanTShalevAHayesSWFishMPrediction of revascularization after myocardial perfusion SPECT by machine learning in a large populationJ Nucl Cardiol20142258778849 Garcia E V, Klein JL, Taylor AT. Clinical decision support systems in myocardial perfusion imaging. J Nucl Cardiol. 2014;21(3):427-39.GarciaE VKleinJLTaylorATClinical decision support systems in myocardial perfusion imagingJ Nucl Cardiol201421342743910 Arsanjani R, Xu Y, Dey D, Vahistha V, Shalev A, Nakanishi R, et al. Improved accuracy of myocardial perfusion SPECT for detection of coronary artery disease by machine learning in a large population. J Nucl Cardiol. 2013;20(4):553-62.ArsanjaniRXuYDeyDVahisthaVShalevANakanishiRImproved accuracy of myocardial perfusion SPECT for detection of coronary artery disease by machine learning in a large populationJ Nucl Cardiol201320455356211 Medina EL, Mesquita CT, Loques Filho O. Healthcare social networks for patients with cardiovascular diseases and recommendation systems. Int J Cardiovasc Sci. 2016;29(1):80-5.MedinaELMesquitaCTLoquesOFilhoHealthcare social networks for patients with cardiovascular diseases and recommendation systemsInt J Cardiovasc Sci20162918085Inteligência Artificial e Machine Learning em Cardiologia - Uma Mudança de ParadigmaMesquitaClaudio Tinoco1Professor do Departamento de Medicina Clínica do Hospital Universitário Antônio Pedro, Universidade Federal Fluminense (UFF), Niterói, RJ - BrasilCorrespondência: Cláudio Tinoco Mesquita, Hospital Universitário Antônio Pedro. Rua Marquês do Paraná, 303 - Centro. CEP 24033-900 - Niterói, RJ - Brasil. E-mail: claudiotinocomesquita@gmail.comPalavras-chave:Inteligência Artificial/tendênciasAprendizado de Máquinas/tendênciasDoenças cardiovascularesEcocardiografia/tendênciasMedicina Nuclear/tendências
A robot may not injure a human being or, through inaction,allow a human being to come to harm.
First Law of Robotics - Isaac Asimov
Vivenciamos uma mudança de paradigma na vida moderna. Com a presença de computadores e máquinas inteligentes em todos os lugares, as predições dos livros de ficção científica de anos atrás passam gradativamente a se tornar realidade; são os tempos da computação úbíqua. Entre as ferramentas computacionais mais frequentemente mencionadas em estudos clínicos e vistas com entusiasmo por parte da comunidade científica se destacam a Inteligência Artificial e o consequente aprendizado das máquinas, que é melhor citado na sua forma original em inglês, o Machine Learning. De modo geral a Inteligência Artificial é definida como a constelação de itens (algoritmos, robótica, redes neuronais) que permitem que um software tenha propriedades de inteligência que se comparam às de um ser humano, entre elas o aprendizado com mínima interferência humana a partir de bancos de dados.1
Recentemente Obermeyer e Emanuel escreveram um editorial afirmando que o Machine Learning tornou-se disseminado e indispensável para a resolução de problemas complexos nos diversos campos da ciência, sendo que na área médica sua utilização irá transformar a prática.2 A utilização de inteligência artificial está evoluindo de modo crescente na cardiologia e já há excelentes exemplos em diversas áreas. Utilizando um sistema sofisticado de aprendizado para interpretação eletrocardiográfica Li e colaboradores3 conseguiram que padrões eletrocardiográficos fossem reconhecidos automaticamente com acurácia de 88% para classificação dos ritmos anormais. Uma das limitações mais importantes do sistema estudado foi a qualidade do sinal eletrocardiográfico para interpretação e aprendizado, o que ressalta uma das características essenciais do Machine Learning, que é a necessidade de informações acuradas e reprodutíveis para formação de bancos de dados.2,3 Como os bancos de dados são, geralmente produzidos a partir de pacientes selecionados por sua condição de base, um dos mais importantes pontos para o desenvolvimento é a criação de bases de dados mais amplas e generalizáveis, que não induzam vieses na interpretação dos achados, ponto em que a indústria está investindo intensamente no momento.2
Na ecocardiografia muitos estudos estão avaliando o uso do Machine Learning na interpretação de imagens, como o de Narula et al.4 que através de um banco de dados de pacientes com miocardiopatia hipertrófica e de indivíduos com hipertrofia fisiológica que foram submetidos a Speckle Tracking, conseguiram criar um sistema computacional baseado em Machine Learnig que foi capaz de assistir ecocardiografistas pouco experientes na distinção entre as duas condições com excelente acurácia. Tajik,5 em um entusiasmado editorial, assinalou que o Machine Learning deverá reduzir ou mesmo eliminar a variabilidade intra e interobservador dos exames ecocardiográficos e reduzir acentuadamente os erros cognitivos. Neste ponto o uso da inteligência artificial depara-se com a ética médica, pois as dúvidas que podem ocorrer em casos de erros poderão estar ligadas à atribuição de responsabilidades: errou o médico ou errou o software? As experiências com o uso de pilotos automáticos na aviação poderão servir de base para a discussão ética que ocorrerá, tendo em vista que sempre há pelo menos um ser humano responsável pelo voo mesmo com uso dos modernos dispositivos da aviação comercial. Neste ponto, Obermeyer e Emanuel2 chamam a atenção para o fato de que haverá uma redução maciça da necessidade de médicos em situações em que os computadores poderão ser alimentados diretamente por informações digitais como na radiologia e na patologia, pois a grande quantidade de informações digitais disponíveis permitirá a formação de bancos de dados confiáveis que levarão a uma performance das máquinas superior à humana.
Quando a inteligência artificial é empregada em contextos clínicos mais complexos ainda há um caminho mais longo a ser percorrido. Austin et al.6 utilizaram um sistema de Machine-Learning e de mineração de dados para avaliar e classificar pacientes com insuficiência cardíaca e encontraram que apesar do sistema ser superior aos métodos convencionais para predição de insuficiência cardíaca com fração de ejeção preservada, não houve vantagens em relação à tradicional regressão logística. Liu et al.7 desenvolveram um sistema de predição de eventos adversos coronarianos em pacientes com dor torácica na sala de emergência baseado em Machine Learning e o compararam com o TIMI escore. Embora a performance do novo sistema seja confiável para predição de mortalidade e de eventos cardíacos em 30 dias, os próprios autores reconhecem que as decisões clínicas são dependentes de fatores que ainda não podem ser completamente incorporados às máquinas, sendo um deles a experiência dos médicos.7
Em cardiologia nuclear Arsanjani et al.8 avaliaram o uso da ferramenta de Machine Learning para predição de revascularização miocárdica a partir de dados da cintilografia de perfusão miocárdica, encontrando uma acurácica comparável ou mesmo superior à de examinadores experientes na interpretação do exame cintilográfico. Garcia et al.,9 em excelente revisão sobre o tema apontam que os sistemas de suporte à decisão clínica e de inteligência artificial servem como alertas para os vieses cognitivos dos clínicos e reduzem a variabilidade intra e interobservador, permitindo interpretar os exames mais rapidamente e com maior acurácia, como observado em estudos em que a interpretação diagnóstica do exame pelo computador é similar à dos experts.10 De um modo geral concordamos com esta visão e consideramos que o amparo à tomada de decisão clínica e melhoria da performance diagnóstica e prognóstica devem ser encorajados e suportados pelos médicos das diversas especialidades. A preocupação frequente com a eventual substituição definitiva do médico pelas máquinas não é consubstanciada pelos fatos. A profissão médica é de uma complexidade e subjetividade que tornam a tarefa impossível de ser realizada na sua totalidade pelas máquinas, pelo menos no estágio atual do conhecimento. A utilização adequada da computação permite não só a melhoria da performance médica mas também a busca da solidariedade entre pacientes, com experiências bem sucedidas na criação de redes sociais para pacientes.11
Apenas o estudo do impacto aprofundado para desenvolvimento e utilização destas ferramentas poderá trazer as respostas para as perguntas que hoje estão nas mentes dos médicos e dos seus pacientes. O International Journal of Cardiovascular Sciences estimula seus leitores e contribuintes a enviar comunicações científicas sobre o tema para publicação