Abstract

dic

ABC Imagem Cardiovascular

Arq Bras Cardiol: Imagem cardiovasc.

2675-312X

Sociedade Brasileira de Cardiologia

abcimg.20230085i

10.36660/abcimg.20230085i

Original Article

Use of Artificial Intelligence to Assess Cardiac Function by Echocardiography: Systematic Review of the State of the Art

0000-0003-0988-5282

Neves

Henrique Alexsander Ferreira

Conception and design of the research acquisition of data and analysis and interpretation of the data writing of the manuscript ¹

0000-0001-9735-4590

Yuasa

Bruna Sadae

Conception and design of the research acquisition of data and analysis and interpretation of the data writing of the manuscript ¹

0009-0003-8756-8116

Costa

Thamires Hadassa Leite Pereira

Conception and design of the research acquisition of data and analysis and interpretation of the data writing of the manuscript ¹

0009-0009-1438-2947

Santos

Isabela Ertes

Conception and design of the research acquisition of data and analysis and interpretation of the data writing of the manuscript ¹

0009-0001-3556-5218

Benavides

Yannirê Milagros Roman

Conception and design of the research acquisition of data and analysis and interpretation of the data writing of the manuscript ¹

0000-0003-0794-7339

Lofrano-Alves

Marco Stephan

Conception and design of the research acquisition of data and analysis and interpretation of the data critical revision of the manuscript for intellectual content ¹ 1 Universidade Federal do Paraná

Curitiba

PR

Brazil Universidade Federal do Paraná, Curitiba, PR – Brazil

Mailing Address: Marco Stephan Lofrano-Alves • Universidade Federal do Paraná, Departamento de Clínica Médica. Rua Mateus Leme, 3945, apt 504. Postal code: 82200-000. Curitiba, PR – Brazil. E-mail: mslalves@hotmail.com

Potential Conflict of Interest

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

18 12 2023

2023

36 4

e20230085

28102023 30102023 31102023

This is an open-access article distributed under the terms of the Creative Commons Attribution License

Abstract Background:

Echocardiography is part of the routine investigation of most heart diseases. However, its operator-dependent nature and the quality of the image obtained can cause significant variability in measurements and impair their interpretation. The method has advanced on its path of standardization and incorporation of new technologies in an attempt to reduce its deficiencies. Recently, part of this advancement was due to the incorporation of artificial intelligence (AI).

Objectives:

The objective of this work was to investigate the use of AI in the assessment of cardiac function through echocardiography, discussing its potential to improve the method.

Methods:

We conducted a systematic review in accordance with the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA), searching for articles within the period of 2000 to 2023.

Results:

A total of 31 articles were included, classified into four categories of studies that used AI: 1) for image analysis and echocardiographic parameters (N = 14); 2) in the image acquisition process (N = 11); 3) for integration with clinical data (N = 3); and 4) for application to the exam flow (N = 3).

Conclusion:

AI provides automation and standardization of images and respective measurements that result in more accurate diagnoses, overcoming the limitations encountered by the conventional method. However, the use of AI is still an evolving reality within echocardiography.

Keywords: Echocardiography Artificial Intelligence Machine Learning Deep Learning Global Longitudinal Strain

Introduction

Echocardiography is the most requested imaging method and is part of the routine investigation of most heart diseases. Due to its non-invasive, non-ionizing nature, high availability, and portability, the method is present in various clinical scenarios - outpatient, hospital, urgency and emergency units, intensive care units, and as a guide for interventional and surgical procedures - and normally is the first option to access cardiac anatomy and function. However, its operator-dependent nature and image quality can influence echocardiographic measurements. Since its development, the method has advanced in its path of standardization and incorporation of new technologies in an attempt to reduce its variability.

This advance is partly due to the incorporation of artificial intelligence (AI) into the method. “AI” is a broad term coined by Arthur Samuel in the 1960s. It applies to any computer program, such as algorithms and models, which imitate human logic and intelligence.¹ In echocardiography, the first use was in the 70s, when Fourier analysis was used to evaluate the mitral valve with the aid of M-mode.² Semi-automated measurements are already part of today's echocardiography laboratory practice. In their workflow, modern devices come equipped with software packages that assist in measurements and calculations, such as left ventricular ejection fraction (LVEF), myocardial deformation (strain), and the Doppler study for hemodynamic assessment.¹

Machine learning is one of the subfields of AI. The computer receives the data, learns from it, predicts a result, and, using statistical methods, can even improve its performance the next time it is presented with similar data. This allows, for example, a trained machine to identify structures within a new image and label them accurately. Another subfield, known as deep learning, later emerged. This is applied when a large amount of data must be processed. In this case, the data is processed as large subsets. Just like in a biological neural network, the processing is organized in a hidden chain made up of thousands of consecutive artificial neural layers until a final result is reached.¹ An artificial neural network can use convolution operations, which allow a third to be generated from two input data called Convolutional Neural Networks.³

In this sense, AI in echocardiography can be extremely advantageous for identifying, quantifying, and interpreting images while minimizing the variance between assessments and providing reproducible measurements and an accurate diagnosis. The examiner may find significant support in this technology, which would enable a reduction in time spent on data extraction and integration and, in turn, present the potential to make the healthcare system more sustainable.⁴ Furthermore, AI-driven echocardiographic practice would not only streamline clinical decision-making but also provide learning methods with interactive feedback for training less-experienced examiners.⁵

Flowchart of search and selection of studies on the use of AI in echocardiography. AI: artificial intelligence.

Thus, the use of AI in echocardiography can be divided into four main scenarios: education, image acquisition, image analysis, and integration with clinical data.⁶ Although there is evidence that positively affirms the role of AI technology in echocardiography diagnosis, there are still challenges to be overcome, such as insufficient standardization of echocardiography protocols and insufficient generalization of models in clinical applications.⁶

Given the limitations of the technique and the need to investigate future trends, this systematic review was conducted based on several studies to externally validate the performance of AI technology in echocardiography. Although similar works are found in the literature that investigated the application of AI in the automated analysis of echocardiographic images, this study sought to conduct a survey over the last five years on innovations in the area, with the aim of exploring the use of AI in echocardiography, analyzing current evidence for its effectiveness and discussing its potential to improve cardiac care.

Methods

This is a systematic review in accordance with the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA).⁷ We searched for articles within the MEDLINE, EMBASE, SCOPUS, and Cochrane Central databases from January 2000 to March 2023, without language restrictions, with our target method being echocardiography, whose intervention is the use of AI during some stage of the exam, with full texts and descriptors present in the title or summary of the article. The following descriptors in English were used for the research: (“AI”) AND (“Echocardiography”) AND (“Function” OR “Strain”). We also checked these databases for the presence of previous or ongoing systematic reviews on the subject. We combined results from different databases and discarded repeated results using Zotero software. Two investigators (H.A.F.N and B.S.Y) performed the search independently and five investigators reached an agreement on study eligibility (H.A.F.N, B.S.Y, T.H.L.P.C, I.E.S, Y.M.R.B). Initially, a first screening was conducted to identify studies that evaluated the use of any type of AI during the echocardiography exam. In a second step, we selected the articles to be read in full through the Rayyan platform and assessed the relevance of the data, as well as whether there was more than one article evaluating the same cohort of patients. A third step consisted of reviewing the references of these selected articles to obtain other sources not revealed in the digital search. We classified the studies according to their design (case-control, randomized, retrospective cohort, prospective cohort, and case report), regarding the primary objective of using AI and the main result found with the study. For each study, we extracted the following information: first author; study institution; start and end date; year of publication; single center or multicenter; characteristics of the studied population (average age and distribution by sex); echocardiographic parameters evaluated; methods and windows used to assess cardiac function; AI model; study design; and study conclusions.

Results

We identified 729 references in searches of electronic databases, discarding 336 duplicates and another 359 excluded by title and/or abstract. We obtained 33 articles for full reading, of which three were discarded because they did not fit the scope of the review according to the authors. Only one additional article was included after manually searching the references (Figure 1). A total of 31 articles were included in the qualitative analysis of this review, being classified into four main categories: 1) studies that use AI for image analysis and echocardiographic parameters (N = 14, Table 1); 2) studies that use AI in the image acquisition process (N = 11, Table 2); 3) studies that use AI to integrate with clinical data (N = 3, Table 3); and 4) studies that trained AI software for application to the exam flow (N = 3, Table 4); All articles were published in English. Twenty-six articles are from a single center, with 7 (%) from the United States, 2 (%) from Israel, 2 (%) from Norway, 2 (%) from Italy, 2 (%) from England, 1 (%) from Germany, 1 (%) from Greece, 1 (%) from France, 1 (%) from Uganda, 1 (%) from Portugal, 1 (%) from Ireland, 1 (%) from Austria, 1 (%) from Netherlands, 1 (%) from China, 1 (%) from Canada, and 1 (%) from Japan. A single article was developed in several centers (13 different centers). Four articles did not inform of the country where the study took place.

Figure 1 PRISMA flow diagram of study screening and selection

Table 1 Studies that use AI for image analysis

Author/year	Country	Design and objective	N	Evaluated parameters	AI model	Main results
Cottela et al., 2023⁸		Retrospective cohort Evaluate AI calculation of LVEF and GLS in patients with amyloidosis	51	LVEF, GLS	EchoGo Core 2.0, Ultromics	Fully automated AI-calculated LVEF and GLS are comparable to manual measurements in patients with cardiac amyloidosis.
Sveric et al., 2023⁹	Germany	Prospective cohort Investigate AI viability for the calculation of LVEF in the workflow	889	LVEF	LVivo Seamless^TM	The AI-based application automatically identified standard apical LV views and measured LVEF. It yielded equivalent results to the currently used MBS method and has the potential to improve LVEF quantification.
He et al., 2023¹⁰	USA	Randomized clinical trial Compare AI with the sonographer's initial assessment of LVEF	3495	LVEF	EchoNet-Dynamic	Cardiologists were not able to distinguish between the initial assessments by AI versus the sonographer. The initial assessment of LVEF by AI was non-inferior to the assessment by sonographers.
Wang et al., 2022¹¹	USA	Retrospective cohort Evaluate AI software usability in patients with COVID-19	50	LVEF, GLS, EDV, ESF	EchoGo, Ultromics	EchoGo software output had high correlations with left ventricular volumes and moderate correlations with LVEF and GLS compared with standard TTE measurements.
Liel-Cohen et al., 2022¹²	Israel	Retrospective cohort Evaluate AI's capability of identifying views and compare GLS results with conventional methods	100	GLS	LVivo Seamless^TM	The results provided by the AI-based LVivo Seamless solution showed excellent capability to automatically identify 4CH, 2CH, and 3CH views, along with excellent GLS results compared to automated functional imaging.
Sachpekidis et al., 2022¹³	-	Retrospective cohort Evaluate the accuracy of a novel HUD with AI-assisted algorithm to automatically calculate LVEF	100	LVEF	Auto EF, Vivid™	The AI-assisted autoEF algorithm in a novel HUD can accurately calculate LVEF in real-time as compared to the recommended manual biplane Simpson's method on cart-based systems in an “all-comers” patient population.
Salte et al., 2021¹⁴	Norway	Retrospective cohort Examine automated measurements of GLS using deep learning and AI compared with conventional methods	200	GLS	EchoPAC v.202, GE Ultrasound	Fully automated measurements of GLS using a novel deep learning AI-based technology for motion estimation are feasible and fast and they yield results comparable with the most widely used semiautomatic software.
Hanif et al., 2021¹⁵	-	Transversal Test whether AI measurement of strain can be more reliable compared to human interpretation	52	GLS	EchoGo, Ultromics	AI-based longitudinal strain analysis was feasible on most echocardiograms without any operator intervention. The bias between EchoGo's longitudinal strain and conventional software appears small.
Penso et al., 2022¹⁶	Italy	Transversal Feasibility, comparison, and assessment of AI strain measurement compared with conventional methods	203	RVEF, RVFWLS	3D Auto RV, Philips Medical Systems	The rapid analysis and excellent reproducibility of AI-based 3DE RV analysis supported the routine adoption of the system.
Di Candia et al., 2022¹⁷	Italy	Transversal Compare results of a fully automated analysis and manual tracing analysis using a new AI software	28	LVEF	AI Simpson e AI Wall Motion Tracking	AI fully automated analysis was found to be technically simple, less time-consuming, and highly reproducible. This reduces the variability of manual measurements between different sonographers and at various times.
Papadopoulou et al., 2022¹⁸	Greece	Transversal Evaluate the reliability and diagnostic accuracy of a HUD-assisted AI to automatically calculate ejection fraction	100	LVEF	Kosmos autoEF	The use of a novel HUD with AI-enabled capabilities provided similar LVEF results to those derived by manual biplane Simpson's method on cart-based systems and shows clinical potential.
Salte et al., 2020¹⁹	Norway	Multicentric Prospective Examine the feasibility of automated measurements of GLS using AI compared to conventional speckle-tracking application	100	GLS	-	Fully automated measurements of GLS using a novel deep learning AI-based technology for motion estimation are feasible and fast and they yield results comparable with the most widely used semiautomatic software.
Popoff et al., 2020²⁰	France	Transversal Evaluate the accuracy and reproducibility of AI tool to compute LV volumes and EF, in comparison with cardiac magnetic resonance as reference	114	LVEF	A deep convolutional neural networks model	Compared to manual contouring, LV volumes, and EF by AI showed comparable or improved accuracy and higher reproducibility. These findings demonstrate the value of AI-based tools, with the potential for full automation, for objective assessment and follow-up of cardiac function.
Asch et al., 2021²¹	USA	Prospective cohort Determine whether AI-automated estimates could be used to accurately classify LV function	233	LVEF	A machine learning algorithm, Caption Health	The new machine-learning algorithm allows accurate automated evaluation of LV function from echocardiographic views commonly used in the POC setting. This approach will enable more POC personnel to accurately assess LV function.

EDV: left ventricular end-diastolic volume; ESF: left ventricular end-systolic volume; GLS: global longitudinal strain; HUD: handheld ultrasound device; LVEF: left ventricle ejection fraction; POC: point-of-care; RVEF: right ventricle ejection fraction; RVFWLS: right ventricular free wall longitudinal strain; AI: artificial intelligence; AI: artificial intelligence; TTE: transthoracic echocardiogram; AutoEF: automatic ejection fraction; EF: ejection fraction; LV: left ventricle; 4CH: four chamber view; 2CH: two chamber view; 3CH: three chamber view.

Table 2 Studies that use AI for image acquisition.

Author/year	Country	Study design and objective	N	Evaluated parameters	AI model	Main results
Peck et al., 2023²²	Uganda	Cross-sectional. Evaluate the ability of nonexperts to obtain diagnostic-quality images in patients with RHD using AI guidance with color Doppler	50	Presence/absence of RHD, abnormal mitral valve morphology, and mitral regurgitation	-	AI guidance with color Doppler is feasible to enable RHD screening by nonexperts, performing significantly better for assessment of the mitral than aortic valve.
Klempfner et al., 2023⁵	USA	Prospective cohort. Determine the diagnostic acumen of echocardiographic studies obtained by inexperienced users guided by an AI algorithm	240	Left and right ventricular size and function, pericardial effusion, valve morphology, left atrial and inferior vena cava size	UltraSight algorithm	After minimal training with novel AI-guidance software, novice users can acquire images in ten standard cardiac echocardiographic views, with diagnostic quality approaching that of expert sonographers.
Dadon, Ziv et al., 2022²³	Israel	Randomized clinical trial Evaluate AI use as a didactic tool to improve noncardiologist clinicians’ assessment of LVEF from the A4C view	-	LVEF	LVivo EF	The introduction of an AI-based tool to clinicians working in the emergency department improved the assessment accuracy of LVEF as compared to the control group.
Varudo et al., 2022²⁴	Portugal	Prospective cohort. To compare real-time measurements taken by novices and experts with LVEF reference measurements taken manually by echo experts	95	LVEF	Real-Time EF algorithm	Machine learning-enabled real-time measurements of LVEF were strongly correlated with manual measurements obtained by experts.
Burke et al., 2022²⁵	Ireland	Cross-sectional. Evaluate study quality by novice scanners with AI guidance	120	Image quality to determine LVEF, pericardial effusion	Caption AI System	The Caption AI technology safely allows novice users to provide efficient and accurate point-of-care echo in differing clinical settings to a standard comparable to expert scanners.
Narang et al., 2021²⁶	USA	Prospective cohort. Test whether novice users could obtain 10-view transthoracic echocardiographic studies of diagnostic quality using a DL-based software	240	Left ventricular size, function, pericardial effusion, and right ventricular size	Software Caption Guidance	The DL algorithm allows novices without experience in ultrasonography to obtain diagnostic transthoracic echocardiographic studies for evaluation of left ventricular size and function, right ventricular size, and the presence of a nontrivial pericardial effusion.
Surette et al., 2020²⁷	USA	Prospective multicentric clinical trial. Evaluate whether novice-acquired images guided by the software were of diagnostic quality in patients with and without implanted electrophysiological devices	240	Right ventricular size and function	-	New DL software can guide novices to obtain TTEs that enable qualitative assessment of RV size even in the presence of implanted EP devices.
Schneider et al., 2020²⁸	Austria	Cross-sectional. Evaluate if the new machine learning algorithm can help novice operators to acquire diagnostic image loops	14	LVEF	-	Machine-learning algorithms can guide ultrasound novices to acquire diagnostic echo loops and provide an automated LVEF calculation that agrees with a human expert.
Motazedian et al., 2022²⁹	Netherlands	Prospective cohort. Determine the accuracy of POCUS bedside AI-assisted LVEF compared to formal TTE	449	LVEF	EchoNous Kosmos	AI assisted POCUS performed by both novice and experienced scanners can accurately determine LVEF compared to a comprehensive TTE.
Zhai et al., 2022³⁰	China	Cross-sectional. Identify the degree of correlation between auto LVOT‐VTI and the manual LVOT‐VTI acquired by POCUS-trained doctors	46	LVOT‐VTI	AI software tool	AI might provide real‐time guidance among novice operators who lack the expertise to acquire the ideal standard view.
Fung et al., 2019³¹	Canada	Prospective cohort. Evaluate the accuracy of the AI system for assessing image quality, as compared to subjective expert analysis	53	PLAX, PSAX, A2C, A4C and subcostal IVC	-	AI systems can assess image quality with modest accuracy.

A2C: apical two-chamber; A4C: apical four-chamber; DL: deep learning; IVC: inferior vena cava; LVEF: left ventricle ejection fraction; LVOT-VTI: left ventricular outflow tract velocity time integral; PLAX: parasternal long-axis; POCUS: point-of-care ultrasound; PSAX: parasternal short-axis; RHD: rheumatic heart disease; RV: right ventricle; TTE: transthoracic echocardiogram; AI: artificial intelligence; EP: electrophysiological.

Table 3 Studies that use AI for integration with clinical data

Author/ year	Country	Study design and objective	N	Evaluated parameters	AI model	Main results
Kusunose et al., 2019³²	Japan	Prospective cohort. Investigate whether a DCNN could provide improved detection of RWMAs	300	Presence of wall motion abnormalities	ResNet, DenseNet, Inception-ResNet, Inception, and Xception	The results support the possibility of using DCNN for automated diagnosis of RWMAs in the field of echocardiography.
O'Driscoll et al., 2022³³	England	Retrospective cohort. Evaluate whether LVEF and GLS, automatically calculated by AI, increases the diagnostic performance of SE for CAD detection	512	LVEF and GLS at rest and stress	EchoGo Core 1.0, Ultromics	AI calculation of LVEF and GLS by contouring of contrast-enhanced and unenhanced SEs at rest and stress is feasible and independently improves the identification of obstructive CAD beyond conventional methods.
Asch, F.M. et al., 2022³⁴	Multicentric	Prospective cohort. Assess the hypothesis that AI-based analysis of echocardiographic images could predict mortality more accurately than conventional analysis by a human expert	870	LVEF, LVLS	EchoGo Core, Ultromics	AI-based analysis of LVEF and LVLS had similar feasibility as manual analysis and AI-based, but not manual, analyses were a significant predictor of in-hospital and follow-up mortality.

CAD: coronary artery disease; DCNN: deep convolutional neural network; GLS: global longitudinal strain; LVEF: left ventricle ejection fraction; LVLS: left ventricle longitudinal strain; RWMAs: regional wall motion abnormalities; SE: stress echocardiography.

Table 4 Studies that developed an AI

Author and year	Country	Study design and objective	Number of patients	Evaluated parameters	AI Model	Main results
Asch et al., 2019³⁸	USA	Transversal Develop an algorith and assess its feasibility and accuracy for automated quantification of LV EF by a well-trained expert computer against reference	99	LVEF	AutoEF (BayLabs)	A machine learning algorithm for the estimation of LV EF that avoids image segmentation and volume measurements is highly feasible and can yield results that are in close agreement with what experienced readers measure using conventional methodology.
Stowell et al., 2021³⁵	England	Transversal Develop a method based on machine learning, trained and validated with accredited experts from AI Echocardiography Collaborative	-	Left ventricle longitudinal tension	-	The open-source, vendor-independent AI-based strain measurement automatically produces values that agree with expert consensus as strongly as individual experts.
Tromp et al., 2021³⁶	Singapore	Transversal Develop a fully automated deep-learning workflow to classify, segment, and annotate two-dimensional videos and Doppler modalities in echocardiograms	-	-	-	Deep learning algorithms can automatically annotate 2D videos and Doppler modalities with similar accuracy to manual measurements by expert sonographers.

AutoEF: automatic ejection fraction; LVEF: left ventricle ejection fraction.

Discussion

The implementation of AI tools in echocardiographic study has the potential to improve patient care and optimize diagnosis and treatment. The studies present in this systematic review are favorable to the application of automated technology in the examination routine, due to its similarity, feasibility, usefulness, precision, accuracy, and reproducibility comparable to manual assessment. Although the use of AI in the examination is still limited and, therefore, prone to modifications aimed at advancing and improving the method, the benefit that the technology represents for echocardiography seems to outweigh any fears or disadvantages.

Image analysis and echocardiographic parameters

AI-automated measurement of parameters such as LVEF and global longitudinal strain (GLS) can be comparable to manual measurement by experienced sonographers and incorporations of these tools have reliably maintained measurement accuracy.^8–13 This fact is relevant due to the additional benefits they offer: they increase the operational effectiveness of the exam and the consistency quality of the analysis;⁶ allowing the reduction of variability between different examiners,^14–18 overcoming human limitations such as tiredness or distraction; and increasing the reproducibility of the exam.¹

Image Acquisition

Much of the literature focuses on AI interpretation or analysis of already acquired images, but there is growing evidence regarding the use of AI technology for image acquisition by non-experts.^5,19–24 Automated technology can guide a non-expert examiner by recognizing incorrect images and the need for additional views or enhancements. It can also help standardize image acquisition and measurements.^1,6 In this way, it would be a tool used to optimize training and echocardiographic studies,^5,25,26 with the possibility of acquiring images of diagnostic quality comparable to those acquired manually by experts.^{5,19,20,22–24} The technology is applicable in clinical practice, in emergencies, and in remote areas with scarce resources and few experienced professionals.^5,21,25,27

Integration with clinical data

In the field of echocardiography, interpretation of exam findings is necessary to improve patient care and monitoring. Thus, training AI software to associate image data with patient clinical data allows the retention of relevant diagnostic information without the need for advanced analysis skills by an expert and without the expenditure of time and resources. Correlation with functional abnormalities, pathological states, prediction of outcomes, and risk stratification are examples of the usefulness of integrating algorithms with clinical data. The results presented by the study by Kusunose et al. support the possibility of using AI software for automated diagnosis of functional abnormalities, and the study by O'Driscoll et al. to calculate LVEF and GLS.^28,29 From a future perspective, the integration of AI software with clinical data could allow the creation of personalized therapies for each patient.

AI development

Databases of echocardiographic studies were used to train protocols and deep learning algorithms to detect cardiac dysfunction, identify anatomical abnormalities, and define workflows.^30–32 After training, the accuracy found was similar to the accuracies using conventional methodologies. This validation is essential since, in the development of AI software, both software and images come from external suppliers. The quality of the images used is a relevant point because, if the data entered is of low quality, biased, or restricted, the interpretation by the algorithm will be as well. A future challenge will be to develop deep learning algorithms that run on different equipment, have uniform naming standards, and store and retrieve data in a vendor-independent manner.¹

The incorporation of AI into clinical practice raises ethical concerns, primarily about responsibility, as care becomes more indirect, and transparency as the extent to which the patient needs to know and agree is called into question. It is worth remembering that the use of AI is already part of people's routine, and this type of technology is increasingly available to society. This interaction tends to be irreversible and, certainly, in medical practice - and in echocardiography - it will be no different. Even so, this is not a man versus machine competition. We cannot imagine a scenario in which one replaces the other. On the contrary, AI is in favor of the doctor and against the obscurity of human and systemic limitations, such as high demand, lack of specialists, ergonomics, and service exhaustion. Especially because, by increasing the operational effectiveness of the exam, there can be better use and direction of the specialist doctors’ skills. It is expected that this incorporation will contribute to the democratization of access to the exam, representing an advance in health care.

However, this systematic review has its limitations. First, the vast majority of studies have a cross-sectional design. However, as our objective was diagnostic validation, studies with this design are sufficient to show the non-inferiority of their methods. Designs that study long-term association measures may better clarify the benefits of AI for the quality of longitudinal patient follow-up. Second, AI software usually requires a minimum image quality. Sometimes, patients with poor windows were excluded.^10,14,15 In several of the studies, the images analyzed were collected in ideal scenarios, by experienced specialists, or were packages from supplier centers. Therefore, larger studies with low-quality images, especially in patients with poor windows, hemodynamically unstable, or in non-ideal settings (ICU, emergency) should be encouraged. Third, most softwares are capable of measuring a limited number of parameters. Thus, further studies can validate the benefits of using AI beyond the parameters studied in this review.

Conclusion

The application of AI in the area of echocardiography has proven to be a highly effective and accurate method in four main domains (Central Illustration). AI provides the automation and standardization of images and respective measurements, which results in more accurate diagnoses, overcoming the limitations found in manipulation by a human sonographer. Furthermore, AI has also proven to be a facilitating tool in obtaining satisfactory results even when used by non-experts. The advantages offered by AI make the exam much faster and more accessible, as the duration of training for a specialist professional is one of the challenges of exam availability in public health. Therefore, as a result of the facts presented, AI is a beneficial resource that can be widely implemented in echocardiography services, as the advantages presented by the method cover a wide range of dimensions, from the accuracy of results and data integration for clinical correlation to the prevention of ergonomic diseases related to the sonographer's work.

Editor responsible for the review: Daniela do Carmo Rassi Frota

Sources of Funding

There were no external funding sources for this study.

Study Association

This study is not associated with any thesis or dissertation work.

Ethics Approval and Consent to Participate

This article does not contain any studies with human participants or animals performed by any of the authors.

Referências 1

Davis

A

Billick

K

Horton

K

Jankowski

M

Knoll

P

Marshall

JE

Artificial Intelligence and Echocardiography: A Primer for Cardiac Sonographers

J Am Soc Echocardiogr 2020 33 9 1061 1066

10.1016/j.echo.2020.04.025

Davis A, Billick K, Horton K, Jankowski M, Knoll P, Marshall JE, et al. Artificial Intelligence and Echocardiography: A Primer for Cardiac Sonographers. J Am Soc Echocardiogr. 2020;33(9):1061-6. doi: 10.1016/j.echo.2020.04.025.

2

Chu

WK

Raeside

DE

Fourier Analysis of the Echocardiogram

Phys Med Biol 1978 23 1 100 105

10.1088/0031-9155/23/1/009

Chu WK, Raeside DE. Fourier Analysis of the Echocardiogram. Phys Med Biol. 1978;23(1):100-5. doi: 10.1088/0031-9155/23/1/009.

3

Akkus

Z

Aly

YH

Attia

IZ

Lopez-Jimenez

F

Arruda-Olson

AM

Pellikka

PA

Artificial Intelligence (AI)-Empowered Echocardiography Interpretation: A State-of-the-Art Review

J Clin Med 2021 10 7 1391 1391

10.3390/jcm10071391

Akkus Z, Aly YH, Attia IZ, Lopez-Jimenez F, Arruda-Olson AM, Pellikka PA, et al. Artificial Intelligence (AI)-Empowered Echocardiography Interpretation: A State-of-the-Art Review. J Clin Med. 2021;10(7):1391. doi: 10.3390/jcm10071391.

4

Alsharqi

M

Woodward

WJ

Mumith

JA

Markham

DC

Upton

R

Leeson

P

Artificial Intelligence and Echocardiography

Echo Res Pract 2018 5 4 R115 R125

10.1530/ERP-18-0056

Alsharqi M, Woodward WJ, Mumith JA, Markham DC, Upton R, Leeson P. Artificial Intelligence and Echocardiography. Echo Res Pract. 2018;5(4):R115-R125. doi: 10.1530/ERP-18-0056.

5

Klempfner

RV

Lang

RM

Mor-Avi

V

Guile

B

Hipke

K

Cotella

JI

Novel Artificial Intelligence Guidance Algorithm Enables Acquisition by Novices of Diagnostic Quality Echocardiographic Images

J Am Coll Cardiol 2023 81 8 1401 1401

10.1016/S0735-1097(23)01845-4

Klempfner RV, Lang RM, Mor-Avi V, Guile B, Hipke K, Cotella JI, et al. Novel Artificial Intelligence Guidance Algorithm Enables Acquisition by Novices of Diagnostic Quality Echocardiographic Images. J Am Coll Cardiol. 2023;81(8):1401. doi: 10.1016/S0735-1097(23)01845-4.

6

Thachil

R

Hanson

D

Artificial Intelligence in Echocardiography: A Disruptive Technology for Democratizing and Standardizing Health

J Am Soc Echocardiogr 2022 35 8 A14 A16

10.1016/j.echo.2022.06.001

Thachil R, Hanson D. Artificial Intelligence in Echocardiography: A Disruptive Technology for Democratizing and Standardizing Health. J Am Soc Echocardiogr. 2022;35(8):A14-A16. doi: 10.1016/j.echo.2022.06.001.

7

Helbach

J

Hoffmann

F

Pieper

D

Allers

K

Reporting According to the Preferred Reporting Items for Systematic Reviews and Meta-Analyses for Abstracts (PRISMA-A) Depends on Abstract Length

J Clin Epidemiol 2023 154 167 177

10.1016/j.jclinepi.2022.12.019

Helbach J, Hoffmann F, Pieper D, Allers K. Reporting According to the Preferred Reporting Items for Systematic Reviews and Meta-Analyses for Abstracts (PRISMA-A) Depends on Abstract Length. J Clin Epidemiol. 2023;154:167-77. doi: 10.1016/j.jclinepi.2022.12.019.

8

Cotella

JI

Slivnick

JA

Sanderson

E

Singulane

C

O'Driscoll

J

Asch

FM

Artificial Intelligence Based Left Ventricular Ejection Fraction and Global Longitudinal Strain in Cardiac Amyloidosis

Echocardiography 2023 40 3 188 195

10.1111/echo.15516

Cotella JI, Slivnick JA, Sanderson E, Singulane C, O'Driscoll J, Asch FM, et al. Artificial Intelligence Based Left Ventricular Ejection Fraction and Global Longitudinal Strain in Cardiac Amyloidosis. Echocardiography. 2023;40(3):188-95. doi: 10.1111/echo.15516.

9

He

B

Kwan

AC

Cho

JH

Yuan

N

Pollick

C

Shiota

T

Blinded, Randomized Trial of Sonographer Versus AI Cardiac Function Assessment

Nature 2023 616 7957 520 524

10.1038/s41586-023-05947-3

He B, Kwan AC, Cho JH, Yuan N, Pollick C, Shiota T, et al. Blinded, Randomized Trial of Sonographer Versus AI Cardiac Function Assessment. Nature. 2023;616(7957):520-4. doi: 10.1038/s41586-023-05947-3.

10

Papadopoulou

SL

Sachpekidis

V

Kantartzi

V

Styliadis

I

Nihoyannopoulos

P

Clinical Validation of an Artificial Intelligence-Assisted Algorithm for Automated Quantification of Left Ventricular Ejection Fraction in Real Time by a Novel Handheld Ultrasound Device

Eur Heart J Digit Health 2022 3 1 29 37

10.1093/ehjdh/ztac001

Papadopoulou SL, Sachpekidis V, Kantartzi V, Styliadis I, Nihoyannopoulos P. Clinical Validation of an Artificial Intelligence-Assisted Algorithm for Automated Quantification of Left Ventricular Ejection Fraction in Real Time by a Novel Handheld Ultrasound Device. Eur Heart J Digit Health. 2022;3(1):29-37. doi: 10.1093/ehjdh/ztac001.

11

Salte

IM

Østvik

A

Smistad

E

Melichova

D

Nguyen

TM

Karlsen

S

Artificial Intelligence for Automatic Measurement of Left Ventricular Strain in Echocardiography

JACC Cardiovasc Imaging 2021 14 10 1918 1928

10.1016/j.jcmg.2021.04.018

Salte IM, Østvik A, Smistad E, Melichova D, Nguyen TM, Karlsen S, et al. Artificial Intelligence for Automatic Measurement of Left Ventricular Strain in Echocardiography. JACC Cardiovasc Imaging. 2021;14(10):1918-28. doi: 10.1016/j.jcmg.2021.04.018.

12

Penso

M

Ranalletta

RA

Pepi

M

Garlaschè

A

Ali

SG

Fusini

L

Comparison Between Automatic and Semiautomatic System for the 3D Echocardiographic Multiparametric Evaluation of RV Function and Dimension

J Clin Med 2022 11 15 4528 4528

10.3390/jcm11154528

Penso M, Ranalletta RA, Pepi M, Garlaschè A, Ali SG, Fusini L, et al. Comparison Between Automatic and Semiautomatic System for the 3D Echocardiographic Multiparametric Evaluation of RV Function and Dimension. J Clin Med. 2022;11(15):4528. doi: 10.3390/jcm11154528.

13

Asch

FM

Mor-Avi

V

Rubenson

D

Goldstein

S

Saric

M

Mikati

I

Deep Learning-Based Automated Echocardiographic Quantification of Left Ventricular Ejection Fraction: A Point-of-Care Solution

Circ Cardiovasc Imaging 2021 14 6

e012293

10.1161/CIRCIMAGING.120.012293

Asch FM, Mor-Avi V, Rubenson D, Goldstein S, Saric M, Mikati I, et al. Deep Learning-Based Automated Echocardiographic Quantification of Left Ventricular Ejection Fraction: A Point-of-Care Solution. Circ Cardiovasc Imaging. 2021;14(6):e012293. doi: 10.1161/CIRCIMAGING.120.012293.

14

Sveric

KM

Botan

R

Dindane

Z

Winkler

A

Nowack

T

Heitmann

C

Single-Site Experience with an Automated Artificial Intelligence Application for Left Ventricular Ejection Fraction Measurement in Echocardiography

Diagnostics (Basel) 2023 13 7 1298 1298

10.3390/diagnostics13071298

Sveric KM, Botan R, Dindane Z, Winkler A, Nowack T, Heitmann C, et al. Single-Site Experience with an Automated Artificial Intelligence Application for Left Ventricular Ejection Fraction Measurement in Echocardiography. Diagnostics (Basel). 2023;13(7):1298. doi: 10.3390/diagnostics13071298.

15

Wang

TKM

Cremer

PC

Chan

N

Piotrowska

H

Woodward

G

Jaber

WA

Utility of an Automated Artificial Intelligence Echocardiography Software in Risk Stratification of Hospitalized COVID-19 Patients

Life (Basel) 2022 12 9 1413 1413

10.3390/life12091413

Wang TKM, Cremer PC, Chan N, Piotrowska H, Woodward G, Jaber WA. Utility of an Automated Artificial Intelligence Echocardiography Software in Risk Stratification of Hospitalized COVID-19 Patients. Life (Basel). 2022;12(9):1413. doi: 10.3390/life12091413.

16

Liel-Cohen

N

Kobal

S

Butnaru

A

Alper-Suissa

L

Feinstein

S

A Novel Artificial Intelligence-Based System Provides Global Longitudinal Strain Automatically Behind the Scenes

Eur Heart J Cardiovasc Imaging 2022 23 1 i8 i9

10.1093/ehjci/jeab289.004

Liel-Cohen N, Kobal S, Butnaru A, Alper-Suissa L, Feinstein S. A Novel Artificial Intelligence-Based System Provides Global Longitudinal Strain Automatically Behind the Scenes. Eur Heart J Cardiovasc Imaging. 2022;23(1):i8-i9. doi: 10.1093/ehjci/jeab289.004.

17

Di Candia

A

Castaldi

B

Cati

A

Basso

A

Fumanelli

J

Sabatino

J

AI do it Better. Reproducibility of Fully Automated Versus Manual Analysis of Left Ventricle Function Using a New Software

Eur Heart J Cardiovasc Imaging 2022 23 1 i252 i253

10.1093/ehjci/jeab289.183

Di Candia A, Castaldi B, Cati A, Basso A, Fumanelli J, Sabatino J, et al. AI do it Better. Reproducibility of Fully Automated Versus Manual Analysis of Left Ventricle Function Using a New Software. Eur Heart J Cardiovasc Imaging. 2022;23(1):i252-i3. doi: 10.1093/ehjci/jeab289.183.

18

Popoff

A

Langet

H

Piro

P

Ropert

C

Allain

P

Gauriau

R

Can we Improve the Accuracy and Reproducibility of Left Ventricular Ejection Fraction from 2D Echocardiography Using Artificial Intelligence? A Validation Against Cardiac Magnetic resonance

Eur Heart J Cardiovasc Imaging 2020 21 1 I34 I35

10.1093/ehjci/jez319.032

Popoff A, Langet H, Piro P, Ropert C, Allain P, Gauriau R, et al. Can we Improve the Accuracy and Reproducibility of Left Ventricular Ejection Fraction from 2D Echocardiography Using Artificial Intelligence? A Validation Against Cardiac Magnetic resonance. Eur Heart J Cardiovasc Imaging. 2020;21(1):I34-I5. doi: 10.1093/ehjci/jez319.032.

19

Varudo

R

Gonzalez

FA

Leote

J

Martins

C

Bacariza

J

Fernandes

A

Machine Learning for the Real-Time Assessment of Left Ventricular Ejection Fraction in Critically Ill Patients: A Bedside Evaluation by Novices and Experts in Echocardiography

Crit Care 2022 26 1 386 386

10.1186/s13054-022-04269-6

Varudo R, Gonzalez FA, Leote J, Martins C, Bacariza J, Fernandes A, et al. Machine Learning for the Real-Time Assessment of Left Ventricular Ejection Fraction in Critically Ill Patients: A Bedside Evaluation by Novices and Experts in Echocardiography. Crit Care. 2022;26(1):386. doi: 10.1186/s13054-022-04269-6.

20

Burke

D

Corrigan

N

Herlihy

M

Nasaj

O

Dickson

J

Delaney

D

Real World Evaluation of Artificial Intelligence Echocardiography Image Guidance and Acquisition with Novice Scanners in Multiple Clinical Settings

Eur Heart J Cardiovasc Imaging 2022 23 1 i20 i20

10.1093/ehjci/jeab289.011

Burke D, Corrigan N, Herlihy M, Nasaj O, Dickson J, Delaney D, et al. Real World Evaluation of Artificial Intelligence Echocardiography Image Guidance and Acquisition with Novice Scanners in Multiple Clinical Settings. Eur Heart J Cardiovasc Imaging. 2022;23(1):i20. 10.1093/ehjci/jeab289.011.

21

Narang

A

Bae

R

Hong

H

Thomas

Y

Surette

S

Cadieu

C

Utility of a Deep-Learning Algorithm to Guide Novices to Acquire Echocardiograms for Limited Diagnostic Use

JAMA Cardiol 2021 6 6 624 632

10.1001/jamacardio.2021.0185

Narang A, Bae R, Hong H, Thomas Y, Surette S, Cadieu C, et al. Utility of a Deep-Learning Algorithm to Guide Novices to Acquire Echocardiograms for Limited Diagnostic Use. JAMA Cardiol. 2021;6(6):624-32. doi: 10.1001/jamacardio.2021.0185.

22

Surette

S

Narang

A

Bae

R

Hong

H

Thomas

Y

Cadieu

C

Artificial Intelligence-Guided Image Acquisition on Patients with Implanted Electrophysiological Devices: Results from a Pivotal Prospective Multi-Center Clinical Trial

Eur Heart J 2020 41 2 6 6

10.1093/ehjci/ehaa946.0006

Surette S, Narang A, Bae R, Hong H, Thomas Y, Cadieu C, et al. Artificial Intelligence-Guided Image Acquisition on Patients with Implanted Electrophysiological Devices: Results from a Pivotal Prospective Multi-Center Clinical Trial. Eur Heart J. 2020;41(2):6. doi: 10.1093/ehjci/ehaa946.0006.

23

Schneider

M

Bartko

P

Geller

W

Dannenberg

V

König

A

Binder

C

A machine Learning Algorithm Supports Ultrasound-Naïve Novices in the Acquisition of Diagnostic Echocardiography Loops and Provides Accurate Estimation of LVEF

Int J Cardiovasc Imaging 2021 37 2 577 586

10.1007/s10554-020-02046-6

Schneider M, Bartko P, Geller W, Dannenberg V, König A, Binder C, et al. A machine Learning Algorithm Supports Ultrasound-Naïve Novices in the Acquisition of Diagnostic Echocardiography Loops and Provides Accurate Estimation of LVEF. Int J Cardiovasc Imaging. 2021;37(2):577-86. doi: 10.1007/s10554-020-02046-6.

24

Motazedian

P

Marbach

J

Prosperi-Porta

G

Parlow

S

Di Santo

P

Jung

R

Point-of-Care Ultrasonography: Artificial Intelligence in the Assessment of Left Ventricular Function

Circulation 2022 146 1 15710 15710

10.1161/circ.146.suppl_1.15710Circulation

Motazedian P, Marbach J, Prosperi-Porta G, Parlow S, Di Santo P, Jung R, et al. Point-of-Care Ultrasonography: Artificial Intelligence in the Assessment of Left Ventricular Function. Circulation. 2022;146(1):15710. doi: 10.1161/circ.146.suppl_1.15710Circulation.

25

Peck

D

Rwebembera

J

Nakagaayi

D

Minja

NW

Ollberding

NJ

Pulle

J

The Use of Artificial Intelligence Guidance for Rheumatic Heart Disease Screening by Novices

J Am Soc Echocardiogr 2023 36 7 724 732

10.1016/j.echo.2023.03.001

Peck D, Rwebembera J, Nakagaayi D, Minja NW, Ollberding NJ, Pulle J, et al. The Use of Artificial Intelligence Guidance for Rheumatic Heart Disease Screening by Novices. J Am Soc Echocardiogr. 2023;36(7):724-32. doi: 10.1016/j.echo.2023.03.001.

26

Zhai

S

Wang

H

Sun

L

Zhang

B

Huo

F

Qiu

S

Artificial Intelligence (AI) Versus Expert: A Comparison of Left Ventricular Outflow Tract Velocity Time Integral (LVOT-VTI) Assessment Between ICU Doctors and an AI Tool

J Appl Clin Med Phys 2022 23 8

e13724

10.1002/acm2.13724

Zhai S, Wang H, Sun L, Zhang B, Huo F, Qiu S, et al. Artificial Intelligence (AI) Versus Expert: A Comparison of Left Ventricular Outflow Tract Velocity Time Integral (LVOT-VTI) Assessment Between ICU Doctors and an AI Tool. J Appl Clin Med Phys. 2022;23(8):e13724. doi: 10.1002/acm2.13724.

27

Dadon

Z

Butnaru

A

Rosenmann

D

Alper-Suissa

L

Glikson

M

Alpert

EA

Use of Artificial Intelligence as a Didactic Tool to Improve Ejection Fraction Assessment in the Emergency Department: A Randomized Controlled Pilot Study

AEM Educ Train 2022 6 2

e10738

10.1002/aet2.10738

Dadon Z, Butnaru A, Rosenmann D, Alper-Suissa L, Glikson M, Alpert EA. Use of Artificial Intelligence as a Didactic Tool to Improve Ejection Fraction Assessment in the Emergency Department: A Randomized Controlled Pilot Study. AEM Educ Train. 2022;6(2):e10738. doi: 10.1002/aet2.10738.

28

O'Driscoll

JM

Hawkes

W

Beqiri

A

Mumith

A

Parker

A

Upton

R

Left Ventricular Assessment with Artificial Intelligence Increases the Diagnostic Accuracy of Stress Echocardiography

Eur Heart J Open 2022 2 5 oeac059

10.1093/ehjopen/oeac059

O'Driscoll JM, Hawkes W, Beqiri A, Mumith A, Parker A, Upton R, et al. Left Ventricular Assessment with Artificial Intelligence Increases the Diagnostic Accuracy of Stress Echocardiography. Eur Heart J Open. 2022;2(5):oeac059. doi: 10.1093/ehjopen/oeac059.

29

Kusunose

K

Abe

T

Haga

A

Fukuda

D

Yamada

H

Harada

M

A Deep Learning Approach for Assessment of Regional Wall Motion Abnormality from Echocardiographic Images

JACC Cardiovasc Imaging 2020 13 2 Pt 1 374 381

10.1016/j.jcmg.2019.02.024

Kusunose K, Abe T, Haga A, Fukuda D, Yamada H, Harada M, et al. A Deep Learning Approach for Assessment of Regional Wall Motion Abnormality from Echocardiographic Images. JACC Cardiovasc Imaging. 2020;13(2 Pt 1):374-81. doi: 10.1016/j.jcmg.2019.02.024.

30

Stowell

C

Howard

J

Demetrescu

C

Bhattacharyya

S

Mangion

K

Vimalesvaran

K

Fully Automated Global Longitudinal Strain Assessment Using Artificial Intelligence Developed and Validated by a UK-wide Echocardiography Expert Collaborative

Eur Heart J 2021 42 1 2 2

10.1161/CIRCIMAGING.120.011951

Stowell C, Howard J, Demetrescu C, Bhattacharyya S, Mangion K, Vimalesvaran K, et al. Fully Automated Global Longitudinal Strain Assessment Using Artificial Intelligence Developed and Validated by a UK-wide Echocardiography Expert Collaborative. Eur Heart J. 2021;42(1):2. doi: 10.1161/CIRCIMAGING.120.011951.

31

Tromp

J

Seekings

PJ

Hung

CL

Iversen

MB

Frost

MJ

Ouwerkerk

W

Automated Interpretation of Systolic and Diastolic Function on the Echocardiogram: A Multicohort Study

Lancet Digit Health 2022 4 1 e46 e54

10.1016/S2589-7500(21)00235-1

Tromp J, Seekings PJ, Hung CL, Iversen MB, Frost MJ, Ouwerkerk W, et al. Automated Interpretation of Systolic and Diastolic Function on the Echocardiogram: A Multicohort Study. Lancet Digit Health. 2022;4(1):e46-e54. doi: 10.1016/S2589-7500(21)00235-1.

32

Asch

FM

Poilvert

N

Abraham

T

Jankowski

M

Cleve

J

Adams

M

Automated Echocardiographic Quantification of Left Ventricular Ejection Fraction Without Volume Measurements Using a Machine Learning Algorithm Mimicking a Human Expert

Circ Cardiovasc Imaging 2019 12 9

e009303

10.1161/CIRCIMAGING.119.009303

Asch FM, Poilvert N, Abraham T, Jankowski M, Cleve J, Adams M, et al. Automated Echocardiographic Quantification of Left Ventricular Ejection Fraction Without Volume Measurements Using a Machine Learning Algorithm Mimicking a Human Expert. Circ Cardiovasc Imaging. 2019;12(9):e009303. doi: 10.1161/CIRCIMAGING.119.009303.

33

Hanif

W

Goldberg

Y

Taub

CC

Vorchheimer

DA

Slipczuk

L

Ho

E

Automated Measurement of Global Longitudinal Strain by Speckle-Tracking Echocardiography in Cardio-Oncology Patients Using Artificial Intelligence

Circulation 2021 144 1 A11383 A11383

10.1161/circ.144.suppl_1.11383

Hanif W, Goldberg Y, Taub CC, Vorchheimer DA, Slipczuk L, Ho E, et al. Automated Measurement of Global Longitudinal Strain by Speckle-Tracking Echocardiography in Cardio-Oncology Patients Using Artificial Intelligence. Circulation. 2021;144(1):A11383. doi: 10.1161/circ.144.suppl_1.11383.

34

Fung

A

Moulson

N

Balthazaar

S

Girgis

H

van Woudenberg

N

Abolmaesumi

P

Can Artificial Intelligence Assess Image Quality in Point-Of-Care Ultrassound?

Canadian Journal of Cardiology 2019 35 10 146 146

10.1016/j.cjca.2019.07.566

Fung A, Moulson N, Balthazaar S, Girgis H, van Woudenberg N, Abolmaesumi P, et al. Can Artificial Intelligence Assess Image Quality in Point-Of-Care Ultrassound? Canadian Journal of Cardiology. 2019;35(10):146. doi: 10.1016/j.cjca.2019.07.566.

35

Kusunose

K

Haga

A

Abe

T

Sata

M

Utilization of Artificial Intelligence in Echocardiography

Circ J 2019 83 8 1623 1629

10.1253/circj.CJ-19-0420

Kusunose K, Haga A, Abe T, Sata M. Utilization of Artificial Intelligence in Echocardiography. Circ J. 2019;83(8):1623-9. doi: 10.1253/circj.CJ-19-0420.

36

Asch

FM

Descamps

T

Sarwar

R

Karagodin

I

Singulane

CC

Xie

M

Human Versus Artificial Intelligence-Based Echocardiographic Analysis as a Predictor of Outcomes: An Analysis from the World Alliance Societies of Echocardiography COVID Study

J Am Soc Echocardiogr 2022 35 12 1226.e7 1237.e7

10.1016/j.echo.2022.07.004

Asch FM, Descamps T, Sarwar R, Karagodin I, Singulane CC, Xie M, et al. Human Versus Artificial Intelligence-Based Echocardiographic Analysis as a Predictor of Outcomes: An Analysis from the World Alliance Societies of Echocardiography COVID Study. J Am Soc Echocardiogr. 2022;35(12):1226-37.e7. doi: 10.1016/j.echo.2022.07.004.

10.36660/abcimg.20230085

Artigo Original

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

0000-0003-0988-5282

Neves

Henrique Alexsander Ferreira

Concepção e desenho da pesquisa obtenção de dados e análise e interpretação dos dados redação do manuscrito ¹

0000-0001-9735-4590

Yuasa

Bruna Sadae

Concepção e desenho da pesquisa obtenção de dados e análise e interpretação dos dados redação do manuscrito ¹

0009-0003-8756-8116

Costa

Thamires Hadassa Leite Pereira

Concepção e desenho da pesquisa obtenção de dados e análise e interpretação dos dados redação do manuscrito ¹

0009-0009-1438-2947

Santos

Isabela Ertes

Concepção e desenho da pesquisa obtenção de dados e análise e interpretação dos dados redação do manuscrito ¹

0009-0001-3556-5218

Benavides

Yannirê Milagros Roman

Concepção e desenho da pesquisa obtenção de dados e análise e interpretação dos dados redação do manuscrito ¹

0000-0003-0794-7339

Lofrano-Alves

Marco Stephan

Concepção e desenho da pesquisa obtenção de dados e análise e interpretação dos dados revisão crítica do manuscrito quanto ao conteúdo intelectual importante ¹ 1

Curitiba

PR

Brasil Universidade Federal do Paraná, Curitiba, PR – Brasil

Correspondência: Marco Stephan Lofrano-Alves • Universidade Federal do Paraná, Departamento de Clínica Médica. Rua Mateus Leme, 3945, apt 504. CEP: 82200-000. Curitiba, PR – Brasil. E-mail: mslalves@hotmail.com

Potencial Conflito de Interesse

Declaro não haver conflito de interesses pertinentes.

Resumo Histórico:

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

Objetivos:

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

Métodos:

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

Resultados:

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

Conclusão:

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

Palavras-chave: Ecocardiografia Inteligência Artificial Aprendizado de Máquina Aprendizado Profundo Deformação Longitudinal Global

Fluxograma de busca e seleção de estudos sobre o uso de IA na ecocardiografia. IA: inteligência artificial Introdução

A ecocardiografia é o método de imagem mais solicitado na Cardiologia e faz parte da investigação de rotina da maioria das doenças cardíacas. Devido à sua natureza não invasiva, não ionizante, alta disponibilidade e portabilidade, o método está presente em vários cenários clínicos: ambulatoriais, hospitalares, unidades de urgência e emergência, unidades de terapia intensiva e como guia para procedimentos intervencionistas e cirúrgicos. Normalmente, é a primeira opção para acessar a anatomia e função cardíacas. No entanto, a dependência do operador e a qualidade da imagem podem influenciar as medições ecocardiográficas. Desde seu desenvolvimento, o método tem avançado no sentido da padronização e incorporação de novas tecnologias com o objetivo de reduzir sua variabilidade.

Este avanço se deve, em parte, ao uso da inteligência artificial (IA). “IA” é um termo amplo cunhado por Arthur Samuel na década de 1960. Aplica-se a qualquer programa de computador, como algoritmos e modelos, que imitam a lógica e a inteligência humanas.¹ Na ecocardiografia, o primeiro uso foi na década de 1970, quando a análise de Fourier foi utilizada para avaliar a válvula mitral com o auxílio do modo M.² As medições semiautomatizadas já fazem parte da prática laboratorial ecocardiográfica de hoje. Em seu fluxo de trabalho, os dispositivos modernos vêm equipados com pacotes de software que auxiliam nas medições e cálculos, como a fração de ejeção do ventrículo esquerdo (FEVE), a deformação miocárdica (strain) e o estudo Doppler para avaliação hemodinâmica.¹

O aprendizado de máquina é um dos subcampos da IA. O computador recebe os dados, aprende com eles, prevê um resultado e, utilizando métodos estatísticos, pode até melhorar o seu desempenho na próxima vez que lhe forem apresentados dados semelhantes. Isso permite, por exemplo, que uma máquina treinada identifique estruturas dentro de uma nova imagem e as identifique com precisão. Outro subcampo surgiu posteriormente: o deep learning, ou aprendizado profundo. Ele é aplicado quando se deseja processar uma grande quantidade de dados. Neste caso, os dados são tratados como grandes subconjuntos. Assim como em uma rede neural biológica, o processamento é organizado em uma cadeia oculta composta por milhares de camadas neurais artificiais consecutivas até que um resultado final seja alcançado.¹ Uma rede neural artificial pode usar operações de convolução, que permitem que um terceiro dado seja gerado a partir de dois dados de entrada, chamadas redes neurais convolucionais.³

Nesse sentido, a IA na ecocardiografia pode ser extremamente vantajosa para identificar, quantificar e interpretar imagens, minimizar a variação entre as avaliações, fornecer medições reprodutíveis e fornecer um diagnóstico preciso. O examinador pode encontrar grande suporte nesta tecnologia, o que permitiria reduzir o tempo gasto na extração e integração de dados, ficando evidente o potencial de tornar o sistema de saúde mais sustentável.⁴ Além disso, a prática ecocardiográfica orientada por IA não apenas simplificaria a tomada de decisões clínicas, mas também forneceria métodos de aprendizagem com feedback interativo para treinar examinadores menos experientes.⁵

Assim, o uso da IA na ecocardiografia pode ser dividido em quatro cenários principais: educação, aquisição de imagens, análise de imagens e integração com dados clínicos.⁶ Embora existam evidências positivas sobre o papel da tecnologia de IA no diagnóstico ecocardiográfico, ainda há desafios a serem superados, como a padronização insuficiente dos protocolos ecocardiográficos e a generalização insuficiente dos modelos em aplicações clínicas.⁶

Dadas as limitações da técnica e a necessidade de investigar tendências futuras, a presente revisão sistemática foi realizada com base em diversos estudos para validar externamente o desempenho da tecnologia de IA na ecocardiografia. Embora trabalhos semelhantes sejam encontrados na literatura que investigaram a aplicação da IA na análise automatizada de imagens ecocardiográficas, este estudo procurou realizar um levantamento das inovações na área com ênfase nos últimos cinco anos para explorar o uso da IA na ecocardiografia, analisando as evidências atuais de sua eficácia e discutindo seu potencial para melhorar o cuidado cardíaco.

Métodos

Trata-se de uma revisão sistemática de acordo com o Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA).⁷ Foram pesquisados artigos nas bases de dados MEDLINE, EMBASE, SCOPUS e Cochrane Central de janeiro de 2000 a março de 2023, sem restrições de idiomas, sendo o nosso método alvo a ecocardiografia, cuja intervenção é o uso de IA durante alguma fase do exame, com textos completos e descritores presentes no título ou resumo do artigo. Os seguintes descritores em inglês foram utilizados para a pesquisa: (“Artificial Intelligence”) E (“Echocardiography”) E (“Function” OU “Strain”). Também verificamos as referidas bases de dados quanto à presença de revisões sistemáticas anteriores ou em curso sobre o assunto. Foram combinados resultados de diferentes bases de dados e resultados duplicados foram descartados com uso do software Zotero. Dois investigadores (H.A.F.N e B.S.Y) realizaram a pesquisa de forma independente e cinco investigadores chegaram a um acordo sobre a elegibilidade dos estudos (H.A.F.N, B.S.Y, T.H.L.P.C, I.E.S, e Y.M.R.B). Inicialmente, foi realizada uma primeira triagem para identificar estudos que avaliaram o uso de qualquer tipo de IA durante o exame ecocardiográfico. Em uma segunda etapa, selecionamos os artigos a serem lidos na íntegra por meio da plataforma Rayyan e avaliamos a relevância dos dados, bem como se havia mais de um artigo avaliando a mesma coorte de pacientes. Uma terceira etapa consistiu em rever as referências dos artigos selecionados para obter outras fontes não reveladas na pesquisa digital. Classificamos os estudos de acordo com seu desenho (caso-controle, randomizado, coorte retrospectiva, coorte prospectiva, relato de caso), em relação ao objetivo principal do uso de IA e ao principal resultado encontrado no estudo. Para cada estudo, foram extraídas as seguintes informações: primeiro autor; instituição do estudo; data de início e fim; ano de publicação; centro único ou multicêntrico; características da população estudada (idade média, distribuição por sexo); parâmetros ecocardiográficos avaliados; métodos e janelas utilizados para avaliar a função cardíaca; modelo de IA; desenho do estudo; conclusões do estudo.

Resultados

Foram identificadas 729 referências em pesquisas em bases de dados eletrônicas, descartando-se 336 repetições e outros 359 resultados que foram excluídos por título e/ou resumo. Obtivemos 33 artigos para leitura completa, dos quais três foram descartados por não se enquadrarem no escopo da revisão segundo os autores. Apenas um artigo adicional foi incluído após pesquisa manual das referências (Figura 1). Um total de 31 artigos foram incluídos na análise qualitativa desta revisão, sendo classificados em quatro categorias principais: 1) estudos que utilizam IA para análise de imagens e parâmetros ecocardiográficos (N = 14, Tabela 1); 2) estudos que utilizam IA no processo de aquisição de imagens (N = 11, Tabela 2); 3) estudos que utilizam IA para integração com dados clínicos (N = 3, Tabela 3); e 4) estudos que treinaram software de IA para aplicação ao fluxo do exame (N = 3, Tabela 4); todos os artigos foram publicados em inglês. Vinte e seis artigos são provenientes de um único centro, sendo 7 (%) dos Estados Unidos, 2 (%) de Israel, 2 (%) da Noruega, 2 (%) da Itália, 2 (%) da Inglaterra, 1 (%) da Alemanha, 1 (%) da Grécia, 1 (%) da França, 1 (%) do Uganda, 1 (%) de Portugal, 1 (%) da Irlanda, 1 (%) da Áustria, 1 (%) dos Países Baixos, 1 (%) da China, 1 (%) do Canadá e 1 (%) do Japão. Um único artigo foi desenvolvido em diversos centros (13 centros diferentes). Quatro artigos não informaram o país onde o estudo foi realizado.

Figure 1 PRISMA flow diagram of study screening and selection

Tabela 1 Estudos que utilizam IA para análise de imagens

Autor/ano	País	Desenho e objetivo	N	Parâmetros avaliados	Modelo de IA	Principais resultados
Cotella et al., 2023⁸		Coorte retrospectiva Avaliar o cálculo da FEVE e do SLG feito pela IA em pacientes com amiloidose	51	FEVE, SLG	EchoGo Core 2.0, Ultromics	A FEVE e o SLG calculados por IA totalmente automatizada são comparáveis às medições manuais em pacientes com amiloidose cardíaca.
Sveric et al., 2023¹⁴	Alemanha	Coorte prospectiva Investigar a viabilidade da IA para o cálculo da FEVE no fluxo de trabalho	889	FEVE	LVivo Seamless^TM	A aplicação baseada em IA identificou automaticamente as janelas apicais padrão do VE e mediu a FEVE. Produziu resultados semelhantes aos do método biplano de Simpson modificado atualmente utilizado e pode melhorar a quantificação da FEVE.
He et al., 2023⁹	EUA	Estudo clínico randomizado Comparar a avaliação inicial da FEVE pelo ultrassonografista e pela IA	3495	FEVE	EchoNet-Dynamic	Os cardiologistas não conseguiram distinguir as avaliações iniciais realizadas pela IA e pelo ultrassonografista. A avaliação inicial da FEVE por IA não foi inferior à avaliação por ultrassonografistas.
Wang et al., 2022¹⁵	EUA	Coorte retrospectiva Avaliar a usabilidade de um software de IA em pacientes com COVID-19	50	FEVE, SLG, VDF, VSF	EchoGo, Ultromics	Os resultados apresentados pelo software EchoGo demonstraram correlações elevadas com os volumes do ventrículo esquerdo e correlações moderadas com a FEVE e o SLG em comparação com as medições padrão de ecocardiograma transtorácico.
Liel-Cohen et al., 2022¹⁶	Israel	Coorte retrospectiva Avaliar a capacidade da IA de identificar projeções e comparar os resultados do SLG com os métodos convencionais	100	SLG	LVivo Seamless^TM	Os resultados fornecidos pela solução LVivo Seamless baseada em IA demonstraram excelente capacidade para identificar automaticamente as projeções 4CH, 2CH e 3CH, juntamente com excelentes resultados referentes ao SLG em comparação com imagens funcionais automatizadas.
Papadopoulou et al., 2022¹⁰	-	Coorte retrospectiva Avaliar a precisão de um novo HUD com algoritmo assistido por IA para calcular automaticamente a FEVE	100	FEVE	Auto EF, Vivid™	O algoritmo autoEF assistido por IA em um novo HUD é capaz de calcular com precisão a FEVE em tempo real, em comparação com o método biplano manual de Simpson recomendado, empregado em sistemas fixos em uma população geral de pacientes.
Salte et al., 2021¹¹	Noruega	Coorte retrospectiva Examinar medições automatizadas do SLG utilizando aprendizado profundo e IA e comparar com métodos convencionais	200	SLG	EchoPAC SWO v.202, GE Ultrasound	Medições totalmente automatizadas do SLG por meio de uma nova tecnologia de aprendizado profundo baseada em IA para estimativa de movimento são viáveis e rápidas e produzem resultados comparáveis àqueles obtidos com o software semiautomatizado mais utilizado.
Hanif et al., 2021³³	-	Transversal Testar se a medição do strain por IA pode ser mais confiável em comparação com a interpretação humana	52	SLG	EchoGo, Ultromics	A análise do strain longitudinal por IA foi viável na maioria dos ecocardiogramas sem qualquer intervenção do operador. O viés entre o strain longitudinal medido pelo EchoGo e pelo software convencional parece ser pequeno.
Penso et al., 2022¹²	Itália	Transversal Viabilidade, comparação e avaliação da medição do strain por IA em comparação com métodos convencionais	203	FEVR, SLPLVD	3D Auto RV, Philips Medical Systems	A rápida análise e a excelente reprodutibilidade da análise do ventrículo direito em ecocardiograma 3D por IA fundamentam o uso rotineiro do sistema.
Di Candia et al., 2022¹⁷	Itália	Transversal Comparar os resultados de uma análise totalmente automatizada e de uma análise manual do traçado utilizando um novo software de IA	28	FEVE	IA Simpson e IA Wall Motion Tracking (Rastreio do Movimento de Parede)	A análise totalmente automatizada por IA revelou-se tecnicamente simples, menos demorada e altamente reprodutível. Isso reduz a variabilidade das medições manuais entre diferentes ultrassonografistas e em momentos diferentes.
Papadopoulou et al., 2022¹⁰	Grécia	Transversal Avaliar a confiabilidade e a precisão do diagnóstico de um HUD assistido por IA para calcular automaticamente a fração de ejeção	100	FEVE	Kosmos autoEF	A utilização de um novo HUD assistido por IA forneceu resultados de FEVE semelhantes aos obtidos pelo método biplano manual de Simpson em sistemas fixos e demonstra potencial clínico.
Popoff et al., 2020¹⁸	França	Transversal Avaliar a precisão e reprodutibilidade da ferramenta de IA para calcular volumes do VE e FE em comparação com a ressonância magnética cardíaca como referência	114	FEVE	Um modelo de redes neurais convolucionais profundas	Em comparação com o contorno manual, o volume ventricular esquerdo e a FE por IA demonstraram precisão comparável ou melhor e maior reprodutibilidade. Esses resultados demonstram o valor das ferramentas de IA, com potencial para automação total, para avaliação objetiva e acompanhamento da função cardíaca.
Asch et al., 2021¹³	EUA	Coorte prospectiva Determinar se as estimativas automatizadas feitas por IA podem ser utilizadas para classificar com precisão a função do VE	233	FEVE	Algoritmo de aprendizado de máquina, Caption Health	O novo algoritmo de aprendizado de máquina permite uma avaliação precisa e automatizada da função do VE a partir de projeções ecocardiográficas comumente utilizadas à beira leito. Esta abordagem permitirá que mais profissionais à beira leito avaliem com precisão a função do VE.

VDF: volume diastólico final do ventrículo esquerdo; SLG: strain longitudinal global; FEVE: fração de ejeção do ventrículo esquerdo; IA: inteligência artificial; EF: fração de ejeção automática; A4C: apical quatro câmaras; A2C: apical duas câmaras; VD: ventrículo direito; LVOT-VTI: via de saída do ventrículo esquerdo integral da velocidade-tempo; PLAX: corte paraesternal eixo longo; corte paraesternal eixo curto; IVC: veia cava inferior; 4CH: 4 câmaras; 2CH: 2 câmaras; 3CH: 3 câmaras

Tabela 2 Estudos que utilizam IA para aquisição de imagens.

Autor/ano	País	Desenho e objetivo do estudo	N	Parâmetros avaliados	Modelo de IA	Principais resultados
Peck et al., 2023²⁵	Uganda	Transversal. Avaliar a capacidade de não especialistas em obter imagens de qualidade diagnóstica em pacientes com cardiopatia reumática empregando orientação por IA com Doppler colorido	50	Presença / ausência de cardiopatia reumática, morfologia anormal da válvula mitral e regurgitação mitral	-	A orientação por IA com Doppler colorido é viável para permitir a triagem de cardiopatia reumática por não especialistas, com desempenho significativamente melhor para avaliação da válvula mitral do que da aórtica.
Klempfner et al., 2023⁵	EUA	Coorte prospectiva. Determinar a precisão diagnóstica de estudos ecocardiográficos obtidos por usuários inexperientes guiados por um algoritmo de IA	240	Dimensão e função do ventrículo esquerdo e direito, derrame pericárdico, morfologia valvar, dimensão da atrial esquerda e da veia cava inferior	Algoritmo UltraSight	Após treinamento mínimo com um novo software de orientação por IA, usuários inexperientes conseguiram adquirir imagens em 10 projeções ecocardiográficas cardíacas padrão com qualidade diagnóstica que se aproxima daquela obtida por ultrassonografistas especialistas.
Dadon et al., 2022²⁷	Israel	Ensaio clínico randomizado avaliar o uso da IA como uma ferramenta didática para melhorar a avaliação da FEVE por clínicos-gerais não cardiologistas a partir da projeção A4C	-	FEVE	LVivo EF	O uso de uma ferramenta de IA por clínicos-gerais que trabalham no serviço de emergência melhorou a precisão da avaliação da FEVE em comparação com o grupo de controle.
Varudo et al., 2022¹⁹	Portugal	Coorte prospectiva. Comparar as medições em tempo real realizadas por profissionais inexperientes e por especialistas com as medições de referência da FEVE realizadas manualmente por ecografistas	95	FEVE	Algoritmo EF em Tempo Real	As medições em tempo real da FEVE por aprendizado de máquina apresentaram forte correlação com as medições manuais realizadas por especialistas.
Burke et al., 2022²⁰	Irlanda	Transversal. Avaliar a qualidade do estudo por profissionais inexperientes com orientação por IA	120	Qualidade da imagem para determinar a FEVE, derrame pericárdico	Sistema Caption AI	A tecnologia Caption AI permite, com segurança, que profissionais inexperientes realizem ecocardiogramas eficientes e precisos à beira leito em diferentes contextos clínicos que sejam comparáveis aos realizados por profissionais especializados.
Narang et al., 2021²¹	EUA	Coorte prospectiva. Testar se profissionais inexperientes conseguem obter estudos ecocardiográficos transtorácicos de 10 projeções de qualidade diagnóstica utilizando um software de aprendizado profundo	240	Tamanho do ventrículo esquerdo, função, derrame pericárdico e tamanho do ventrículo direito	Orientação Software Caption	O algoritmo de aprendizado profundo permite que iniciantes sem experiência em ultrassonografia obtenham estudos ecocardiográficos transtorácicos para fins de diagnóstico, para avaliação do tamanho e função do ventrículo esquerdo, tamanho do ventrículo direito e presença de derrame pericárdico não trivial.
Surette et al., 2020²²	EUA	Ensaio clínico multicêntrico prospectivo. Avaliar se as imagens adquiridas por iniciantes com orientação do software foram de qualidade diagnóstica em pacientes com e sem dispositivos eletrofisiológicos implantados	240	Tamanho e função do ventrículo direito	-	O novo software de aprendizado profundo pode orientar profissionais inexperientes a realizar ecocardiogramas transtorácicos que permitam a avaliação qualitativa do tamanho do VD, mesmo na presença de dispositivos eletrofisiológicos implantados.
Schneider et al., 2020²³	Áustria	Transversal. Avaliar se o novo algoritmo de aprendizado de máquina pode ajudar operadores inexperientes a adquirir loops de imagem de diagnóstico	14	FEVE	-	O algoritmo de aprendizado de máquina pode orientar ultrassonografistas inexperientes a adquirir loops de eco de diagnóstico e fornecer um cálculo automatizado da FEVE que seja comparável ao realizado por um especialista humano.
Motazedian et al., 2022²⁴	Holanda	Coorte prospectiva. Determinar a precisão da FEVE em exame US à beira leito guiado por IA em comparação com o ecocardiograma transtorácico formal	449	FEVE	EchoNous Kosmos	A US à beira leito assistida por IA realizada por profissionais inexperientes e experientes pode determinar com precisão a FEVE em comparação com um ecocardiograma transtorácico abrangente.
Zhai et al., 2022²⁶	China	Transversal. Identificar o grau de correlação entre LVOT-VTI automatizada e LVOT-VTI manual realizado por médicos especialistas em US à beira leito	46	LVOT‐VTI	Software de IA	A IA pode fornecer orientação em tempo real a operadores iniciantes que não possuem experiência para adquirir a projeção padrão ideal.
Fung et al., 2019³⁴	Canadá	Coorte prospectiva. Avaliar a precisão do sistema de IA para avaliar a qualidade da imagem em comparação com a análise subjetiva realizada por especialistas	53	PLAX, PSAX, A2C, A4C e IVC subcostal	-	O sistema de IA é capaz de avaliar a qualidade da imagem com precisão modesta.

A2C: apical duas câmaras; A4C: apical quatro câmaras; IVC: veia cava inferior; FEVE: fração de ejeção do ventrículo esquerdo; LVOT-VTI: via de saída do ventrículo esquerdo integral da velocidade-tempo; PLAX: corte paraesternal eixo longo; PSAX: corte paraesternal eixo curto; VD: ventrículo direito; SLG: strain longitudinal global; VDF: volume diastólico final do ventrículo esquerdo; VSF: volume sistólico final do ventrículo esquerdo; HUD: dispositivo de ultrassom portátil; AutoEF: fração de ejeção automática; FEVR: fração de ejeção do ventrículo direito; SLPLVD: strain longitudinal da parede livre do ventrículo direito; US: ultrassonografia.

Tabela 3 Estudos que utilizam IA para integração com dados clínicos

Autor/ ano	País	Desenho e objetivo do estudo	N	Parâmetros avaliados	Modelo de IA	Principais resultados
Kusunose et al., 2019³⁵	Japão	Coorte prospectiva. Investigar se uma DCNN poderia detectar RWMAs com mais eficiência	300	Presença de anomalias do movimento da parede	ResNet, DenseNet, Inception-ResNet, Inception e Xception	Os resultados apoiam a possibilidade de utilizar DCNN para o diagnóstico automatizado de RWMAs no campo da ecocardiografia.
O'Driscoll et al., 2022²⁸	Inglaterra	Coorte retrospectiva. Avaliar se a FEVE e o SLG, calculados automaticamente pela IA, aumentam o desempenho diagnóstico da ecocardiografia sob estresse para a detecção de DAC	512	FEVE e SLG em repouso e stress	EchoGo Core 1.0, Ultromics	O cálculo da FEVE e do SLG por IA por meio do contorno em ecocardiografias sob estresse com e sem contraste, em repouso e sob estresse, é viável e melhora independentemente a identificação da DAC obstrutiva para além dos métodos convencionais.
Asch et al., 2022³⁶	Multicêntrico	Coorte prospectiva. Testar a hipótese de que a análise por IA de imagens ecocardiográficas poderia prever a mortalidade com mais precisão do que a análise convencional por um especialista humano	870	FEVE, SLVE	EchoGo Core, Ultromics	A análise por IA da FEVE e do SLVE apresentou viabilidade semelhante à análise manual e as análises por IA, mas não as manuais, foram um fator significativo de predição de mortalidade hospitalar e durante período de acompanhamento.

DAC: doença arterial coronariana; DCNN: rede neural convolucional profunda; SLG: strain longitudinal global; FEVE: fração de ejeção do ventrículo esquerdo; SLVE: strain longitudinal do ventrículo esquerdo; RWMAs: anormalidades no movimento regional da parede; SE: ecocardiograma sob estresse; IA: inteligência artificial.

Tabela 4 Estudos que desenvolveram uma IA

Autor e ano	País	Desenho e objetivo do estudo	Número de pacientes	Parâmetros avaliados	Modelo de IA	Principais resultados
Asch et al., 2019³²	EUA	Transversal Desenvolver um algoritmo e testar sua viabilidade e precisão para quantificação automatizada da FEVE por um computador especialista bem treinado em comparação à referência	99	FEVE	AutoEF (BayLabs)	O algoritmo de aprendizado de máquina para a estimativa da FEVE que evita a segmentação de imagens e as medições de volume é altamente viável e pode produzir resultados estritamente comparáveis aos obtidos por profissionais experientes utilizando a metodologia convencional.
Stowell et al., 2021³⁰	Inglaterra	Transversal Desenvolver um método baseado em aprendizado de máquina, treinado e validado por especialistas credenciados da AI Echocardiography Collaborative	-	Strain longitudinal do ventrículo esquerdo	-	A medição de strain por IA de código aberto e independente do fornecedor automaticamente produz valores compatíveis com o consenso de especialistas e com os obtidos por especialistas individualmente.
Tromp et al., 2021³¹	Cingapura	Transversal Desenvolver um fluxo de trabalho de aprendizado profundo totalmente automatizado para classificar, segmentar e anotar vídeos bidimensionais e modalidades Doppler em ecocardiogramas	-	-	-	Os algoritmos de aprendizado profundo podem anotar automaticamente vídeos 2D e modalidades Doppler com precisão semelhante às medições manuais por ultrassonografistas especializados.

AutoEF: fração de ejeção automática; FEVE: fração de ejeção do ventrículo esquerdo; IA: inteligência artificial.

Discussão

A implementação de ferramentas de IA no estudo ecocardiográfico pode melhorar o atendimento ao paciente, bem como otimizar o diagnóstico e o tratamento. Os estudos incluídos nesta revisão sistemática são favoráveis à aplicação da tecnologia automatizada na rotina do exame devido à sua similaridade, viabilidade, utilidade, precisão, exatidão e reprodutibilidade comparáveis à avaliação manual. Embora o uso de IA no exame ainda seja limitado e, portanto, propenso a modificações que visem avançar e aperfeiçoar o método, o benefício que a tecnologia representa para a ecocardiografia parece superar quaisquer receios ou desvantagens.

Análise de imagem e parâmetros ecocardiográficos

A medição automatizada realizada por IA de parâmetros como FEVE e strain longitudinal global (SLG) pode ser comparável à medição manual por ultrassonografistas experientes e o uso dessas ferramentas preservou a precisão da medição de forma confiável.^8–13 Isso é relevante devido aos benefícios adicionais oferecidos: maior eficácia operacional do exame e qualidade da consistência das análises;⁶ menos variabilidade entre diferentes examinadores,^14–18 superando limitações humanas como cansaço ou distração; e maior reprodutibilidade do exame.¹

Aquisição de imagem

Grande parte da literatura se concentra na interpretação ou análise pela IA de imagens já adquiridas, mas há evidências crescentes sobre o uso da tecnologia de IA para aquisição de imagens por não especialistas.^5,19–24 A tecnologia automatizada pode orientar um examinador não especialista, reconhecendo imagens incorretas e a necessidade de visualizações ou melhorias adicionais. Também pode ajudar a padronizar a aquisição de imagem e as medições.^1,6 Dessa forma, seria uma ferramenta utilizada para otimizar o treinamento e os estudos ecocardiográficos,^5,25,26 sendo possível adquirir imagens de qualidade diagnóstica comparáveis às adquiridas manualmente por especialistas.^{5,19,20,22–24} A tecnologia é aplicável na prática clínica, em emergências e em áreas remotas com recursos escassos e poucos profissionais experientes.^5,21,25,27

Integração com dados clínicos

No campo da ecocardiografia, a interpretação dos achados dos exames é necessária para melhorar o cuidado e o monitoramento dos pacientes. Assim, o treinamento de softwares de IA para associar dados de imagem a dados clínicos do paciente permite obter informações de diagnóstico relevantes sem a necessidade de habilidades avançadas de análise por um especialista e sem despender tempo e recursos. A correlação com anomalias funcionais, estados patológicos, previsão de desfechos e estratificação de risco são exemplos dos benefícios que a integração entre algoritmos e dados clínicos pode oferecer. Os resultados apresentados pelo estudo de Kusunose et al. apoiam a possibilidade de utilização de software de IA para o diagnóstico automatizado de anomalias funcionais, e o estudo de O'Driscoll et al. para o cálculo da FEVE e do SLG.^28,29 No futuro, a integração de softwares de IA com dados clínicos pode possibilitar a formulação de terapias personalizadas para cada paciente.

Desenvolvimento da IA

Bases de dados de estudos ecocardiográficos foram utilizadas para treinar protocolos e algoritmos de aprendizado profundo para detectar disfunção cardíaca, identificar anomalias anatômicas e definir fluxos de trabalho.^30–32 Após o treinamento, a precisão observada foi semelhante à precisão obtida com metodologias convencionais. Esta validação é indispensável, pois no desenvolvimento de softwares de IA, tanto o software quanto as imagens provêm de fornecedores externos. A qualidade das imagens utilizadas é um ponto relevante, uma vez que, caso os dados inseridos sejam de baixa qualidade, tendenciosos ou restritos, a interpretação pelo algoritmo também será. Um desafio futuro será desenvolver algoritmos de aprendizado profundo que possam ser empregados em diferentes equipamentos, possuam nomenclaturas padrão e armazenem e recuperem dados de forma independente do fornecedor.¹

A incorporação da IA na prática clínica levanta preocupações éticas principalmente relacionadas à responsabilidade, à medida que o cuidado se torna mais indireto, e à transparência, conforme se questiona a extensão daquilo que deve ser informado ao paciente e por ele consentido. É importante lembrar que o uso da IA já faz parte da rotina das pessoas e esse tipo de tecnologia está cada vez mais disponível para a sociedade. Esta interação tende a ser irreversível e, certamente, não será diferente na prática médica e na ecocardiografia. Mesmo assim, não se trata de uma competição entre humanos e máquinas. Não conseguimos imaginar um cenário no qual um substitua o outro. Pelo contrário, a IA está a favor do médico e contra a obscuridade das limitações sistêmicas e humanas, tais como: alta demanda, falta de especialistas, ergonomia e esgotamento dos serviços. Especialmente porque, ao aumentar a eficácia operacional do exame, as habilidades do médico especialista podem ser empregadas de forma mais eficiente. Espera-se que o uso da IA ajude a democratizar o acesso ao exame, representando um avanço na assistência à saúde.

A presente revisão sistemática possui limitações. Em primeiro lugar, a grande maioria dos estudos tem um desenho transversal. No entanto, como nosso objetivo era a validação diagnóstica, estudos com esse desenho são suficientes para demonstrar a não inferioridade dos métodos. Os desenhos que estudam medidas de associação em longo prazo podem esclarecer melhor os benefícios da IA para a qualidade do acompanhamento longitudinal dos pacientes. Em segundo lugar, os softwares de IA geralmente necessitam de uma qualidade mínima de imagem. Por vezes, pacientes com janelas ruins foram excluídos.^10,14,15 Em diversos estudos, as imagens analisadas foram coletadas em cenários ideais por especialistas experientes ou faziam parte de pacotes provenientes de centros de fornecedores. É necessário realizar estudos maiores com imagens de baixa qualidade, especialmente em pacientes com janelas ruins, hemodinamicamente instáveis ou em ambientes não ideais (UTI, emergência). Em terceiro lugar, a maioria dos softwares consegue medir um número limitado de parâmetros. Assim, estudos adicionais podem validar os benefícios do uso da IA além dos parâmetros estudados nesta revisão.

Conclusão

O uso de IA na área da ecocardiografia provou ser um método altamente eficaz e preciso em quatro domínios principais (Figura Central). A IA proporciona a automatização e padronização das imagens e respectivas medições, o que proporciona diagnósticos mais precisos, superando as limitações encontradas na manipulação por ultrassonografistas humanos. Além disso, a IA também provou ser um instrumento facilitador para a obtenção de resultados satisfatórios, mesmo quando utilizada por não especialistas. As vantagens oferecidas pela IA tornam o exame muito mais rápido e acessível, uma vez que a duração da formação de um profissional especializado é um dos desafios da disponibilidade de exames na saúde pública. Portanto, tendo em vista os fatos mencionados, a IA é um recurso favorável que pode ser altamente implementado nos serviços de ecocardiografia, pois as vantagens apresentadas pelo método abrangem diferentes dimensões, desde a precisão dos resultados e integração de dados para correlação clínica até a prevenção de doenças ergonômicas relacionadas ao trabalho do ultrassonografista.

Editor responsável pela revisão: Daniela do Carmo Rassi Frota

Fontes de Financiamento

O presente estudo não teve fontes de financiamento externas.

Vinculação Acadêmica

Não há vinculação deste estudo a programas de pós-graduação.

Aprovação Ética e Consentimento Informado

Este artigo não contém estudos com humanos ou animais realizados por nenhum dos autores.