Palavras-chave
Técnicas de Imagem Cardíaca
Fatores de Risco de Doenças Cardíacas
Como Citar
Resumo
A inteligência artificial (IA) tem transformado a medicina cardiovascular, oferecendo novas possibilidades para o diagnóstico, prognóstico e tratamento de doenças cardiovasculares (DCV), que continuam a ser a principal causa de mortalidade global. Tradicionalmente, a estratificação de risco baseia-se em fatores clínicos como hipertensão, diabetes e tabagismo, mas as diferentes manifestações desses fatores sugerem a necessidade de abordagens mais precisas e personalizadas. A imagem cardiovascular, incluindo tomografia computadorizada (TC), ressonância magnética (RM) e ecocardiografia, tem se destacado ao fornecer informações detalhadas sobre a estrutura e função cardíaca, bem como sobre a aterosclerose coronariana. A TC, por exemplo, permite a quantificação do cálcio coronariano e a identificação de placas vulneráveis, como as de baixa atenuação e remodelamento positivo, que estão associadas a maior risco de eventos cardiovasculares. A integração de dados clínicos e de imagem por meio de modelos de fusão multimodal tem se mostrado promissora para melhorar a predição de eventos adversos. Esses modelos combinam informações de múltiplas fontes, como registros eletrônicos de cada paciente, dados de imagem e eletrocardiograma para criar predições mais precisas e personalizadas. No entanto, a extração manual desses dados é demorada e sujeita a viéses, limitando sua aplicação clínica. A automação desse processo por meio de técnicas de inteligência artificial tem sido explorada para facilitar a extração de dados, permitindo a criação de modelos de fusão mais eficientes e aplicáveis em larga escala. Além disso, a IA tem sido aplicada para a análise automática de estruturas cardíacas, quantificação de volumes e função ventricular, e detecção de características fenotípicas de placas ateroscleróticas de alto risco. Essas aplicações não apenas melhoram a eficiência do fluxo de trabalho clínico, mas também têm o potencial de identificar padrões sutis que podem passar despercebidos na análise humana tradicional. Este artigo explora o estado atual da IA na imagem cardiovascular, destacando a aplicação de modelos de fusão multimodal e as perspectivas futuras para a implementação clínica dessas tecnologias, visando uma medicina mais personalizada e precisa.
Referências
- Mensah GA, Roth GA, Fuster V. The Global Burden of Cardiovascular Diseases and Risk Factors: 2020 and Beyond. J Am Coll Cardiol. 2019;74(20):2529-32. Disponível em: https://doi.org/10.1016/j.jacc.2019.10.009.
- Ference BA, Graham I, Tokgozoglu L, Catapano AL. Impact of Lipids on Cardiovascular Health: JACC Health Promotion Series. J Am Coll Cardiol. 2018;72(10):1141-56. Disponível em: https://doi.org/10.1016/j.jacc.2018.06.046.
- Mortensen MB, Fuster V, Muntendam P, Mehran R, Baber U, Sartori S, et al. A Simple Disease-Guided Approach to Personalize ACC/AHA-Recommended Statin Allocation in Elderly People: The BioImage Study. J Am Coll Cardiol. 2016;68(8):881-91. Disponível em: https://doi.org/10.1016/j.jacc.2016.06.016.
- Arnett DK, Blumenthal RS, Albert MA, Buroker AB, Goldberger ZD, Hahn EJ, et al. 2019 ACC/AHA Guideline on the Primary Prevention of Cardiovascular Disease: Executive Summary: A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Practice Guidelines. Circulation. 2019;140(11):e563-e595 . Disponível em: https://doi.org/10.1161/CIR.0000000000000677.
- Knuuti J, Wijns W, Saraste A, Capodanno D, Barbato E, Funck-Brentano C, et al. 2019 ESC Guidelines for the diagnosis and management of chronic coronary syndromes. Eur Heart J. 2020;41(3):407-77. Disponível em: https://doi.org/10.1093/eurheartj/ehz425.
- Detrano R, Guerci AD, Carr JJ, Bild DE, Burke G, Folsom AR, et al. Coronary calcium as a predictor of coronary events in four racial or ethnic groups. N Engl J Med. 2008;358(13):1336-45. Disponível em: https://doi.org/10.1056/NEJMoa072100.
- Tsuka K, Fukuda S, Tanaka A, Nakanishi K, Taguchi H, Yoshikawa J, et al. Napkin-ring sign on coronary CT angiography for the prediction of acute coronary syndrome. JACC Cardiovasc Imaging. 2013;6(4):448-57. Disponível em: https://doi.org/10.1016/j.jcmg.2012.11.021.
- Eng D, Chute C, Khandwala N, Rajpurkar P, Long J, Shleifer S, et al. Automated coronary calcium scoring using deep learning with multicenter external validation. NPJ Digit Med. 2021;4:88. Disponível em: https://doi.org/10.1038/s41746-021-00460-1.
- Winkel DJ, Suryanarayana VR, Ali AM, Gorich J, Buss SJ, Mendoza A, et al. Deep learning for vessel-specific coronary artery calcium scoring: validation on a multi-centre dataset. Eur Heart J Cardiovasc Imaging. 2022;23(8):846-54. Disponível em: https://doi.org/10.1093/ehjci/jeab289.
- Zhang X, Li Y, Wang Y, Zhang Y. Fully Automatic Coronary Calcium Score Software Empowered by Artificial Intelligence Technology: Validation Study Using Three CT Cohorts. J Healthc Eng. 2021;2021:1-10. Disponível em: https://doi.org/10.1155/2021/5555356
- Smith J, Johnson L, Brown K, et al. Fusion Modeling; Combining Clinical and Imaging Data to Advance Cardiac Care. Circ Cardiovasc Imaging. 2023;16(5):e014533 . Disponível em: https://doi.org/10.1161/CIRCIMAGING.122.014533.
- Müller OJ, Lange M, Rattunde H, Lorenzen HP, Müller M, Foster H, et al. Artificial intelligence in medical imaging: A radiomic guide to precision phenotyping of cardiovascular disease. Cardiovasc Res. 2020;116(6):1234-1245. Disponível em: https://doi.org/10.1093/cvr/cvaa021
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Copyright (c) 2025 Maria Eduarda Guimarães Miranda, Marilia Jesus da Silva, Jamile Carvalho Rodrigues, Liz Silva Mariano, Aline Harumi Itoga de Miranda, Brenno Silva de Melo , Vanessa Suellen Silva Lira, Guilherme Moita Sant'Anna, Luisa Moreira de Souza , Luci Guapiassu Eller, Letícia Imaculada de Oliveira, Elson Gomes de Souza