APLICAÇÕES DA INTELIGÊNCIA ARTIFICIAL EM EXAMES DE IMAGEM CARDÍACA (ECOCARDIOGRAFIA E ANGIO-TC DE CORONÁRIAS): ACURÁCIA, VIABILIDADE CLÍNICA E VIESES ALGORÍTMICOS – UMA REVISÃO INTEGRATIVA
DOI:
https://doi.org/10.47820/recima21.v7i1.7150Palavras-chave:
Inteligência Artificial, Ecocardiografia, Angiotomografia CoronáriaResumo
As doenças cardiovasculares (DCV) permanecem como a principal causa de morbimortalidade global, demandando estratégias diagnósticas precisas e escaláveis. A Inteligência Artificial (IA), por meio de algoritmos de deep learning, surge como uma tecnologia disruptiva para a análise de imagens médicas. Esta revisão integrativa teve como objetivo avaliar o impacto da IA na interpretação da ecocardiografia e da angiotomografia computadorizada de coronárias (angio-TC), analisando acurácia diagnóstica, viabilidade clínica e vieses algorítmicos. Foram selecionados 16 artigos publicados entre 2021 e 2025 nas bases PubMed, Scopus e Web of Science, ScienceDirect e Google Scholar. Os resultados demonstraram que modelos baseados em redes neurais convolucionais (CNN) alcançam áreas sob a curva (AUC) consistentemente superiores a 0,90, com sensibilidade e especificidade comparáveis ou superiores às de especialistas humanos, tanto na detecção de estenoses coronarianas significativas quanto na segmentação de câmaras cardíacas. Observou-se redução expressiva da variabilidade interobservador (entre 20% e 40%) e otimização do fluxo de trabalho clínico, além do suporte à aquisição de imagens por operadores inexperientes. Contudo, persistiram limitações relevantes, como a ausência de padronização de protocolos, o dataset bias (viés de base de dados) e a limitada interpretabilidade (black-box) dos modelos. Concluiu-se que, embora a IA apresente elevado potencial para democratizar o diagnóstico de alta precisão, sua incorporação segura à prática clínica depende de validações externas multicêntricas, maior transparência algorítmica e estabelecimento de diretrizes ético-regulatórias robustas.
Downloads
Referências
DU, M. et al. Inteligência Artificial em Angiografia por TC para a Detecção de Estenose Arterial Coronariana e Placa Calcificada: Uma Revisão Sistemática e Meta-análise. Radiologia Acadêmica, v. 32, n. 7, p. 3776-3787, jul. 2025. Disponível em: https://doi.org/10.1016/j.acra.2025.03.054. DOI: https://doi.org/10.1016/j.acra.2025.03.054
IRANNEGJAD, K. et al. Inteligência artificial na angiografia por TC coronária: transformando o diagnóstico e a estratificação de risco de aterosclerose. International Journal of Cardiovascular Imaging, v. 41, n. 9, p. 1643-1656, set. 2025. Disponível em: https://doi.org/10.1007/s10554-025-03440-8. DOI: https://doi.org/10.1007/s10554-025-03440-8
KARAKUŞ, G.; DEĞIRMENCIOĞLU, A.; NANDA, N. C. Inteligência artificial em ecocardiografia: Revisão e limitações, incluindo preocupações epistemológicas. Ecocardiografia, v. 39, n. 8, p. 1044-1053, ago. 2022. Disponível em: https://doi.org/10.1111/echo.15417. DOI: https://doi.org/10.1111/echo.15417
KRITTANAWONG, C. et al. Aprendizagem Profunda para Ecocardiografia: Introdução para Médicos e Visão Futura: Revisão de Estado da Arte. Life, v. 13, n. 4, p. 1029, 17 abr. 2023. Disponível em: https://doi.org/10.3390/life13041029. DOI: https://doi.org/10.3390/life13041029
LIU, B. et al. A deep learning framework assisted echocardiography (AIEchoDx) differentiating common cardiac diseases. Scientific Reports, 2022/2023.
LIU, Y. et al. Application of artificial intelligence in echocardiography from 2009 to 2024: a bibliometric analysis. Frontiers in Medicine, v. 12, p. 1587364, 29 jul. 2025. Disponível em: https://doi.org/10.3389/fmed.2025.1587364. DOI: https://doi.org/10.3389/fmed.2025.1587364
MATURI, B. et al. Revolutionizing Cardiology: The Role of Artificial Intelligence in Echocardiography. Journal of Clinical Medicine, v. 14, n. 2, p. 625, 19 jan. 2025. Disponível em: https://doi.org/10.3390/jcm14020625. DOI: https://doi.org/10.3390/jcm14020625
MOR-AVI, V. et al. Medição assistida por aprendizado profundo de parâmetros ecocardiográficos do coração esquerdo: melhoria na variabilidade interobservador e na eficiência do fluxo de trabalho. The International Journal of Cardiovascular Imaging, v. 39, n. 12, p. 2507-2516, dez. 2023. Disponível em: https://doi.org/10.1007/s10554-023-02960-5. DOI: https://doi.org/10.1007/s10554-023-02960-5
MYHRE, P. L. et al. Ecocardiografia aprimorada por inteligência artificial no manejo de doenças cardiovasculares. Nature Reviews Cardiology, 5 ago. 2025. Disponível em: https://doi.org/10.1038/s41569-025-01197-0. DOI: https://doi.org/10.1038/s41569-025-01197-0
NARANG, A. et al. Utility of a Deep-Learning Algorithm to Guide Novices to Acquire Echocardiograms for Limited Diagnostic Use. JAMA Cardiology, v. 6, n. 6, p. 624–632, jun. 2021. Disponível em: https://doi.org/10.1001/jamacardio.2021.0185. DOI: https://doi.org/10.1001/jamacardio.2021.0185
SCHULZE, K. et al. Coronary CT angiography evaluation with artificial intelligence for individualized medical treatment of atherosclerosis: a Consensus Statement from the QCI Study Group. Nature Reviews Cardiology, 1 ago. 2025. Disponível em: https://doi.org/10.1038/s41569-025-01191-6. DOI: https://doi.org/10.1038/s41569-025-01191-6
SHRIVASTAVA, P. et al. Uma revisão sistemática sobre angiografia por TC coronariana habilitada para aprendizado profundo para quantificação de placa e estenose e previsão de risco cardíaco. European Journal of Radiology Open, v. 14, p. 100652, 2 maio 2025. Disponível em: https://doi.org/10.1016/j.ejro.2025.100652. DOI: https://doi.org/10.1016/j.ejro.2025.100652
STAMATE, E. et al. Revolutionizing Cardiology through Artificial Intelligence-Big Data from Proactive Prevention to Precise Diagnostics and Cutting-Edge Treatment-A Comprehensive Review of the Past 5 Years. Diagnostics, v. 14, n. 11, p. 1103, 26 maio 2024. Disponível em: https://doi.org/10.3390/diagnostics14111103. DOI: https://doi.org/10.3390/diagnostics14111103
TROMP, J. et al. A formal validation of a deep learning-based automated interpretation of echocardiography parameters. Nature Communications, 2022. DOI: https://doi.org/10.1038/s41467-022-34245-1
TU, Li et al. Accuracy of deep learning in the differential diagnosis of coronary artery stenosis: a systematic review and meta-analysis. BMC Medical Imaging, v. 24, n. 243, 2024. Disponível em: https://doi.org/10.1186/s12880-024-01403-4. DOI: https://doi.org/10.1186/s12880-024-01403-4
VAN HERTEN, R. L. M. et al. O papel da inteligência artificial na angiografia por TC coronária. Netherlands Heart Journal, v. 32, n. 11, p. 417-425, nov. 2024. Disponível em: https://doi.org/10.1007/s12471-024-01901-8. DOI: https://doi.org/10.1007/s12471-024-01901-8
Downloads
Publicado
Licença
Copyright (c) 2026 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.
