APLICACIONES DE LA INTELIGENCIA ARTIFICIAL EN EXÁMENES DE IMAGEN CARDÍACA (ECOCARDIOGRAFÍA Y ANGIO-TC CORONARIA): PRECISIÓN, VIABILIDAD CLÍNICA Y SESGOS ALGORÍTMICOS: UNA REVISIÓN INTEGRATIVA
DOI:
https://doi.org/10.47820/recima21.v7i1.7150Palabras clave:
Inteligencia artificial, Ecocardiografía, Angiotomografía coronariaResumen
Las enfermedades cardiovasculares (ECV) siguen siendo la principal causa de morbimortalidad a nivel mundial, lo que exige estrategias de diagnóstico precisas y escalables. La inteligencia artificial (IA), mediante algoritmos de aprendizaje profundo, surge como una tecnología disruptiva para el análisis de imágenes médicas. Esta revisión integradora tuvo como objetivo evaluar el impacto de la IA en la interpretación de la ecocardiografía y la angiotomografía computarizada coronaria (angio-TC), analizando la precisión diagnóstica, la viabilidad clínica y los sesgos. Se seleccionaron 16 artículos publicados entre 2021 y 2025 en las bases de datos PubMed, Scopus y Web of Science. Los resultados evidencian que los modelos de redes neuronales convolucionales (CNN) alcanzan áreas bajo la curva (AUC) consistentemente superiores a 0,90, con sensibilidad y especificidad comparables o superiores a las de los especialistas en la detección de estenosis coronarias significativas y en la segmentación de las cámaras cardíacas. Se observó una reducción significativa de la variabilidad entre observadores (entre el 20 % y el 40 %) y una optimización del flujo de trabajo, además de la ayuda en la adquisición de imágenes por parte de operadores inexpertos. Sin embargo, persisten barreras críticas: la falta de estandarización de los protocolos, el sesgo del conjunto de datos y la limitada interpretabilidad de los modelos. Se concluye que, aunque la IA tiene el potencial de democratizar el diagnóstico de alta precisión, su integración segura en la práctica clínica depende de validaciones multicéntricas externas, una mayor transparencia algorítmica y el establecimiento de directrices éticas y normativas sólidas.
Descargas
Referencias
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
Descargas
Publicado
Número
Sección
Categorías
Licencia
Derechos de autor 2026 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
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.
