APLICAÇÕES DA INTELIGÊNCIA ARTIFICIAL EM EXAMES DE IMAGEM CARDÍACA (ECOCARDIOGRAFIA E ANGIO-TC DE CORONÁRIAS): ACURÁCIA, VIABILIDADE CLÍNICA E VIESES ALGORÍTMICOS – UMA REVISÃO INTEGRATIVA
Resumo
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.
Biografia do Autor
Graduando em Medicina
Graduanda em Medicina
Graduanda em Medicina
Graduanda em Medicina
Graduanda em Medicina
Graduanda em Medicina
Graduanda em Medicina
Médico
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
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.