Assine o DeepL Pro para traduzir arquivos maiores.

Mais informações em www.DeepL.com/pro.

REVISÃO

Papel emergente da inteligência artificial na

eletrofisiologia cardíaca
Rajesh Kabra, MD, FHRS,* Sharat Israni, PhD,† Bharat Vijay, MS,‡ Chaitanya Baru, PhD,x
Raghuveer Mendu, BTech, Mark Fellman, BS,{ Arun Sridhar, MD, FHRS,#
Pamela Mason, MD, FHRS,** Jim W. Cheung, MD, FHRS,††
Luigi DiBiase, MD, PhD, FHRS,‡‡ Srijoy Mahapatra, MD, FHRS,xx
Jerome Kalifa, MD, PhD, Steven A. Lubitz, MD,{{ Peter A. Noseworthy, MD, FHRS,##
Rachita Navara, MD,*** David D. McManus, MD, FHRS,††† Mitchell Cohen, MD,‡‡‡
Mina K. Chung, MD, FHRS,xxx Natalia Trayanova, PhD, FHRS,
Rakesh Gopinathannair, MD, FHRS,* Dhanunjaya Lakkireddy, MD, FHRS*
Do *Kansas City Heart Rhythm Institute, Kansas City, Kansas,† Bakar Computational Health Sciences
Institute, University of California, San Francisco, California,‡ AmberTag Inc, Milpitas, California,x San
Diego Supercomputer Center, University of California, San Diego, San Diego, California, NeuCures
Inc, Los Angeles, Califórnia,{ Fellman Device Group LLC, Rockville, Maryland,# University of
Washington, Seattle, Washington, **Department of Medicine, University of Virginia, Charlottesville,
Virginia,†† Division of Cardiology, Department of Medicine, Weill Cornell Medicine, New York, New
York,‡‡ Albert Einstein College of Medicine at Montefiore Hospital, Nova York, Nova York,xx
Department of Medicine, University of Minnesota, Minneapolis, Minnesota, Department of
Cardiology, Brown University, Providence, Rhode Island,{{ Cardiac Arrhythmia Service,
Massachusetts General Hospital, Boston, Massachusetts,## Department of Cardiovascular Medicine,
Mayo Clinic, Rochester, Minnesota,
***Division of Cardiac Electrophysiology, University of California, San Francisco, San Francisco,
California,††† Department of Medicine, University of Massachusetts Chan Medical School, Worcester,
Massachusetts,‡‡‡ Division of Pediatric Cardiology, INOVA Children's Hospital, Fairfax, Virgínia,xxx
Division of Cardiovascular Medicine, Cleveland Clinic, Cleveland, Ohio, e Department of
Biomedical Engineering and Alliance for Cardiovascular Diagnostic and Treatment Innovation, Johns
Hopkins University, Baltimore, Maryland.

A inteligência artificial (IA) e o aprendizado de máquina (AM)
tiveram um impacto significativo no campo da medicina
cardiovascular, especialmente na eletrofisiologia cardíaca
(EP), em várias frentes. O objetivo desta revisão é familiarizar
os leitores com o campo da IA e do AM e sua função
emergente na EP. A presente análise está dividida em três
seções. Na primeira seção, discutimos as definições e os
conceitos básicos de IA, AM e Big Data. Na segunda seção,
discutimos sua aplicação à EP no contexto da detecção,
previsão e gerenciamento de arritmias. Por fim,
discutimos as questões regulatórias, os desafios e as direções
futuras da IA em EP.
PALAVRAS-CHAVE: Inteligência artificial; Aprendizado de máquina;
Aprendizado profundo; Eletrofisiologia cardíaca; Big data;
Modelagem computacional
(Cardiovascular Digital Health Journal 2022;3:263-275) © 2022
Heart Rhythm Society. Este é um artigo de acesso aberto sob a
licença CC
BY (http://creativecommons.org/licenses/by/4.0/).

Introdução - Inteligência artificial, aprendizado
de máquina e big data
O Projeto de Pesquisa de Verão de Dartmouth sobre
Inteligência Artificial, de 1956, introduziu o termo
"inteligência artificial" (IA) com base no pressuposto de que
a inteligência humana "pode ser tão pré
Solicitações de reimpressão e correspondência: Dr. Dhanunjaya Lakkir-
eddy, Kansas City Heart Rhythm Institute & Research Foundation, 5100
W. 110th St, Suite-200, Overland Park, KS 66211. Endereço de e-mail:
Dhanunjaya.lakkireddy@hcahealthcare.com.
descrito com precisão, de modo que uma máquina possa ser
criada para simulá-lo." A Figura 1 mostra a visão geral e as
definições da disciplina de IA e seus componentes.
O termo "aprendizado de máquina" (ML) foi definido em
1959 por Arthur Samuel, que declarou: "Programar
computadores para aprender com a experiência deve,
eventualmente, eliminar a necessidade de grande parte desse
esforço detalhado de programação". (https://ieeexplore.ieee.
org/document/5392560). No ML, os sistemas de IA
"aprendem" com os dados que lhes são fornecidos,
complementando as ideias originais de codificação da
"inteligência" no sistema de IA.

2666-6936/© 2022 Heart Rhythm Society. Este é um artigo de acesso aberto sob a licença CC BY https://doi.org/10.1016/j.cvdhj.2022.09.001
(http://creativecommons.org/licenses/by/4.0/).
264 Jornal de Saúde Digital Cardiovascular, Vol 3, No 6, Dezembro de
2022 tarefa, que é propagada para a próxima camada da rede
(Figura 2C). Pode haver
PRINCIPAIS CONCLUSÕES
● A Inteligência Artificial e o aprendizado de máquina
tiveram um impacto significativo no campo da
eletrofisiologia cardíaca.
● A aplicação da IA ao eletrocardiograma, os dados de
dispositivos vestíveis e inteligentes podem fornecer
informações além da capacidade humana para
estratificação de risco, triagem de doenças e
detecção de condições não cardíacas.
● A IA pode ser usada para otimizar o fluxo de
trabalho em torno do monitoramento remoto de
dispositivos cardíacos implantáveis, prever terapias
de CDI e a resposta à TRC.
● A IA pode ser usada para identificar locais de
ablação bem-sucedida e prever a resposta a
terapias ablativas.
● A modelagem computacional personalizada oferece
uma abordagem não invasiva individualizada para
determinar os alvos da ablação na taquicardia
ventricular e na FA persistente e determinar o risco
de arritmia em pacientes com doenças cardíacas

O processo de AM pode ser "supervisionado" ou "não

supervisionado" (Figura 2A e 2B). No aprendizado
supervisionado, a máquina recebe um conjunto de imagens
rotuladas como fonte de verdade, por exemplo,
eletrocardiogramas (ECG) rotulados como ritmo sinusal ou
fibrilação atrial (FA). Para que essa abordagem seja bem-
sucedida, é necessário identificar o número certo de recursos
de imagem para distinguir com precisão entre respostas
certas e erradas e, ao mesmo tempo, não ajustar demais o
modelo (ser muito específico) a esse conjunto de imagens.
Essa tarefa de extração de recursos pode ser propensa à
incompletude ou ao erro. Por outro lado, os métodos de
aprendizado não supervisionado criam o conjunto de
recursos por conta própria, revelando tudo o que consideram
significativo. Por exemplo, o modelo da máquina pode se
organizar para encontrar fatores clínicos no histórico do
paciente que levem a uma maior propensão à morte súbita
cardíaca (MSC). Esses processos podem ser ainda mais
refinados por meio do aprendizado por reforço, em que a
máquina interage com o ambiente e tenta encontrar uma
maneira ideal de atingir um objetivo desejado. Por exemplo,
um modelo de regime de tratamento medicamentoso
interage com o "ambiente" (subfenótipos de pacientes com
base em regimes de tratamento anteriores) para otimizar os
tratamentos para pacientes individuais. A eficiência desse
modelo é aprimorada pela redução da dimensionalidade, que
reduz o número de fatores de entrada para o conjunto mais
significativo na previsão dos resultados desejados. Por
exemplo, para prever o risco de FA, o modelo pode começar
com vários fatores clínicos e, por fim, identificar apenas
alguns fatores mais importantes. Isso pode tornar o modelo
mais fácil de usar.
A aprendizagem profunda (DL) emprega redes neurais
artificiais inspiradas na estrutura e no funcionamento do
cérebro humano. Ela é especialmente útil quando os dados
são "não estruturados", como imagens e textos. Cada camada
(efetivamente, uma etapa em uma série) da rede executa uma
Kabra et al Inteligência Artificial em Eletrofisiologia 265
e desenvolva relacionamentos para criar um modelo de EP
feedback para cada camada a partir de sua camada mais abrangente.
posterior, para fazer ajustes. As iterações continuam até que
o resultado tenha atingido um nível aceitável de precisão. O
número de camadas de processamento pelas quais os dados
devem passar é o que inspirou o termo DL. Por exemplo, o
DL pode ser usado para treinar modelos de IA para
reconhecer câmaras cardíacas ou áreas de tecido cardíaco
anormal, como cicatriz miocárdica ou fibrose, a partir de
imagens de ressonância magnética (MRI) cardíaca. As
técnicas de ML e DL dependem da ingestão de grandes
quantidades de dados e do emprego de técnicas de
modelagem estatística e preditiva. Um princípio básico dos
modelos de IA é que, mesmo em uma forma de
modelagem, pode haver muitos métodos disponíveis. Uma
colaboração com cientistas de dados pode ajudar a
selecionar o modelo mais adequado para a configuração
existente (por exemplo, condições raras com dados
esparsos, condições complexas ou tempo de diagnóstico em
comunidades carentes). Eles podem até combinar previsões
de vários modelos em uma única previsão usando técnicas
especializadas.
A eletrofisiologia cardíaca (EP) apresenta uma
oportunidade única em que o setor de dispositivos possui
uma grande quantidade de dados de pacientes. Os
provedores clínicos agora estão formando parcerias que
permitem que esses dados sejam combinados com o
restante dos registros clínicos. A análise desse volume de
dados de forma inovadora pode fornecer percepções e
ajudar a fazer previsões superiores sobre o comportamento
de sistemas complexos, como a progressão da FA ou o
risco de morte súbita em um paciente. Ao empregar essa
metodologia geral de IA, é importante garantir que os
próprios dados sejam representativos da população de
pacientes em que os modelos de IA serão implantados.

Estrutura de IA no PE
A IA e o ML têm um enorme potencial no campo da EP
cardíaca, em que os dados atuais do paciente, incluindo
ECG, informações de wearables, dispositivos inteligentes e
dispositivos implantáveis, e imagens cardíacas podem
melhorar nossa compreensão dos mecanismos, previsão de
risco e tratamento personalizado para arritmias como a FA.1
As técnicas avançadas de imagem e mapeamento podem ser
usadas para identificar com precisão os alvos de ablação e
melhorar o tratamento invasivo e não invasivo das
arritmias. A Figura 3A mostra uma estrutura de IA para
apoio à decisão clínica em EP. Dados multifatoriais, com
computação adequada e suporte de IA, fornecem modelos
para suporte a decisões clínicas e cirúrgicas. Os dados
reunidos precisam de anotações humanas para estarem
prontos para a IA, especialmente em aplicações médicas,
em que o aprendizado supervisionado predomina. Com o
tempo e com mais dados, a máquina aprende e classifica
os padrões de dados muito melhor com as anotações.
Um desafio crítico em um domínio emergente de IA,
como a EP, é que apenas algumas instituições coletaram
sistematicamente dados suficientes para criar modelos ricos
e robustos para aplicações clínicas de EP. Tradicionalmente,
esses dados não são compartilhados entre os centros devido
à conformidade com a HIPAA e à preservação da
privacidade do paciente. Isso cria uma oportunidade para
que a EP estabeleça padrões de compartilhamento de dados
266 Jornal de Saúde Digital Cardiovascular, Vol 3, No 6, Dezembro de
2022 doenças
novo futuro para a medicina clínica habilitada para IA. Os
modelos de IA são muito mais difíceis de criar e menos
impactantes quando são construídos em várias pequenas
ilhas de dados que não estão localizadas. A aprendizagem
federada surgiu como uma alternativa em que os modelos
aprendem com dados que são distribuídos e compartilhados
de forma restritiva, de modo que a privacidade do paciente
seja mantida (Figura 3B).2

IA e ECG
Embora o ECG em si tenha quase um século de existência,
os avanços na capacidade de computação e a disponibilidade
de dados digitais de ECG com vínculo clínico promoveram
um renascimento desse humilde teste de diagnóstico. De
modo geral, a aplicação da IA ao ECG pode ser vista como
um serviço que atende a dois objetivos principais: (1) criar
eficiências no fluxo de trabalho executando tarefas
semelhantes às humanas na interpretação do ECG (anotação
padrão do ECG) ou (2) agregar valor ao ECG ampliando a
capacidade humana usando o sinal fisiológico para
estratificação de risco, triagem de doenças ou detecção de
condições não cardíacas. Em relação ao primeiro objetivo, a
IA "vê" padrões discerníveis no ECG para ajudar os
cardiologistas a realizar tarefas de rotina; no segundo, a IA
"vê além" da capacidade humana. A capacidade da IA de
realizar uma interpretação de ECG semelhante à humana foi
demonstrada por vários grupos na interpretação de ECG de
derivação única3,4 e de 12 derivações,5–8 às vezes superando
o desempenho do software analógico padrão.9 A capacidade
de "ver além" do olho humano foi demonstrada por modelos
que podem detectar o sexo ou a idade do paciente,10 ou até
mesmo detectar doenças que podem não ter uma assinatura
patognomônica de ECG, como a osis amiloide cardíaca,11
hipertensão pulmonar,12 estenose aórtica,13 cardiomiopatia
hipertrófica,14 risco de FA,15 síndrome do QT longo oculto,16
COVID-19,17 ou baixa fração de ejeção.18 Alguns desses
modelos foram testados em estudos prospectivos,19,20
enquanto outros estão em estágios iniciais de
desenvolvimento. À medida que a utilidade clínica desses
modelos se torna mais bem estabelecida, as próximas fases
incluem validá-los em conjuntos de dados multicêntricos e
integrá-los a sistemas para d i s p o n i b i l i z á - l o s no ponto
de atendimento. Esses modelos podem ser integrados a um
"painel AI-ECG" que é vinculado ao registro eletrônico de
saúde do sistema. Esse painel permite a análise de IA em
tempo real de todos os dados de ECG existentes (Figura 4).

IA e detecção/previsão de arritmia com wearables e

dispositivos inteligentes
As inovações tecnológicas na tecnologia móvel, incluindo a
produção de dispositivos vestíveis e inteligentes, criaram
oportunidades para medir dados fisiológicos relevantes para
a saúde do ritmo cardíaco. O amplo acesso e a aplicação
desses dispositivos pelo consumidor criaram uma infinidade
de dados disponíveis amplamente acessíveis à empresa de
saúde, incluindo sinais de fotopletismografia (PPG)
derivados de sensores ópticos, ECGs e acelerômetros que
permitem a medição da atividade física. A IA tem
potencialmente vários usos clínicos quando aplicada a dados
fisiológicos de wearables ou dispositivos inteligentes -
classificação de dados fisiológicos em informações
clinicamente interpretáveis, identificação de estados de
Kabra et al Inteligência Artificial em Eletrofisiologia 267
seja útil apenas para a previsão de curto prazo de eventos de
e previsão de doenças futuras e apoio à decisão clínica. tempestade de taquicardia ventricular (TV), é um exemplo
Exemplos de classificação de dados fisiológicos incluem a importante de como os dados de alto valor de dispositivos
análise de dados de forma de onda de pulso do PPG que eletrônicos implantáveis cardiovasculares
podem inferir a presença de um ritmo cardíaco irregular,21
que foi estudado mais extensivamente para a FA até o
momento.22 O software que opera nos dispositivos pode
permitir ainda mais a vinculação de indivíduos à empresa
de saúde. Algoritmos combinados com dados de PPG e
pedômetro foram validados em alguns estudos para detectar
a FA.23,24 A mais recente pletismografia facial e da ponta
dos dedos sem contato ativo em câmeras de smartphones
demonstrou potencial para triagem e diagnóstico de FA.25
Algoritmos de IA aplicados a dados de ECG apresentam
alta discriminação de ritmos cardíacos, inclusive aqueles
medidos por meio de monitores de ECG de derivação
única26 ou por telemetria cardíaca móvel.27 A tradução
dessas descobertas empolgantes em melhorias nos
resultados clínicos exige a validação rigorosa dos
algoritmos, a integração dos dados com o sistema de saúde,
o aumento dos fluxos de trabalho clínicos existentes e o
acesso robusto dos pacientes. Para a tecnologia de consumo
em particular, alguns aspectos permanecem desafiadores,
incluindo a garantia de que os pacientes possam comunicar
efetivamente os resultados com os provedores28 , bem como
fornecer aos provedores de serviços de saúde orientações
formais sobre o uso clínico dos resultados da tecnologia
móvel com o atendimento clínico. A incorporação da IA
alcançou novos horizontes com o início da pandemia da
COVID-19. Inovações recentes, como o projeto TeleCheck-
AF, o carregamento de medicamentos antiarrítmicos em
casa com traçados de smartphones e a vigilância de ECG
por smartphone são alguns ótimos exemplos.29–31
Os algoritmos de IA aplicados a traçados individuais,
obtidos de um ECG ou PPG, por exemplo, examinam
apenas uma pequena fração dos dados clínicos disponíveis.
É provável que, com o tempo, modelos mais amplos sejam
desenvolvidos para agregar dados de vários sensores, bem
como dados estruturados e não estruturados do registro
eletrônico de saúde ou de outras fontes. Em um estudo
recente, a previsão de FA foi significativamente aprimorada
com a combinação de fatores de risco clínicos e análise de
ECG baseada em IA.32

IA no gerenciamento de dispositivos cardíacos

implantáveis Os marcapassos e os cardioversores-
desfibriladores implantáveis (CDIs) contêm uma grande
variedade de recursos terapêuticos e de diagnóstico. Em
particular, os dispositivos de terapia de ressincronização
cardíaca (CRT) e os CDIs rastreiam variáveis que são
conhecidas por se correlacionarem com a piora da
insuficiência cardíaca. Além disso, muitos pacientes com
esses dispositivos correm o risco de arritmias atriais e
ventriculares. A capacidade de prever e gerenciar arritmias
e eventos de insuficiência cardíaca tem implicações
significativas para o tratamento dos pacientes, e o volume
e a complexidade dos dados fazem com que essa seja uma
área privilegiada para se beneficiar da IA.
Em um modelo de fator de risco bem-sucedido, 37
eletrogramas baseados em
parâmetros dos dados do CDI foram usados com sucesso
para prever o risco de tempestade elétrica.33 Embora isso
268
2022
Figura 1Posicionamento de disciplinas comumente associadas sob a rubrica de "IA". Isso inclui ciência de dados, inteligência artificial, aprendizado de
máquina, aprendizado profundo e big data. A velocidade dos dados refere-se à velocidade com que os dados são g e r a d o s , distribuídos e coletados.
pode ser aproveitado pelo ML, mesmo na ausência de
parâmetros clínicos.
O monitoramento remoto demonstrou ser tão eficaz quanto
as verificações de dispositivos na clínica para pacientes com
marcapassos e CDIs, além de reduzir os choques, facilitar a
detecção precoce de mau funcionamento do dispositivo e
melhorar a mortalidade.34 É um desafio para os programas
gerenciar o grande volume de dados que esses sistemas
geram. Além da alta carga e da qualidade dos dados,
diferentes fabricantes têm algoritmos distintos e as
instituições têm vários mecanismos para coletar e gerenciar
esses dados, o que torna essa outra área importante para se
beneficiar da IA. Rosier e colegas35 conseguiram mostrar
que um sistema que integrou o histórico médico do paciente
com notificações de alerta de marcapasso conseguiu reduzir
a carga de trabalho de notificação em 84%. Outro estudo
demonstrou que a aplicação de um filtro de IA de duas
partes a alertas de FA de registradores de loop implantáveis
foi capaz de reduzir a taxa de falsos positivos em mais de
60%.36 O trabalho está em andamento para desenvolver
maneiras de usar a IA para gerenciar os alertas de
insuficiência cardíaca com mais eficiência.37
Tem havido um trabalho considerável para criar modelos
de ML para prever a resposta à CRT. Usando os dados dos
principais testes de CRT, foram criados modelos bem-
sucedidos de aprendizado supervisionado e não
supervisionado.38,39 Embora muitos deles sejam complexos
de empregar, um classificador Bayesiano ingênuo que
prevê a resposta à CRT usando 9 variáveis levou ao projeto
Jornal de Saúde Digital Cardiovascular, Vol 3, No 6, Dezembro de
da calculadora disponível publicamente e pode ser usado na
tomada de decisões compartilhada.40,41
IA em ablação e mapeamento
Durante um procedimento de ablação, há uma entrada de
informações excepcionalmente alta: histórico do paciente,
registros anteriores, navegação em tempo real, eletrogramas,
parâmetros de ablação, impacto da ablação e
acompanhamento clínico. A descrição histórica dos
eletrogramas intracardíacos tem sido mono ou pauci-
paramétrica: amplitude da tensão, frequência, número de
deflexões, morfologias ou sequências visualmente
reconhecíveis. Há uma variação significativa entre os
observadores na interpretação e na importância de
eletrogramas individuais. Embora seja quase impossível
descrever bons alvos com modelos lineares
monoparamétricos, os modelos não lineares multiparamétricos
ML/DL são ideais para encontrar alvos relevantes para os
resultados e tratar pacientes. São necessários estudos
clínicos multicêntricos randomizados para demonstrar a
utilidade dessas ferramentas analíticas nos resultados de
longo prazo da ablação de arritmia. Por exemplo, um estudo
está testando a hipótese de que a ablação por cateter (CA) de
locais de eletrograma com ML/DL, além do isolamento da
veia pulmonar (IVP), é superior à IVP isolada para pacientes
com FA persistente (Tailored AF, NCT04702451).
Para desenvolver esses recursos de IA para mapeamento
e ablação, é importante que os centros reúnam dados e
ajudem a treinar
Kabra et al Inteligência Artificial em Eletrofisiologia 269

Figura 2 A : Aprendizado supervisionado: Os dados de anormalidade do eletrocardiograma (ECG) são rotulados com supervisão humana e, em seguida, usados
para treinar um classificador. Os dados não rotulados podem então ser classificados pelo classificador e os erros na classificação podem ser medidos com
supervisão humana. Dados rotulados adicionais podem ser acrescentados para aumentar os dados de treinamento e reduzir o erro. Um exemplo seria a
classificação de um ritmo anormal (fibrilação atrial) de dispositivos vestíveis usando fotopletismografia em tempo real, depois de ter sido treinado em sinais
simulados rotulados. B: Aprendizado não supervisionado: Os dados do ECG não são rotulados; muitas camadas do sistema de aprendizagem profunda aprendem
iterativamente os recursos e continuam reduzindo o erro a cada execução. C: Aprendizagem profunda: Os ECGs de arritmias passam por muitas camadas do
sistema de aprendizagem profunda, que aprende iterativamente os recursos das arritmias e continua reduzindo o erro a cada execução para reconhecer e classificar
as arritmias adequadamente.

sistemas especializados usando informações sobre o paciente
(idade, sexo, raça e comorbidades), centros (vários
consultórios e operadores) e equipamentos (sistemas de
mapeamento, sistemas de registro e cateteres).
A IA e o ML podem estabelecer modelos de previsão de
resultados para intervenções de arritmia, como a AC de
FA.42 Recentemente, a IA foi usada para estudar o potencial
prognóstico do estresse da parede do átrio esquerdo na
recorrência da FA após a AC.43 Um modelo de DL usando a
tomografia computadorizada da veia pulmonar pré-bloqueio
previu as origens do gatilho da FA com boa confiabilidade.44
Além das arritmias atriais, o ML foi aplicado à detecção e ao
mapeamento de arritmias ventriculares e à previsão dos
resultados das terapias de dispositivos eletrônicos
implantáveis cardiovasculares. Foi demonstrado que os
algoritmos de ML têm excelente sensibilidade e
especificidade para a detecção de contração ventricular
prematura e localização confiável de TV.45,46 A previsão de
complicações de arritmias também pode se beneficiar da IA
devido à sua capacidade de estabelecer modelos estruturais
tridimensionais, como
o apêndice atrial esquerdo.47 Uma análise estatística da
forma pode fornecer uma avaliação quantitativa adicional da
forma do apêndice atrial esquerdo e sua associação com o
risco de AVC em pacientes com FA.48 Por fim, novos
módulos de mapeamento intracardíaco incorporando ML
também foram relatados nos últimos anos para reconstruir
com precisão a anatomia do átrio esquerdo e da veia
pulmonar durante a ablação da FA.49
Aplicação sinérgica de ML e modelagem
computacional personalizada em arritmias e EP
A aplicação do ML em arritmia e EP requer conjuntos de
dados tipicamente grandes, selecionados para aplicações
específicas. Há vários obstáculos práticos à coleta e à
disponibilização de dados médicos para a comunidade de
IA, inclusive questões legais e éticas. A modelagem
computacional personalizada oferece uma alternativa
atraente para superar esses desafios e limitações. Em
contraste com o ML tradicional, nessa forma de IA, os
sistemas de computador constroem um coração virtual
personalizado.
270 Jornal de Saúde Digital Cardiovascular, Vol 3, No 6, Dezembro de
2022

Figura 3 A : Uma estrutura de inteligência artificial (IA) para suporte a decisões clínicas em eletrofisiologia. Os dados de várias fontes são reunidos, anotados e
processados por uma plataforma avançada de computação e IA para gerar modelos de suporte a decisões clínicas e cirúrgicas/procedimentos. B: Dados e
modelagem federados. Para superar as restrições de compartilhamento de dados privados de pacientes entre instituições, os modelos aprendem de forma
distribuída a partir de dados que são distribuídos e compartilhados de forma restritiva.

modelo (também chamado de gêmeo digital do coração do
paciente) que é exclusivo do paciente e requer apenas um
exame clínico. Esse modelo é usado para avaliar a propensão
arritmogênica do substrato remodelado da doença do
paciente. Normalmente, ele se baseia em imagens cardíacas
que visualizam a geometria individual e o remodelamento da
doença no coração, como a distribuição de cicatrizes e
fibrose nos ventrículos e átrios. Os dados dos pacientes
podem ser combinados com os resultados da modelagem
computacional da propensão arritmogênica dos pacientes, já
que esses resultados, quando gerados por modelos
computacionais personalizados dos corações dos pacientes,
podem ser obtidos de forma barata. Além disso, a inclusão
de
Os resultados da modelagem computacional conferem um
desdobramento mecanicista ao modelo de IA resultante.
Como aplicação, a modelagem computacional tem sido
usada para a previsão não invasiva dos alvos de ablação de
TV e FA persistente,50,51 e para avaliar o risco de arritmia em
pacientes com cardiomiopatia isquêmica52 e tetralogia de
Fallot reparada.53
A modelagem computacional mecanicista do coração em
um modelo de IA apresenta novas tecnologias de precisão
para prever o risco de arritmias ventriculares em pacientes
com sarcoidose cardíaca54 e o risco de recorrência de FA
após a IVP em pacientes com sarcoidose cardíaca.
Kabra et al Inteligência Artificial em Eletrofisiologia 271

Figura 4 Painel de controle do AI-ECG. Todos os eletrocardiogramas (ECGs) disponíveis são analisados em tempo real por um conjunto de algoritmos e os
resultados são exibidos em um formato gráfico e tabular. Neste exemplo, o painel de controle de IA exibe a saída para modelos de fração de ejeção (FE) baixa,
cardiomiopatia hipertrófica (CMH), fibrilação atrial (FA) silenciosa, estenose aórtica, amiloidose cardíaca, idade e sexo. Cada gráfico é apresentado com o tempo
ao longo do eixo x e o resultado do modelo (como uma variável contínua de 0 a 1) ao longo do eixo y. O limite para um resultado positivo (limite do modelo
binário) é mostrado como uma linha vermelha. Todos os ECGs com saídas de modelo abaixo desse limite são mostrados em cinza, enquanto todos os resultados
positivos são mostrados em vermelho. O ECG que é exibido como um traçado de 12 derivações (destacado) é mostrado como um ponto roxo em cada um dos
gráficos.11–19

FA paroxística.55 Um classificador multivariável
supervisionado aprendeu tanto com os resultados da
modelagem mecanicista quanto com os biomarcadores
clínicos e de imagem para prever o resultado clínico. Por
exemplo, no estudo sobre sarcoide cardíaco realizado por
Shade e colegas,54 o modelo computacional mecanicista foi
um novo modelo de fusão de tomografia por emissão de
pósitrons e ressonância magnética que avaliou a propensão
arritmogênica do substrato remodelado, incorporando
infiltração de fibrose e inflamação. A combinação com ML
resultou na criação do Computational Heart and Artificial
Intelligence (CHAI) Risk Predictor para pacientes com
sarcoidose cardíaca (Figura 5). Modelos cardíacos
personalizados de arritmogênese foram construídos usando
exames de ressonância magnética com gadolínio tardio e
tomografia por emissão de pósitrons do paciente, e validados
com dados clínicos de ablação. Depois que o modelo foi
validado, os recursos extraídos dos resultados da simulação
foram combinados com aqueles extraídos de imagens e
outros dados clínicos e inseridos no CHAI. Em uma coorte
de 45 pacientes, o preditor alcançou uma sensibilidade e
especificidade equilibradas e uma excelente área sob a curva
característica de operação do receptor. Nesse estudo de
prova de conceito, os resultados do CHAI demonstram que a
tecnologia superou as métricas clínicas na previsão do risco
de morte súbita nesses pacientes.
Uma abordagem semelhante foi usada em um estudo que
previu de forma pré-processual o risco de recorrência de FA
pós-VIP em pacientes com FA paroxística,55 no qual
modelos atriais personalizados foram construídos a partir de
exames de ressonância magnética com gadolínio tardio, e os
resultados das simulações de indutibilidade de FA foram
usados em um classificador juntamente com outros dados
clínicos. Esses estudos recentes ilustram como as duas
abordagens podem ser usadas de forma sinérgica e para
superar as preocupações com as decisões clínicas que estão
sendo informadas por algoritmos de "caixa preta" que não
são explicáveis. Essas tecnologias preparam o caminho para
o uso de abordagens integrativas na medicina de precisão
que preveem
eventos adversos em doenças complexas com um alto grau
de acurácia e embasamento mecanicista.
IA na medicina de precisão
As tecnologias de sequenciamento de última geração
aumentaram muito a disponibilidade do sequenciamento do
genoma completo e da genotipagem de matriz de alta
resolução e levaram a melhorias em nossa compreensão da
base genética dos distúrbios cardiovasculares e de arritmia.
O cumprimento da promessa da medicina de precisão de
oferecer um tratamento específico ao paciente para arritmias
requer a síntese e a interpretação de dados de várias fontes,
incluindo histórico médico, estilo de vida e dados de saúde
móvel e dados de monitoramento de ritmo, bem como
genômica, proteômica e metabolômica.56 A complexidade e a
velocidade desse acúmulo de dados tornam impraticável a
análise baseada em humanos,57 especialmente no campo de
EP. O ML é especialmente adequado para lidar com as
tarefas de integração dessa riqueza de dados clínicos com
dados genéticos para informar a classificação, o diagnóstico
e o tratamento de doenças. A genômica, que busca
correlacionar o genótipo e o fenótipo, identificar
biomarcadores para estratificação de pacientes e prever a
função dos genes, tornou-se um aplicativo dominante para o
AM na área da saúde.58
A gama de possíveis aplicações da IA para impulsionar a
medicina de precisão em EP é ampla. Por exemplo, os
algoritmos de ML foram aplicados para identificar perfis
anormais de transientes de cálcio em cardiomiócitos
derivados de células-tronco pluripotentes induzidas que
abrigam mutações em genes associados à TV polimórfica
catecolaminérgica, síndrome do QT longo e cardiomiopatia
hipertrófica, com precisão de classificação de até 87%.59 Isso
poderia aumentar os esforços não apenas na correlação
genótipo-fenótipo, mas também no exame rápido dos efeitos
dos medicamentos para orientar o tratamento.60 Schmitz e
colegas61 examinaram a utilidade de 15 algoritmos de ML
diferentes que
272 Jornal de Saúde Digital Cardiovascular, Vol 3, No 6, Dezembro de
2022

Figura 5 Visão geral do estudo Computational Heart and Artificial Intelligence (CHAI) Risk Predictor. Painel superior, à esquerda: Modelos de fusão de
imagem por ressonância magnética e tomografia por emissão de pósitrons (MRI-PET) foram criados para 45 pacientes. Cada modelo incorpora a geometria
ventricular específica do paciente e as distribuições espaciais de fibrose e inflamação. Painel superior, meio: Simulações de indução de taquicardia ventricular
(TV) foram realizadas em cada modelo. As linhas isócronas representam os tempos de ativação; o espaçamento entre as linhas é de 22,5 ms. As setas brancas
indicam as vias de reentrada. Painel superior, à direita: A geometria eletroanatômica (cinza) é registrada na geometria do modelo computacional (verde) com
lesões de ablação clínica (círculos vermelhos); as inserções mostram as vias de reentrada e as lesões de ablação. Painel inferior, à esquerda: Os recursos de
imagens, simulações e dados clínicos são usados como entrada para um classificador de floresta aleatória supervisionado para prever o risco de TV clínica.
Painel inferior, à direita: Os resultados da validação cruzada e do teste são agregados em 560 iterações de validação cruzada aninhada. Os resultados são
apresentados como média [intervalo de confiança de 95%]. AUROC 5 área sob a curva característica de operação do receptor; FDG PET 5 tomografia por
emissão de pósitrons com 18[F]-fluorodeoxiglicose; LGE-MRI 5 ressonância magnética com gadolínio tardio; VE 5 ventrículo esquerdo; NPV 5 valor
preditivo negativo; PPV 5 valor preditivo positivo; VD 5 ventrículo direito.

integrou parâmetros clínicos e genéticos para a previsão de
remodelamento positivo do ventrículo esquerdo com TRC.
Um algoritmo de árvore de decisão ideal baseado em regras
que incorporou dados clínicos e genótipos de loci genéticos
(por exemplo, alelo GNB3 rs5443) previu a resposta à TRC
com 82,5% de precisão. Esforços semelhantes para
integrar informações genéticas para prever a eficácia da
terapia com medicamentos antiarrítmicos e procedimentos
de AC para terapia de arritmia podem ser aprimorados com
o ML. A FA, que geralmente é o resultado final de uma
interação complexa
entre fatores genéticos, clínicos e ambientais, é uma doença
que pode estar mais bem preparada para ser gerenciada com
o auxílio da fenotipagem profunda derivada de ML e da
otimização do tratamento.
Previsão de IA e SCD
É bem reconhecido que os modelos atuais de estratificação
de risco para o risco de MSC são muito limitados na
determinação da candidatura ao CDI em pacientes com
corações estruturalmente normais e anormais.
Kabra et al Inteligência Artificial em Eletrofisiologia
Figura 6 Modelo de inteligência artificial para previsão de morte súbita cardíaca usando várias entradas. ECG 5 eletrocardiograma; EMR 5 registros médicos
eletrônicos.
Tem havido um interesse significativo no desenvolvimento
de melhores modelos de estratificação de risco para o risco
de MSC usando algoritmos de IA para coletar grandes
conjuntos de dados populacionais.
Vários algoritmos de ML foram desenvolvidos por
diferentes grupos para prever o risco de MSC em indivíduos
usando variáveis clínicas e demográficas,62 parâmetros de
ECG e Holter,63 características de eletrograma intracardíaco
derivadas de CDIs,64,65 parâmetros de imagem de
ecocardiogramas, RMs e imagens cardíacas nucleares,66 e
até mesmo fenótipos celulares, como potenciais de ação
monofásicos ventriculares.67 Os modelos usam esses
parâmetros exclusivamente ou em diferentes combinações
como um classificador multivariável para a p r e v i s ã o
d e risco de MSC,68 e obtiveram sucessos variáveis com
uma ampla gama de áreas sob a curva (Figura 6). Além da
previsão de risco de MSC para indivíduos, também houve
tentativas de usar algoritmos de IA para prever
temporalmente um risco maior de MSC em populações
usando dados meteorológicos e cronológicos complexos,
mostrando que o risco de MSC era maior com quedas
repentinas de temperatura e em determinados dias da
semana.69 Muitos desses algoritmos servem como prova de
conceito, demonstrando a capacidade da computação
avançada e dos algoritmos de IA de derivar padrões de
dados extremamente complexos. Entretanto, eles não estão
próximos da adoção clínica em
273
e exigem mais estudos prospectivos para preparar o caminho
para a estratificação de risco guiada por IA para MSC e a
determinação da candidatura ao CDI.
Estrutura regulatória e desafios para IA em EP
A IA tem o potencial de causar um impacto significativo no
diagnóstico e no tratamento de distúrbios do ritmo cardíaco e
na democratização do atendimento, mas somente se os
dispositivos e softwares que usam IA puderem navegar com
sucesso pelo processo regulatório dos EUA. A Divisão de
Saúde Digital trabalha de forma interativa com os escritórios
específicos de dispositivos e com as partes interessadas
para discutir e desenvolver políticas e diretrizes para apoiar a
análise de submissões de Software como Dispositivo Médico
(SaMD), incluindo IA e ML.70,71 O Plano de Ação de SaMD
de IA/ML da Food & Drug Administration (FDA) dos
EUA inclui propostas inovadoras, como pré-certificação de
software, controle de alterações predeterminado, boas
práticas de ML e monitoramento de desempenho no mundo
real. Orientações importantes da FDA foram emitidas para
software de suporte a decisões clínicas e aplicativos médicos
móveis.
No espaço de EP, o software de diagnóstico mais
comumente usa IA, e esses produtos são regulamentados
principalmente como Classe II
274
Tabela 1Desafios/obstáculos importantes
sugestões para superá-losDesafios e obstáculos
1. A falta de transparência (análises de caixa preta) inibe a
adoção por parte dos médicos
2. Falta de validação e reprodutibilidade em conjuntos de dados independentes Como o principal motivo por trás desse desafio é a falta de
acesso a
3. A implementação no EHR pode ser inibida por requisitos
regulatórios para uso clínico
4. Necessidade de equipes técnicas fortes, incluindo
cientistas de dados, cientistas da computação e analistas;
pode ser difícil atrair pessoal qualificado para a área
acadêmica e médica, pois o setor oferece salários mais altos
5. Necessidade de conjuntos de dados de qualidade grandes e
harmonizados, com representação de exemplos normais e
anormais e representação de dados de diversas populações
para evitar preconceitos; a HIPAA e a necessidade de
preservar a privacidade do paciente podem inibir a
disponibilidade de grandes conjuntos de dados para
desenvolvimento
IA 5 inteligência artificial; EHR 5 registros eletrônicos de saúde.
Dispositivos SaMD. O caminho para o mercado é uma
submissão 510(k) ou uma solicitação de novo.72,73 Os
desenvolvedores podem ajustar suas indicações de uso,
reivindicações de utilidade clínica e população de pacientes
para otimizar o processo regulatório e o nível de evidência
necessário para apoiar um pedido de comercialização.74 São
recomendadas estratégias de desenvolvimento em etapas e
interações de pré-submissão com a FDA.
O treinamento e a validação das fontes de dados são um
grande desafio. A FDA espera que os estudos representem a
população dos EUA, abranjam o grupo de pacientes
pretendido, tenham fontes de treinamento/validação
independentes e incluam análises e pontos finais pré-
especificados. As soluções incluem a iniciativa National
Evaluation System for Health Technology da FDA,75 , que
está trabalhando para estabelecer redes de dados acessíveis,
incluindo registros de dispositivos, registros eletrônicos de
saúde, bancos de dados de reclamações e dados de saúde
gerados por pacientes. A coordenação, a cooperação e a
vinculação de fontes de dados por todas as partes
interessadas em EP SaMD em uma rede aberta e acessível
podem acelerar o desenvolvimento e a aprovação regulatória
de EP SaMD que incorporam IA.
Tabela 2Direções futuras
para avançar em direção a essas direções futuras Direções
1. Coleta, agrupamento e acesso centralizados de dados
globais para melhorar a precisão e a eficiência de muitos
algoritmos e processos
2. Modelos de prevenção primária upstream e prevenção
secundária downstream para o gerenciamento de doenças
Jornal de Saúde Digital Cardiovascular, Vol 3, No 6, Dezembro de
2022
para a tradução da inteligência artificial para a prática clínica e
Abordagens em potencial
As análises de correlação podem, às vezes, ajudar a melhorar a
transparência.
O uso de novas abordagens, como o mapeamento de ativação de
classe ponderada por gradiente, pode ajudar a fornecer um
nível de interpretabilidade.
Se os conjuntos de dados forem independentes, qualquer
abordagem que facilite o compartilhamento consistente de
dados ajudará a aliviar o problema. Por exemplo, os periódicos
podem exigir que os dados sejam tornados públicos e fornecer um
serviço unificado que esteja em conformidade com a HIPAA e
dê acesso a usuários autorizados.
A revisão e os avanços da FDA podem facilitar as etapas de
aprovação.
Aumentar os pipelines de treinamento.
Fornecer incentivos institucionais para abordagens
multidisciplinares.
Criar e facilitar o acesso a serviços de consultoria de IA em cada
instituição.
Incorporar a IA no treinamento médico.
Sistema Nacional de Avaliação da FDA para iniciativa de
tecnologia de saúde - visa estabelecer redes de dados
acessíveis, incluindo registros de dispositivos, EHR, bancos
de dados de reclamações e dados de saúde gerados por
pacientes.
Limitações da IA na EP cardíaca
Apesar do avanço sem precedentes da IA em vários
domínios da área da saúde, existem várias limitações (Tabela
1). São necessários conjuntos de dados grandes e
diversificados com representação de exemplos normais e
anormais para aumentar a precisão e a generalização dos
modelos de trabalho. A qualidade dos dados é fundamental e
os dados de entrada devem refletir algum nível de
heterogeneidade para promover um processo iterativo. O
ML também pode apresentar erros ou resultados
inesperados. Uma das preocupações mais difíceis com a IA
no EP clínico é que os algoritmos podem ter um
desempenho muito bom durante um ajuste de teste (período
de treinamento), mas quando aplicados ao conjunto de teste
real, a generalização é ruim. Esse conceito de "sobreajuste"
nesses algoritmos computacionais muito complexos pode
ser abordado com o fornecimento de dados de alta qualidade
no momento do treinamento, monitoramento cuidadoso do
treinamento e garantia de um equilíbrio ideal na curva de
compensação de viés e variância.76 Além disso, esses
resultados computacionais complexos estão atolados em um
certo nível de opacidade ou natureza de caixa preta, em que
é difícil entender como o resultado foi gerado.77 Para obter
resultados clínicos
da inteligência artificial em eletrofisiologia e estudos propostos
futurasAbordagens
usando dados genéticos, moleculares, demográficos, clínicos
e ambientais
3. Criação de uma infraestrutura robusta que facilite uma
plataforma aberta e acessível
Kabra et al Inteligência Artificial em Eletrofisiologia
Maior colaboração e coordenação entre cientistas clínicos,
sociedades profissionais, instituições médicas, organizações
de pesquisa e órgãos reguladores, impulsionados por governos
e legislações apropriadas para promover o intercâmbio fácil e
aberto de dados
275
Considere a possibilidade de se concentrar em doenças individuais
com uma interligação mais ampla à medida que se faz um
progresso incremental para desvendar a fisiopatologia e a
evolução da doença
Interligação de registros médicos eletrônicos e dados
epidemiológicos com supervisão regulatória adequada
276 Jornal de Saúde Digital Cardiovascular, Vol 3, No 6, Dezembro de
2022 gerenciamento de riscos. A previsão de doenças e resultados
Para avaliar a utilidade e a adoção desses algoritmos no futuros com base nos dados atuais do paciente, incluindo
atendimento ao paciente, é necessário o desenvolvimento de ECG, informações de
modelos de IA explicáveis, estudos multicêntricos
controlados em larga escala e uma validação externa
completa desses algoritmos. Outra limitação, especialmente
em DL, está relacionada ao desafio de integrar dados
frequentemente complementares, mas obtidos
separadamente no mesmo paciente. Como a RM, o teste
nuclear, o ECG e a imagem podem ser usados em um grande
conjunto de dados para criar um algoritmo funcional quando
os pontos de dados foram obtidos em momentos diferentes?
Os grandes conjuntos de dados também devem unir as
instituições, pois os conjuntos de dados mais completos e
versáteis inseridos estabelecerão modelos melhores. Como
sempre, a IA deve servir como um auxílio, e não como uma
voz obrigatória para mudar o curso clínico. Os médicos
devem adotar com cautela a mudança de paradigma em
direção à IA, ao mesmo tempo em que se esforçam para
aprimorar os modelos computacionais. Nenhum conjunto de
dados é válido e está pronto para a IA sem o equilíbrio certo
de dados de diversas populações. É bem sabido que dados
demográficos, socioeconômicos, genéticos e históricos de
casos podem ter um impacto na situação do paciente. A
coleta e o uso éticos dos dados são princípios fundamentais
da IA na medicina.

Direções futuras da eletrofisiologia clínica com IA

Estamos no precipício de uma revolução digital que mudará
para sempre o cenário da EP. Embora tenha havido um
progresso significativo no diagnóstico e na terapêutica, há
muitas lacunas em nossa compreensão da fisiopatologia,
estratificação de risco e prevenção. Conforme descrito
anteriormente n e s t e manuscrito, a área médica precisa de
mais colaboração na coleta, agrupamento e acesso
centralizados de dados globais para melhorar a precisão e a
eficiência de muitos algoritmos e processos. A prevenção
primária ascendente e os modelos de prevenção secundária
descendente para o gerenciamento de doenças usando dados
genéticos, moleculares, demográficos, clínicos e ambientais
são uma diretriz importante para o futuro. Isso oferece uma
oportunidade real para q u e cientistas básicos, clínicos,
epidemiologistas, cientistas da computação e reguladores
trabalhem juntos na criação de uma infraestrutura robusta
que facilite plataformas abertas e acessíveis para um maior
desenvolvimento criativo. A Tabela 2 resume as direções
futuras do papel da IA na EP.
Essa jornada infinita precisa ser mapeada e organizada
em vários segmentos progressivos, com avaliação contínua
da precisão, da eficiência e da confiabilidade dos
mecanismos de IA/ML existentes. Os médicos devem
considerar a possibilidade de se concentrar em doenças
individuais com uma interligação mais ampla à medida que
se faz um progresso crescente na revelação dos segredos da
fisiopatologia e da evolução da doença. Vivemos em um
mundo de silos de dados. A interligação de registros
médicos eletrônicos e dados epidemiológicos com
supervisão regulatória adequada será um primeiro passo
importante na direção certa.

Conclusão
A IA e o ML revolucionaram o campo da EP, desde a
detecção e o diagnóstico de arritmia até a previsão e o
Kabra et al Inteligência Artificial em Eletrofisiologia 277
Association (18SFRN34230146, AHA); Rachita Navara -
A tecnologia de dispositivos vestíveis/inteligentes e a proprietária da SafeBeat Rx; David D. McManus - apoiado
genômica do paciente oferecem uma chance de fornecer por
atendimento de precisão personalizado aos nossos
pacientes. Avanços em imagens, modelos computacionais
para propensão de arritmia e identificação precisa de alvos
de ablação melhorarão o tratamento invasivo e não invasivo
de arritmias. No entanto, o avanço desse campo depende da
disponibilidade de dados de qualidade, o que às vezes pode
ser um desafio devido à conformidade com a HIPAA e à
privacidade do paciente. Há exigências regulatórias
significativas que precisam ser observadas com cuidado.
Estes são tempos empolgantes para o campo da EP, em que
a estreita colaboração entre clínicos, cientistas,
epidemiologistas e formuladores de políticas é a chave para
usar a tecnologia para aprimorar o atendimento a pacientes
com arritmia cardíaca.

Fontes de financiamento
Divulgações
Rajesh Kabra - Concessões de apoio de bolsas de estudo da
Boston Scientific, Abbott, Medtronic, Biosense Webster;
Sharat Israni - Nenhum; Bharat Vijay - Líder de tecnologia,
NeuTrace Inc; Chaitanya Baru: Nenhum; Raghuveer
Mendu - Membro do conselho da NeuCures, NeuTrance,
NeuFera, Orca systems, Seclore Inc; Rakesh
Gopinathannair - Consultor/palestrante: Abbott Medical,
Pfizer, Boston Scientific, Biosense Webster, Zoll Medical;
Conselho Consultivo (sem remuneração): Altathera, Pace-
Mate; Mark Fellman - Nenhum; Arun Sridhar - Nenhum;
Pamela Mason - Consultoria: Medtronic e Boston
Scientific; Honraria; Cook; Jim W. Cheung - Consultoria:
Abbott, Boston Scientific, Biotronik; Apoio a bolsas de
estudo: Abbott, Boston Scientific, Biosense, Biotronik e
Medtronic; Luigi DiBiase - Consultor da Biosense Webster,
Stereotaxis, Rhythm management, Boston Scientific e
Abbott; recebeu honorários/viagens de palestrante da
Medtronic, Pfizer, Biotronik e Baylis Medical; Srijoy
Mahapatra - Acionista da Neucures; Jerome Kalifa -
Acionista da Volta Medical; Steven A. Lubitz - Apoiado
pelo subsídio 1R01HL139731 do NIH e pela American
Heart Association 18SFRN34250007; apoio à pesquisa da
Bristol Myers Squibb / Pfizer, Bayer AG, Boehringer
Ingelheim, Fitbit e IBM, e foi consultor da Bristol Myers
Squibb
/ Pfizer, Bayer AG e Blackstone Life Sciences; Peter A.
Noseworthy - A PAN e a Mayo Clinic registraram patentes
relacionadas à aplicação de IA ao ECG para diagnóstico e
estratificação de risco; a PAN e a Mayo Clinic licenciaram
vários algoritmos de IA-ECG para a Anumana; a PAN e a
Mayo Clinic estão envolvidas em uma possível relação de
capital/royalties com a AliveCor relacionada a um
algoritmo de IA-ECG; pesquisador em um estudo de
ablação patrocinado pela Medtronic; atuou em um painel
consultivo de especialistas para a Optum; recebe
financiamento de pesquisa dos Institutos Nacionais de
Saúde (NIH, incluindo o Instituto Nacional do Coração,
Pulmão e Sangue [NHLBI, R21AG 62580-1, R01HL
131535-
4, R01HL 143070-2], National Institute on Aging [NIA,
R01AG 062436-1]), Agency for Healthcare Research and
Quality (AHRQ, R01HS 25402-3), Food and Drug
Administration (FDA, FD 06292) e American Heart
278
Concessões do NIH U54HL143541, R01HL137734,
R01HL155343, R01HL137794, R01HL141434
R61HL158541 como pri- meiros subsídios.
mary or multi-primary investigator and grants and personal
fees from Bristol Myers Squibb, grants and personal fees
from Pfizer, grants from Boehringer Ingelheim and Philips,
nonfinancial support from Apple, personal fees and
nonfinan- cial support from Samsung, grants and personal
fees from Flexcon, personal fees from Avania, personal fees
from Rose Consulting, grants and personal fees from Heart
Rhythm Society, and personal fees and nonfinancial support
from Fit- bit; Mitchell Cohen - Nenhum; Mina Chung -
Subsídio do NIH R01 HL158071; Subsídios da American
Heart Association Atrial Fibrillation Strategically Focused
Research Network 18SFRN34 110067, 18SFRN34170013,
20SCG35490449; Natalia Traya-
nova - Subsídios do NIH R01HL142496 e U01HL141074, um
subsídio da Leducq Foundation; Dhanunjaya Lakkireddy -
Consultoria: Abbott, Biosense Webster, Medtronic, Boston
Scientific, Biotronik, Johnson & Johnson, Acutus, BioTel, Al-
taThera, Northeast Scientific.
Autoria
Todos os autores atestam que atendem aos critérios atuais do
ICMJE para autoria.
Jornal de Saúde Digital Cardiovascular, Vol 3, No 6, Dezembro de
2022
14. Siontis KC, Liu K, Bos JM, et al. Detecção de cardiomiopatia hipertrófica por um
eletrocardiograma de inteligência artificial em crianças e adolescentes. Int J
e Cardiol 2021;340:42-47.
15. Attia ZI, Noseworthy PA, Lopez-Jimenez F, et al. Um algoritmo de ECG
habilitado por inteligência artificial para a identificação de pacientes com
fibrilação atrial durante o ritmo sinusal: uma análise retrospectiva da previsão de
resultados. Lancet 2019; 394:861-867.
16. Bos JM, Attia ZI, Albert DE, Noseworthy PA, Friedman PA, Ackerman MJ.
Uso de inteligência artificial e redes neurais profundas na avaliação de
pacientes com síndrome do QT longo oculta eletrocardiograficamente a partir
do eletrocardiograma de 12 derivações de superfície. JAMA Cardiol
2021;6:532-538.
17. Attia ZI, Kapa S, Dugan J, et al. Exclusão rápida da infecção por COVID com
o eletrocardiograma de inteligência artificial. Mayo Clin Proc 2021;96:2081-
2094.
18. Attia ZI, Kapa S, Lopez-Jimenez F, et al. Screening for cardiac contractile
dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med
2019;25:70-74.
19. Yao X, Rushlow DR, Inselman JW. E l e t r o c a r d i o g r a m a habilitado por
inteligência artificial para identificação de pacientes com baixa fração de ejeção:
um ensaio clínico pragmático e r a n d o m i z a d o . Nat Med 2021;27:815-819.
20. Yao X, Attia ZI, Behnken EM, et al. Inscrição em lote para uma intervenção
guiada por inteligência artificial para reduzir eventos neurológicos em pacientes
com fibrilação atrial não diagnosticada: justificativa e projeto de um ensaio clínico
digital. Am Heart J 2021; 239:73-79.
21. Pereira T, Tran N, Gadhoumi K, et al. Photoplethysmography based atrial
fibrilation detection: a review. NPJ Digit Med 2020;3:3.
22. Perez MV, Mahaffey KW, Hedlin H, et al. Avaliação em larga escala de um
relógio inteligente para identificar fibrilação atrial. N Engl J Med 2019;381:1909-
1917.
23. Wasserlauf J, You C, Patel R, Valys A, Albert D, Passman R. Desempenho do
smartwatch na detecção e quantificação da fibrilação atrial. Circ Arrhythm
Electrophysiol 2019;12:e006834.
24. Bumgarner JM, Lambert CT, Hussein AA, et al. Algoritmo de smartwatch para
detecção automática de fibrilação atrial. J Am Coll Cardiol 2018;71:2381-2388.
25. O'Sullivan JW, Grigg S, Crawford W, et al. Accuracy of smartphone camera
apications for detecting atrial fibrillation: a systematic review and meta-
analysis (Precisão das aplicações da câmera do smartphone para detectar

Referências
1. Feeny AK, Chung MK, Madabhushi A, et al. Artificial intelligence and
machine learning in arrhythmias and cardiac electrophysiology (Inteligência
artificial e aprendizado de máquina em arritmias e eletrofisiologia cardíaca).
Circ Arrhythm Electro- physiol 2020;13:e007952.
2. Huang L, Shea AL, Qian H, Masurkar A, Deng H, Liu D. O agrupamento de
pacientes melhora a eficiência do aprendizado de máquina federado para
prever a mortalidade e o tempo de permanência no hospital usando registros
médicos eletrônicos distribuídos. J Biomed Inform 2019; 99:103291.
3. Hannun AY, Rajpurkar P, Haghpanahi M, et al. Detecção e classificação de
arritmia em nível de cardiologista em eletrocardiogramas ambulatoriais usando
uma rede neural profunda. Nat Med 2019;25:65-69.
4. Giudicessi JR, Schram M, Bos JM, et al. Artificial intelligence-enabled a s s e s s
of the heart rate corrected QT interval using a mobile electrocardiogram de- vice.
Circulation 2021;143:1274–1286.
5. Hughes JW, Olgin JE, Avram R, et al. Desempenho de uma rede neural
convolucional e técnica de explicabilidade para interpretação de
eletrocardiograma de 12 derivações. JAMA Cardiol 2021;6:1285-1295.
6. Kashou AH, Ko WY, Attia ZI, et al. Um programa abrangente de interpretação
de eletrocardiograma habilitado por inteligência artificial. Cardiovasc Digit
Health J 2020;1:62-70.
7. Xiong Z, Stiles M, Zhao J. Classificação robusta do sinal de ECG para a detecção
de lesões atriais
fibrilação usando uma nova rede neural. Computação em Cardiologia 2017;1-4.
8. Acharya UR, Fujita H, Lih OS, Hagiwara Y, Tan JH, Adam M. Detecção
automatizada de arritmias usando diferentes intervalos de segmentos de ECG
de taquicardia com rede neural convolucional. Information Sciences
2017;405:81-90.
9. Kashou AH, Mulpuru SK, Deshmukh AJ, et al. Um algoritmo de ECG habilitado
para inteligência artificial para interpretação abrangente de ECG: ele pode passar
no "teste de Turing"? Cardiovasc Digit Health J 2021;2:164-170.
10. Attia ZI, Friedman PA, Noseworthy PA, et al. Age and sex estimation using
arti- ficial intelligence from standard 12-lead ECGs. Circ Arrhythm
Electrophysiol 2019;12:e007284.
11. Grogan M, Lopez-Jimenez F, Cohen-Shelly M, et al. Eletrocardiograma
aprimorado por inteligência artificial para a detecção precoce de amiloidose
cardíaca. Mayo Clin Proc 2021;96:2768-2778.
12. Tison GH, Zhang J, Delling FN, Deo RC. Perfis de ECG de pacientes
automatizados e interpretáveis para detecção, rastreamento e descoberta de
doenças. Circ Cardiovasc Qual Outcomes 2019;12:e005289.
13. Cohen-Shelly M, Attia ZI, Friedman PA, et al. Triagem de eletrocardiograma para
estenose da válvula aórtica usando inteligência artificial. Eur Heart J
2021;42:2885-2896.
fibrilação atrial: uma revisão sistemática e meta-análise). JAMA Netw Open
2020;3:e202064.
26. Hannun AY, Rajpurkar P, Haghpanahi M, et al. Detecção e classificação de
arritmia em nível de cardiologista em eletrocardiogramas ambulatoriais usando
uma rede neural profunda. Nat Med 2019;25:65-69.
27. Willcox ME, Compton SJ, Bardy GH. Monitoramento contínuo de ECG versus
telemetria móvel: A comparison of arrhythmia diagnostics in human- versus
algo- rithmic-dependent systems (Uma comparação de diagnósticos de arritmia
em sistemas dependentes de humanos e algoritmos). Heart Rhythm O2
2021;2:543-559.
28. Ashburner JM, Lee PR, Rivet CM, et al. A implementação e a aceitabilidade de um
aplicativo móvel para triagem de fibrilação atrial em casa. Telemed J E Health
2021;27:1305-1310.
29. Gawalko M, Duncker D, Manninger M, et al. O projeto europeu TeleCheck-
AF sobre gerenciamento remoto de fibrilação atrial baseado em aplicativo
durante a pandemia de COVID-19: experiências de centros e pacientes.
Europace 2021;23:1003-1015.
30. Mascarenhas DAN, Mudumbi PC, Kantharia BK. Início ambulatorial de dofeti-
lide: percepções das complexidades do gerenciamento da fibrilação atrial durante o
bloqueio da COVID-19. J Interv Card Electrophysiol 2021;63:21-28.
31. Maurizi N, Fumagalli C, Cecchi F, Olivotto I. Uso de ECG operado por
smartphone para vigilância domiciliar de ECG em pacientes com COVID-19.
European Heart Journal - Dig- ital Health 2021;2:175-178.
32. Khurshid S, Friedman S, Reeder C, et al. Aprendizagem profunda baseada em
ECG e fatores de risco clínicos para prever a fibrilação atrial. Circulation
2022;145:122-133.
33. Shakibfar S, Krause O, Lund-Andersen C, et al. Predicting electrical storms by
remote monitoring of implantable cardioverter-defibrillator patients using
machine learning. Europace 2019;21:268-274.
34. Piccini JP, Mittal S, Snell J, et al. Impact of remote monitoring on clinical events
and associated health care utilization: Uma avaliação em nível nacional. Heart
Rhythm 2016;13:2279-2286.
35. Rosier A, Mabo P, Temal L, et al. Monitoramento remoto presonalizado e
automatizado da fibrilação atrial. Europace 2016;18:347-352.
36. Mittal S, Oliveros S, Henry C, et al. Uma solução baseada em inteligência
artificial para reduzir a detecção de falsos positivos de fibrilação atrial por um
registrador de loop implantável. Heart Rhythm 2021;17(Suppl 5):S67-S68.
37. Michalik J, Cacko A, Polinski J, et al. Um assistente interativo para pacientes com
dispositivos eletrônicos cardíacos implantáveis: um protocolo de estudo do estudo
LUCY. Med- icine 2018;97:e12556.
38. Kalscheur MM, Kipp RT, Tattersall MC, et al. Algoritmo de aprendizado de
máquina prediz resultados de terapia de ressincronização cardíaca. Circ Arrhythm
Electrophysiol 2018;11:e005499.
39. Cikes M, Sanchez-Martinez S, Claggett B, et al. Machine learning-based phenog-
rouping in heart failure to identify responders to cardiac resynchronization
therapy. Eur J Heart Fail 2019;21:74-85.
Kabra et al Inteligência Artificial em Eletrofisiologia
40. Calculadora de pontuação de resposta de CRT. Acessado em 1º de novembro
de 2021. riskcalc.org:3838/ CRTResponseScore/
41. Feeny AK, Richard J, Patel D, et al. Previsão de aprendizado de máquina da
resposta à terapia de ressincronização cardíaca: melhoria em relação às
diretrizes atuais. Circ Arrhythm Electrophysiol 2019;12:e007316.
42. Zou F, Brahier M, Migliarese F, et al. Um modelo de risco de recorrência derivado
de aprendizado de máquina para fibrilação atrial após ablação por cateter. Heart
Rhythm 2021; 18:S219-S220.
43. Lee JH, Kwon OS, Shim J, et al. Left atrial wall stress and the long-term outcome
of catheter ablation of atrial fibrillation: an artificial intelligence-based prediction
of atrial wall stress. Front Physiol 2021;12:686507.
44. Liu CM, Chang SL, Chen HH, et al. A aplicação clínica da técnica de
aprendizagem profunda para prever as origens do gatilho em pacientes com
fibrilação atrial paroxística com ablação por cateter. Circ Arrhythm Electrophysiol
2020; 13:e008518.
45. Yu J, Wang X, Chen X, Guo J. Automatic premature ventricular contraction
detection using deep metric learning and KNN. Biosensors (Basel) 2021;11:69.
46. Missel R, Gyawali PK, Murkute JV, et al. Uma abordagem híbrida de aprendizado
de máquina para localizar a origem da taquicardia ventricular usando
eletrocardiogramas de 12 derivações. Comput Biol Med 2020;126:104013.
47. Di Biase L, Santangeli P, Anselmino M, et al. Does the left atrial appendage
morphology correlate with the risk of stroke in patients with atrial fibrillation?
Resultados de um estudo multicêntrico. J Am Coll Cardiol 2012;60:531-538.
48. Bieging ET, Morris A, Chang L, Dagher L, Marrouche NF, Cates J. Statistical
shape analysis of the left atrial appendage predicts stroke in atrial fibrillation.
Int J Cardiovasc Imaging 2021;37:2521-2527.
49. Schwartz AL, Chorin E, Mann T, et al. Reconstrução do átrio esquerdo para
ablação de fibrilação atrial usando o software de aprendizado de máquina CARTO
3 m-FAM. J In- terv Card Electrophysiol 2022;64:39-47.
50. Boyle PM, Zghaib T, Zahid S, et al. Computationally guided personalized tar-
geted ablation of persistent atrial fibrillation. Nat Biomed Eng 2019;3:870-879.
51. Prakosa A, Arevalo HJ, Deng D, et al. Tecnologia de coração virtual personalizado
para orientar a ablação de taquicardia ventricular relacionada a infarto. Nat Biomed
Eng 2018;2:732-740.
52. Arevalo HJ, Vadakkumpadan F, Guallar E. Arrhythmia risk stratification of pa-
tients after myocardial infarction using personalized heart models (Estratificação
de risco de arritmia de pacientes após infarto do miocárdio usando modelos
cardíacos personalizados). Nat Commun 2016;7:11437.
53. Shade JK, Cartoski MJ, Nikolov P, et al. Previsão de risco de arritmia ventricular
em tetralogia de Fallot reparada usando modelos cardíacos computacionais
personalizados. Heart Rhythm 2020;17:408-414.
54. Shade JK, Prakosa A, Popescu DM, et al. Predicting risk of sudden cardiac
death in patients with cardiac sarcoidosis using multimodality imaging and
personalized heart modeling in a multivariable classifier. Sci Adv
2021;7:eabi8020.
55. Shade JK, Ali RL, Basile D, et al. Preprocedure application of machine learning
and mechanistic simulations predicts likelihood of paroxysmal atrial fibrillation
recurrence following pulmonary vein isolation (Aplicação pré-procedimento de
aprendizado de máquina e simulações mecanicistas prevê a probabilidade de
recorrência de fibrilação atrial paroxística após isolamento da veia pulmonar).
Circ Arrhythm Electrophysiol 2020; 13:617-627.
56. Dainis AM, Ashley EA. Medicina de precisão cardiovascular na era da genômica.
JACC Basic Transl Sci 2018;3:313-326.
57. de Marvao A, Dawes TJW, O'Regan DP. Inteligência artificial para pesquisa
de genética de imagens cardíacas. Front Cardiovasc Med 2019;6:195.
279
58. Eraslan G, Avsec Zˇ, Gagneur J, Theis FJ. Aprendizagem profunda: novas
técnicas de modelagem computacional para genômica. Nat Rev Genet
2019;20:389-403.
59. Juhola M, Joutsijoki H, Penttinen K, Aalto-Set€al€a K. Detecção de doenças
cardíacas genéticas por Ca. Sci Rep 2018;8:9355.
60. Juhola M, Penttinen K, Joutsijoki H, Aalto-Set€al€a K. Analysis of drug effects
on iPSC cardiomyocytes with machine learning (Análise dos efeitos de
medicamentos em cardiomiócitos iPSC com aprendizado de máquina). Ann
Biomed Eng 2021; 49:129-138.
61. Schmitz B, De Maria R, Gatsios D, et al. Identification of genetic markers for
treatment success in heart failure patients: insight from cardiac resynchronization
therapy. Circ Cardiovasc Genet 2014;7:760-770.
62. Hong S, Lee S, Lee J, Cha WC, Kim K. Prediction of cardiac arrest in the
emergency department based on machine learning and sequential
characteristics: model development and retrospective clinical validation study
(Previsão de parada cardíaca no departamento de emergência com base em
aprendizado de máquina e características sequenciais: desenvolvimento de
modelo e estudo de validação clínica retrospectiva). JMIR Med Inform
2020;8:e15932.
63. Holkeri A, Eranti A, Haukilahti MAE, et al. Predizendo morte súbita cardíaca em
uma população geral usando um escore de risco eletrocardiográfico. Heart 2020;
106:427-433.
64. Au-Yeung WT, Reinhall PG, Poole JE, et al. SCD-HeFT: uso de estatísticas de
intervalo R-R para estratificação de risco de longo prazo para morte súbita
cardíaca arrítmica. Heart Rhythm 2015;12:2058-2066.
65. Nguyen MT, Nguyen BV, Kim K. Aprendizagem profunda de recursos para
detecção de parada cardíaca súbita em desfibriladores externos automáticos.
Sci Rep 2018;8:17196.
66. Shade JK, Prakosa A, Popescu DM, et al. Predicting risk of sudden cardiac
death in patients with cardiac sarcoidosis using multimodality imaging and
personalized heart modeling in a multivariable classifier. Sci Adv
2021;7:eabi8020.
67. Rogers AJ, Selvalingam A, Alhusseini MI, et al. Os fenótipos celulares aprendidos
por máquina na cardiomiopatia predizem morte súbita. Circ Res 2021;128:172-
184.
68. Popescu DM, Shade JK, Lai C, et al. Previsão de sobrevivência de morte súbita
arrítmica usando análise de aprendizado profundo de cicatrizes no coração. Nat
Cardiovasc Res 2022; 1:334-343.
69. Nakashima T, Ogata S, Noguchi T, et al. Modelo de aprendizado de máquina para
prever paradas cardíacas extra-hospitalares usando dados meteorológicos e
cronológicos. Heart 2021;107:1084-1091.
70. FDA Digital Health Center of Excellence 2022. https://www.fda.gov/medical-
devices/digital-health-center-excellence. Acessado em 24 de outubro de 2022.
71. FDA Artificial Intelligence and Machine Learning in Software as a Medical
Device (SaMD) 2021, https://www.fda.gov/medical-devices/software-med ical-
device-samd/artificial-intelligence-and-machine-learning-software-medical- device.
Acessado em 24 de outubro de 2022.
72. FDA Device Classification 2020. https://www.fda.gov/medical-devices/
overview-device-regulation/classify-your-medical-device. Acessado em 24 de
outubro de 2022.
73. FDA 510(K) Substantial Equivalence Guidance 2014. https://www.fda.gov/
media/82395/download. Acessado em 24 de outubro de 2022.
74. SaMD Clinical Evaluation Guidance 2017.
https://www.fda.gov/media/100714/ download. Acessado em 24 de outubro de
2022.
75. FDA NEST 2019. https://www.fda.gov/about-fda/cdrh-reports/national-
evaluation-system-health-technology-nest. Acessado em 24 de outubro de 2022.
76. Lopez-Jimenez F, Attia Z, Arruda-Olson AM, et al. Artificial intelligence in
car- diology: present and future (Inteligência artificial em cardiologia: presente
e futuro). Mayo Clin Proc 2020;95:1015-1039.
77. Castelvecchi D. Podemos abrir a caixa preta da IA? Nature 2016;538:20-23.