Professional Documents
Culture Documents
HTTPSWWW - Ncbi.nlm - nih.govpmcarticlesPMC9795267pdfmain PT
HTTPSWWW - Ncbi.nlm - nih.govpmcarticlesPMC9795267pdfmain PT
REVISÃO
A inteligência artificial (IA) e o aprendizado de máquina (AM) discutimos as questões regulatórias, os desafios e as direções
tiveram um impacto significativo no campo da medicina futuras da IA em EP.
cardiovascular, especialmente na eletrofisiologia cardíaca
(EP), em várias frentes. O objetivo desta revisão é familiarizar PALAVRAS-CHAVE: Inteligência artificial; Aprendizado de máquina;
os leitores com o campo da IA e do AM e sua função Aprendizado profundo; Eletrofisiologia cardíaca; Big data;
emergente na EP. A presente análise está dividida em três Modelagem computacional
seções. Na primeira seção, discutimos as definições e os
conceitos básicos de IA, AM e Big Data. Na segunda seção, (Cardiovascular Digital Health Journal 2022;3:263-275) © 2022
discutimos sua aplicação à EP no contexto da detecção, Heart Rhythm Society. Este é um artigo de acesso aberto sob a
previsão e gerenciamento de arritmias. Por fim, licença CC
BY (http://creativecommons.org/licenses/by/4.0/).
Introdução - Inteligência artificial, aprendizado descrito com precisão, de modo que uma máquina possa ser
de máquina e big data criada para simulá-lo." A Figura 1 mostra a visão geral e as
O Projeto de Pesquisa de Verão de Dartmouth sobre definições da disciplina de IA e seus componentes.
Inteligência Artificial, de 1956, introduziu o termo O termo "aprendizado de máquina" (ML) foi definido em
"inteligência artificial" (IA) com base no pressuposto de que 1959 por Arthur Samuel, que declarou: "Programar
a inteligência humana "pode ser tão pré computadores para aprender com a experiência deve,
eventualmente, eliminar a necessidade de grande parte desse
esforço detalhado de programação". (https://ieeexplore.ieee.
Solicitações de reimpressão e correspondência: Dr. Dhanunjaya Lakkir- org/document/5392560). No ML, os sistemas de IA
eddy, Kansas City Heart Rhythm Institute & Research Foundation, 5100
"aprendem" com os dados que lhes são fornecidos,
W. 110th St, Suite-200, Overland Park, KS 66211. Endereço de e-mail:
Dhanunjaya.lakkireddy@hcahealthcare.com. 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
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).
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 da calculadora disponível publicamente e pode ser usado na
parâmetros clínicos. tomada de decisões compartilhada.40,41
O monitoramento remoto demonstrou ser tão eficaz quanto
as verificações de dispositivos na clínica para pacientes com IA em ablação e mapeamento
marcapassos e CDIs, além de reduzir os choques, facilitar a Durante um procedimento de ablação, há uma entrada de
detecção precoce de mau funcionamento do dispositivo e informações excepcionalmente alta: histórico do paciente,
melhorar a mortalidade.34 É um desafio para os programas registros anteriores, navegação em tempo real, eletrogramas,
gerenciar o grande volume de dados que esses sistemas parâmetros de ablação, impacto da ablação e
geram. Além da alta carga e da qualidade dos dados, acompanhamento clínico. A descrição histórica dos
diferentes fabricantes têm algoritmos distintos e as eletrogramas intracardíacos tem sido mono ou pauci-
instituições têm vários mecanismos para coletar e gerenciar paramétrica: amplitude da tensão, frequência, número de
esses dados, o que torna essa outra área importante para se deflexões, morfologias ou sequências visualmente
beneficiar da IA. Rosier e colegas35 conseguiram mostrar reconhecíveis. Há uma variação significativa entre os
que um sistema que integrou o histórico médico do paciente observadores na interpretação e na importância de
com notificações de alerta de marcapasso conseguiu reduzir eletrogramas individuais. Embora seja quase impossível
a carga de trabalho de notificação em 84%. Outro estudo descrever bons alvos com modelos lineares
demonstrou que a aplicação de um filtro de IA de duas monoparamétricos, os modelos não lineares multiparamétricos
partes a alertas de FA de registradores de loop implantáveis ML/DL são ideais para encontrar alvos relevantes para os
foi capaz de reduzir a taxa de falsos positivos em mais de resultados e tratar pacientes. São necessários estudos
60%.36 O trabalho está em andamento para desenvolver clínicos multicêntricos randomizados para demonstrar a
maneiras de usar a IA para gerenciar os alertas de utilidade dessas ferramentas analíticas nos resultados de
insuficiência cardíaca com mais eficiência.37 longo prazo da ablação de arritmia. Por exemplo, um estudo
Tem havido um trabalho considerável para criar modelos está testando a hipótese de que a ablação por cateter (CA) de
de ML para prever a resposta à CRT. Usando os dados dos locais de eletrograma com ML/DL, além do isolamento da
principais testes de CRT, foram criados modelos bem- veia pulmonar (IVP), é superior à IVP isolada para pacientes
sucedidos de aprendizado supervisionado e não com FA persistente (Tailored AF, NCT04702451).
supervisionado.38,39 Embora muitos deles sejam complexos Para desenvolver esses recursos de IA para mapeamento
de empregar, um classificador Bayesiano ingênuo que e ablação, é importante que os centros reúnam dados e
prevê a resposta à CRT usando 9 variáveis levou ao projeto 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 o apêndice atrial esquerdo.47 Uma análise estatística da
(idade, sexo, raça e comorbidades), centros (vários forma pode fornecer uma avaliação quantitativa adicional da
consultórios e operadores) e equipamentos (sistemas de forma do apêndice atrial esquerdo e sua associação com o
mapeamento, sistemas de registro e cateteres). risco de AVC em pacientes com FA.48 Por fim, novos
A IA e o ML podem estabelecer modelos de previsão de módulos de mapeamento intracardíaco incorporando ML
resultados para intervenções de arritmia, como a AC de também foram relatados nos últimos anos para reconstruir
FA.42 Recentemente, a IA foi usada para estudar o potencial com precisão a anatomia do átrio esquerdo e da veia
prognóstico do estresse da parede do átrio esquerdo na pulmonar durante a ablação da FA.49
recorrência da FA após a AC.43 Um modelo de DL usando a
tomografia computadorizada da veia pulmonar pré-bloqueio Aplicação sinérgica de ML e modelagem
previu as origens do gatilho da FA com boa confiabilidade.44 computacional personalizada em arritmias e EP
Além das arritmias atriais, o ML foi aplicado à detecção e ao A aplicação do ML em arritmia e EP requer conjuntos de
mapeamento de arritmias ventriculares e à previsão dos dados tipicamente grandes, selecionados para aplicações
resultados das terapias de dispositivos eletrônicos específicas. Há vários obstáculos práticos à coleta e à
implantáveis cardiovasculares. Foi demonstrado que os disponibilização de dados médicos para a comunidade de
algoritmos de ML têm excelente sensibilidade e IA, inclusive questões legais e éticas. A modelagem
especificidade para a detecção de contração ventricular computacional personalizada oferece uma alternativa
prematura e localização confiável de TV.45,46 A previsão de atraente para superar esses desafios e limitações. Em
complicações de arritmias também pode se beneficiar da IA contraste com o ML tradicional, nessa forma de IA, os
devido à sua capacidade de estabelecer modelos estruturais sistemas de computador constroem um coração virtual
tridimensionais, como 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 Os resultados da modelagem computacional conferem um
paciente) que é exclusivo do paciente e requer apenas um desdobramento mecanicista ao modelo de IA resultante.
exame clínico. Esse modelo é usado para avaliar a propensão Como aplicação, a modelagem computacional tem sido
arritmogênica do substrato remodelado da doença do usada para a previsão não invasiva dos alvos de ablação de
paciente. Normalmente, ele se baseia em imagens cardíacas TV e FA persistente,50,51 e para avaliar o risco de arritmia em
que visualizam a geometria individual e o remodelamento da pacientes com cardiomiopatia isquêmica52 e tetralogia de
doença no coração, como a distribuição de cicatrizes e Fallot reparada.53
fibrose nos ventrículos e átrios. Os dados dos pacientes A modelagem computacional mecanicista do coração em
podem ser combinados com os resultados da modelagem um modelo de IA apresenta novas tecnologias de precisão
computacional da propensão arritmogênica dos pacientes, já para prever o risco de arritmias ventriculares em pacientes
que esses resultados, quando gerados por modelos com sarcoidose cardíaca54 e o risco de recorrência de FA
computacionais personalizados dos corações dos pacientes, após a IVP em pacientes com sarcoidose cardíaca.
podem ser obtidos de forma barata. Além disso, a inclusão
de
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 eventos adversos em doenças complexas com um alto grau
supervisionado aprendeu tanto com os resultados da de acurácia e embasamento mecanicista.
modelagem mecanicista quanto com os biomarcadores
clínicos e de imagem para prever o resultado clínico. Por
exemplo, no estudo sobre sarcoide cardíaco realizado por IA na medicina de precisão
Shade e colegas,54 o modelo computacional mecanicista foi As tecnologias de sequenciamento de última geração
um novo modelo de fusão de tomografia por emissão de aumentaram muito a disponibilidade do sequenciamento do
pósitrons e ressonância magnética que avaliou a propensão genoma completo e da genotipagem de matriz de alta
arritmogênica do substrato remodelado, incorporando resolução e levaram a melhorias em nossa compreensão da
infiltração de fibrose e inflamação. A combinação com ML base genética dos distúrbios cardiovasculares e de arritmia.
resultou na criação do Computational Heart and Artificial O cumprimento da promessa da medicina de precisão de
Intelligence (CHAI) Risk Predictor para pacientes com oferecer um tratamento específico ao paciente para arritmias
sarcoidose cardíaca (Figura 5). Modelos cardíacos requer a síntese e a interpretação de dados de várias fontes,
personalizados de arritmogênese foram construídos usando incluindo histórico médico, estilo de vida e dados de saúde
exames de ressonância magnética com gadolínio tardio e móvel e dados de monitoramento de ritmo, bem como
tomografia por emissão de pósitrons do paciente, e validados genômica, proteômica e metabolômica.56 A complexidade e a
com dados clínicos de ablação. Depois que o modelo foi velocidade desse acúmulo de dados tornam impraticável a
validado, os recursos extraídos dos resultados da simulação análise baseada em humanos,57 especialmente no campo de
foram combinados com aqueles extraídos de imagens e EP. O ML é especialmente adequado para lidar com as
outros dados clínicos e inseridos no CHAI. Em uma coorte tarefas de integração dessa riqueza de dados clínicos com
de 45 pacientes, o preditor alcançou uma sensibilidade e dados genéticos para informar a classificação, o diagnóstico
especificidade equilibradas e uma excelente área sob a curva e o tratamento de doenças. A genômica, que busca
característica de operação do receptor. Nesse estudo de correlacionar o genótipo e o fenótipo, identificar
prova de conceito, os resultados do CHAI demonstram que a biomarcadores para estratificação de pacientes e prever a
tecnologia superou as métricas clínicas na previsão do risco função dos genes, tornou-se um aplicativo dominante para o
de morte súbita nesses pacientes. AM na área da saúde.58
Uma abordagem semelhante foi usada em um estudo que A gama de possíveis aplicações da IA para impulsionar a
previu de forma pré-processual o risco de recorrência de FA medicina de precisão em EP é ampla. Por exemplo, os
pós-VIP em pacientes com FA paroxística,55 no qual algoritmos de ML foram aplicados para identificar perfis
modelos atriais personalizados foram construídos a partir de anormais de transientes de cálcio em cardiomiócitos
exames de ressonância magnética com gadolínio tardio, e os derivados de células-tronco pluripotentes induzidas que
resultados das simulações de indutibilidade de FA foram abrigam mutações em genes associados à TV polimórfica
usados em um classificador juntamente com outros dados catecolaminérgica, síndrome do QT longo e cardiomiopatia
clínicos. Esses estudos recentes ilustram como as duas hipertrófica, com precisão de classificação de até 87%.59 Isso
abordagens podem ser usadas de forma sinérgica e para poderia aumentar os esforços não apenas na correlação
superar as preocupações com as decisões clínicas que estão genótipo-fenótipo, mas também no exame rápido dos efeitos
sendo informadas por algoritmos de "caixa preta" que não dos medicamentos para orientar o tratamento.60 Schmitz e
são explicáveis. Essas tecnologias preparam o caminho para colegas61 examinaram a utilidade de 15 algoritmos de ML
o uso de abordagens integrativas na medicina de precisão diferentes que
que preveem
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 entre fatores genéticos, clínicos e ambientais, é uma doença
remodelamento positivo do ventrículo esquerdo com TRC. que pode estar mais bem preparada para ser gerenciada com
Um algoritmo de árvore de decisão ideal baseado em regras o auxílio da fenotipagem profunda derivada de ML e da
que incorporou dados clínicos e genótipos de loci genéticos otimização do tratamento.
(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 Previsão de IA e SCD
terapia com medicamentos antiarrítmicos e procedimentos É bem reconhecido que os modelos atuais de estratificação
de AC para terapia de arritmia podem ser aprimorados com de risco para o risco de MSC são muito limitados na
o ML. A FA, que geralmente é o resultado final de uma determinação da candidatura ao CDI em pacientes com
interação complexa corações estruturalmente normais e anormais.
Kabra et al Inteligência Artificial em Eletrofisiologia 273
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 e exigem mais estudos prospectivos para preparar o caminho
de melhores modelos de estratificação de risco para o risco para a estratificação de risco guiada por IA para MSC e a
de MSC usando algoritmos de IA para coletar grandes determinação da candidatura ao CDI.
conjuntos de dados populacionais.
Vários algoritmos de ML foram desenvolvidos por
diferentes grupos para prever o risco de MSC em indivíduos Estrutura regulatória e desafios para IA em EP
usando variáveis clínicas e demográficas,62 parâmetros de A IA tem o potencial de causar um impacto significativo no
ECG e Holter,63 características de eletrograma intracardíaco diagnóstico e no tratamento de distúrbios do ritmo cardíaco e
derivadas de CDIs,64,65 parâmetros de imagem de na democratização do atendimento, mas somente se os
ecocardiogramas, RMs e imagens cardíacas nucleares,66 e dispositivos e softwares que usam IA puderem navegar com
até mesmo fenótipos celulares, como potenciais de ação sucesso pelo processo regulatório dos EUA. A Divisão de
monofásicos ventriculares.67 Os modelos usam esses Saúde Digital trabalha de forma interativa com os escritórios
parâmetros exclusivamente ou em diferentes combinações específicos de dispositivos e com as partes interessadas
como um classificador multivariável para a p r e v i s ã o para discutir e desenvolver políticas e diretrizes para apoiar a
d e risco de MSC,68 e obtiveram sucessos variáveis com análise de submissões de Software como Dispositivo Médico
uma ampla gama de áreas sob a curva (Figura 6). Além da (SaMD), incluindo IA e ML.70,71 O Plano de Ação de SaMD
previsão de risco de MSC para indivíduos, também houve de IA/ML da Food & Drug Administration (FDA) dos
tentativas de usar algoritmos de IA para prever EUA inclui propostas inovadoras, como pré-certificação de
temporalmente um risco maior de MSC em populações software, controle de alterações predeterminado, boas
usando dados meteorológicos e cronológicos complexos, práticas de ML e monitoramento de desempenho no mundo
mostrando que o risco de MSC era maior com quedas real. Orientações importantes da FDA foram emitidas para
repentinas de temperatura e em determinados dias da software de suporte a decisões clínicas e aplicativos médicos
semana.69 Muitos desses algoritmos servem como prova de móveis.
conceito, demonstrando a capacidade da computação No espaço de EP, o software de diagnóstico mais
avançada e dos algoritmos de IA de derivar padrões de comumente usa IA, e esses produtos são regulamentados
dados extremamente complexos. Entretanto, eles não estão principalmente como Classe II
próximos da adoção clínica em
274 Jornal de Saúde Digital Cardiovascular, Vol 3, No 6, Dezembro de
2022
Tabela 1Desafios/obstáculos importantes para a tradução da inteligência artificial para a prática clínica e
sugestões para superá-losDesafios e obstáculos Abordagens em potencial
1. A falta de transparência (análises de caixa preta) inibe a As análises de correlação podem, às vezes, ajudar a melhorar a
adoção por parte dos médicos transparência.
O uso de novas abordagens, como o mapeamento de ativação de
classe ponderada por gradiente, pode ajudar a fornecer um
nível de interpretabilidade.
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
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.
3. A implementação no EHR pode ser inibida por requisitos A revisão e os avanços da FDA podem facilitar as etapas de
regulatórios para uso clínico aprovação.
4. Necessidade de equipes técnicas fortes, incluindo
cientistas de dados, cientistas da computação e analistas; Aumentar os pipelines de treinamento.
pode ser difícil atrair pessoal qualificado para a área Fornecer incentivos institucionais para abordagens
acadêmica e médica, pois o setor oferece salários mais altos multidisciplinares.
Criar e facilitar o acesso a serviços de consultoria de IA em cada
5. Necessidade de conjuntos de dados de qualidade grandes e instituição.
harmonizados, com representação de exemplos normais e Incorporar a IA no treinamento médico.
anormais e representação de dados de diversas populações Sistema Nacional de Avaliação da FDA para iniciativa de
para evitar preconceitos; a HIPAA e a necessidade de tecnologia de saúde - visa estabelecer redes de dados
preservar a privacidade do paciente podem inibir a acessíveis, incluindo registros de dispositivos, EHR, bancos
disponibilidade de grandes conjuntos de dados para de dados de reclamações e dados de saúde gerados por
desenvolvimento pacientes.
IA 5 inteligência artificial; EHR 5 registros eletrônicos de saúde.
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 Jornal de Saúde Digital Cardiovascular, Vol 3, No 6, Dezembro de
2022
Concessões do NIH U54HL143541, R01HL137734, 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
R01HL155343, R01HL137794, R01HL141434 e Cardiol 2021;340:42-47.
R61HL158541 como pri- meiros subsídios. 15. Attia ZI, Noseworthy PA, Lopez-Jimenez F, et al. Um algoritmo de ECG
mary or multi-primary investigator and grants and personal habilitado por inteligência artificial para a identificação de pacientes com
fibrilação atrial durante o ritmo sinusal: uma análise retrospectiva da previsão de
fees from Bristol Myers Squibb, grants and personal fees resultados. Lancet 2019; 394:861-867.
from Pfizer, grants from Boehringer Ingelheim and Philips, 16. Bos JM, Attia ZI, Albert DE, Noseworthy PA, Friedman PA, Ackerman MJ.
nonfinancial support from Apple, personal fees and Uso de inteligência artificial e redes neurais profundas na avaliação de
pacientes com síndrome do QT longo oculta eletrocardiograficamente a partir
nonfinan- cial support from Samsung, grants and personal do eletrocardiograma de 12 derivações de superfície. JAMA Cardiol
fees from Flexcon, personal fees from Avania, personal fees 2021;6:532-538.
from Rose Consulting, grants and personal fees from Heart 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-
Rhythm Society, and personal fees and nonfinancial support 2094.
from Fit- bit; Mitchell Cohen - Nenhum; Mina Chung - 18. Attia ZI, Kapa S, Lopez-Jimenez F, et al. Screening for cardiac contractile
Subsídio do NIH R01 HL158071; Subsídios da American dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med
2019;25:70-74.
Heart Association Atrial Fibrillation Strategically Focused 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
Research Network 18SFRN34 110067, 18SFRN34170013, inteligência artificial para identificação de pacientes com baixa fração de ejeção:
20SCG35490449; Natalia Traya- 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
nova - Subsídios do NIH R01HL142496 e U01HL141074, um guiada por inteligência artificial para reduzir eventos neurológicos em pacientes
subsídio da Leducq Foundation; Dhanunjaya Lakkireddy - com fibrilação atrial não diagnosticada: justificativa e projeto de um ensaio clínico
Consultoria: Abbott, Biosense Webster, Medtronic, Boston digital. Am Heart J 2021; 239:73-79.
21. Pereira T, Tran N, Gadhoumi K, et al. Photoplethysmography based atrial
Scientific, Biotronik, Johnson & Johnson, Acutus, BioTel, Al- fibrilation detection: a review. NPJ Digit Med 2020;3:3.
taThera, Northeast Scientific. 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
Autoria smartwatch na detecção e quantificação da fibrilação atrial. Circ Arrhythm
Electrophysiol 2019;12:e006834.
Todos os autores atestam que atendem aos critérios atuais do 24. Bumgarner JM, Lambert CT, Hussein AA, et al. Algoritmo de smartwatch para
ICMJE para autoria. 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 fibrilação atrial: uma revisão sistemática e meta-análise). JAMA Netw Open
2020;3:e202064.
1. Feeny AK, Chung MK, Madabhushi A, et al. Artificial intelligence and 26. Hannun AY, Rajpurkar P, Haghpanahi M, et al. Detecção e classificação de
machine learning in arrhythmias and cardiac electrophysiology (Inteligência arritmia em nível de cardiologista em eletrocardiogramas ambulatoriais usando
artificial e aprendizado de máquina em arritmias e eletrofisiologia cardíaca). uma rede neural profunda. Nat Med 2019;25:65-69.
Circ Arrhythm Electro- physiol 2020;13:e007952. 27. Willcox ME, Compton SJ, Bardy GH. Monitoramento contínuo de ECG versus
2. Huang L, Shea AL, Qian H, Masurkar A, Deng H, Liu D. O agrupamento de telemetria móvel: A comparison of arrhythmia diagnostics in human- versus
pacientes melhora a eficiência do aprendizado de máquina federado para algo- rithmic-dependent systems (Uma comparação de diagnósticos de arritmia
prever a mortalidade e o tempo de permanência no hospital usando registros em sistemas dependentes de humanos e algoritmos). Heart Rhythm O2
médicos eletrônicos distribuídos. J Biomed Inform 2019; 99:103291. 2021;2:543-559.
3. Hannun AY, Rajpurkar P, Haghpanahi M, et al. Detecção e classificação de 28. Ashburner JM, Lee PR, Rivet CM, et al. A implementação e a aceitabilidade de um
arritmia em nível de cardiologista em eletrocardiogramas ambulatoriais usando aplicativo móvel para triagem de fibrilação atrial em casa. Telemed J E Health
uma rede neural profunda. Nat Med 2019;25:65-69. 2021;27:1305-1310.
4. Giudicessi JR, Schram M, Bos JM, et al. Artificial intelligence-enabled a s s e s s 29. Gawalko M, Duncker D, Manninger M, et al. O projeto europeu TeleCheck-
of the heart rate corrected QT interval using a mobile electrocardiogram de- vice. AF sobre gerenciamento remoto de fibrilação atrial baseado em aplicativo
Circulation 2021;143:1274–1286. durante a pandemia de COVID-19: experiências de centros e pacientes.
5. Hughes JW, Olgin JE, Avram R, et al. Desempenho de uma rede neural Europace 2021;23:1003-1015.
convolucional e técnica de explicabilidade para interpretação de 30. Mascarenhas DAN, Mudumbi PC, Kantharia BK. Início ambulatorial de dofeti-
eletrocardiograma de 12 derivações. JAMA Cardiol 2021;6:1285-1295. lide: percepções das complexidades do gerenciamento da fibrilação atrial durante o
6. Kashou AH, Ko WY, Attia ZI, et al. Um programa abrangente de interpretação bloqueio da COVID-19. J Interv Card Electrophysiol 2021;63:21-28.
de eletrocardiograma habilitado por inteligência artificial. Cardiovasc Digit 31. Maurizi N, Fumagalli C, Cecchi F, Olivotto I. Uso de ECG operado por
Health J 2020;1:62-70. smartphone para vigilância domiciliar de ECG em pacientes com COVID-19.
7. Xiong Z, Stiles M, Zhao J. Classificação robusta do sinal de ECG para a detecção European Heart Journal - Dig- ital Health 2021;2:175-178.
de lesões atriais 32. Khurshid S, Friedman S, Reeder C, et al. Aprendizagem profunda baseada em
fibrilação usando uma nova rede neural. Computação em Cardiologia 2017;1-4. ECG e fatores de risco clínicos para prever a fibrilação atrial. Circulation
8. Acharya UR, Fujita H, Lih OS, Hagiwara Y, Tan JH, Adam M. Detecção 2022;145:122-133.
automatizada de arritmias usando diferentes intervalos de segmentos de ECG 33. Shakibfar S, Krause O, Lund-Andersen C, et al. Predicting electrical storms by
de taquicardia com rede neural convolucional. Information Sciences remote monitoring of implantable cardioverter-defibrillator patients using
2017;405:81-90. machine learning. Europace 2019;21:268-274.
9. Kashou AH, Mulpuru SK, Deshmukh AJ, et al. Um algoritmo de ECG habilitado 34. Piccini JP, Mittal S, Snell J, et al. Impact of remote monitoring on clinical events
para inteligência artificial para interpretação abrangente de ECG: ele pode passar and associated health care utilization: Uma avaliação em nível nacional. Heart
no "teste de Turing"? Cardiovasc Digit Health J 2021;2:164-170. Rhythm 2016;13:2279-2286.
10. Attia ZI, Friedman PA, Noseworthy PA, et al. Age and sex estimation using 35. Rosier A, Mabo P, Temal L, et al. Monitoramento remoto presonalizado e
arti- ficial intelligence from standard 12-lead ECGs. Circ Arrhythm automatizado da fibrilação atrial. Europace 2016;18:347-352.
Electrophysiol 2019;12:e007284. 36. Mittal S, Oliveros S, Henry C, et al. Uma solução baseada em inteligência
11. Grogan M, Lopez-Jimenez F, Cohen-Shelly M, et al. Eletrocardiograma artificial para reduzir a detecção de falsos positivos de fibrilação atrial por um
aprimorado por inteligência artificial para a detecção precoce de amiloidose registrador de loop implantável. Heart Rhythm 2021;17(Suppl 5):S67-S68.
cardíaca. Mayo Clin Proc 2021;96:2768-2778. 37. Michalik J, Cacko A, Polinski J, et al. Um assistente interativo para pacientes com
12. Tison GH, Zhang J, Delling FN, Deo RC. Perfis de ECG de pacientes dispositivos eletrônicos cardíacos implantáveis: um protocolo de estudo do estudo
automatizados e interpretáveis para detecção, rastreamento e descoberta de LUCY. Med- icine 2018;97:e12556.
doenças. Circ Cardiovasc Qual Outcomes 2019;12:e005289. 38. Kalscheur MM, Kipp RT, Tattersall MC, et al. Algoritmo de aprendizado de
13. Cohen-Shelly M, Attia ZI, Friedman PA, et al. Triagem de eletrocardiograma para máquina prediz resultados de terapia de ressincronização cardíaca. Circ Arrhythm
estenose da válvula aórtica usando inteligência artificial. Eur Heart J Electrophysiol 2018;11:e005499.
2021;42:2885-2896. 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 279
40. Calculadora de pontuação de resposta de CRT. Acessado em 1º de novembro 58. Eraslan G, Avsec Zˇ, Gagneur J, Theis FJ. Aprendizagem profunda: novas
de 2021. riskcalc.org:3838/ CRTResponseScore/ técnicas de modelagem computacional para genômica. Nat Rev Genet
41. Feeny AK, Richard J, Patel D, et al. Previsão de aprendizado de máquina da 2019;20:389-403.
resposta à terapia de ressincronização cardíaca: melhoria em relação às 59. Juhola M, Joutsijoki H, Penttinen K, Aalto-Set€al€a K. Detecção de doenças
diretrizes atuais. Circ Arrhythm Electrophysiol 2019;12:e007316. cardíacas genéticas por Ca. Sci Rep 2018;8:9355.
42. Zou F, Brahier M, Migliarese F, et al. Um modelo de risco de recorrência derivado 60. Juhola M, Penttinen K, Joutsijoki H, Aalto-Set€al€a K. Analysis of drug effects
de aprendizado de máquina para fibrilação atrial após ablação por cateter. Heart on iPSC cardiomyocytes with machine learning (Análise dos efeitos de
Rhythm 2021; 18:S219-S220. medicamentos em cardiomiócitos iPSC com aprendizado de máquina). Ann
43. Lee JH, Kwon OS, Shim J, et al. Left atrial wall stress and the long-term outcome Biomed Eng 2021; 49:129-138.
of catheter ablation of atrial fibrillation: an artificial intelligence-based prediction 61. Schmitz B, De Maria R, Gatsios D, et al. Identification of genetic markers for
of atrial wall stress. Front Physiol 2021;12:686507. treatment success in heart failure patients: insight from cardiac resynchronization
44. Liu CM, Chang SL, Chen HH, et al. A aplicação clínica da técnica de therapy. Circ Cardiovasc Genet 2014;7:760-770.
aprendizagem profunda para prever as origens do gatilho em pacientes com 62. Hong S, Lee S, Lee J, Cha WC, Kim K. Prediction of cardiac arrest in the
fibrilação atrial paroxística com ablação por cateter. Circ Arrhythm Electrophysiol emergency department based on machine learning and sequential
2020; 13:e008518. characteristics: model development and retrospective clinical validation study
45. Yu J, Wang X, Chen X, Guo J. Automatic premature ventricular contraction (Previsão de parada cardíaca no departamento de emergência com base em
detection using deep metric learning and KNN. Biosensors (Basel) 2021;11:69. aprendizado de máquina e características sequenciais: desenvolvimento de
46. Missel R, Gyawali PK, Murkute JV, et al. Uma abordagem híbrida de aprendizado modelo e estudo de validação clínica retrospectiva). JMIR Med Inform
de máquina para localizar a origem da taquicardia ventricular usando 2020;8:e15932.
eletrocardiogramas de 12 derivações. Comput Biol Med 2020;126:104013. 63. Holkeri A, Eranti A, Haukilahti MAE, et al. Predizendo morte súbita cardíaca em
47. Di Biase L, Santangeli P, Anselmino M, et al. Does the left atrial appendage uma população geral usando um escore de risco eletrocardiográfico. Heart 2020;
morphology correlate with the risk of stroke in patients with atrial fibrillation? 106:427-433.
Resultados de um estudo multicêntrico. J Am Coll Cardiol 2012;60:531-538. 64. Au-Yeung WT, Reinhall PG, Poole JE, et al. SCD-HeFT: uso de estatísticas de
48. Bieging ET, Morris A, Chang L, Dagher L, Marrouche NF, Cates J. Statistical intervalo R-R para estratificação de risco de longo prazo para morte súbita
shape analysis of the left atrial appendage predicts stroke in atrial fibrillation. cardíaca arrítmica. Heart Rhythm 2015;12:2058-2066.
Int J Cardiovasc Imaging 2021;37:2521-2527. 65. Nguyen MT, Nguyen BV, Kim K. Aprendizagem profunda de recursos para
49. Schwartz AL, Chorin E, Mann T, et al. Reconstrução do átrio esquerdo para detecção de parada cardíaca súbita em desfibriladores externos automáticos.
ablação de fibrilação atrial usando o software de aprendizado de máquina CARTO Sci Rep 2018;8:17196.
3 m-FAM. J In- terv Card Electrophysiol 2022;64:39-47. 66. Shade JK, Prakosa A, Popescu DM, et al. Predicting risk of sudden cardiac
50. Boyle PM, Zghaib T, Zahid S, et al. Computationally guided personalized tar- death in patients with cardiac sarcoidosis using multimodality imaging and
geted ablation of persistent atrial fibrillation. Nat Biomed Eng 2019;3:870-879. personalized heart modeling in a multivariable classifier. Sci Adv
51. Prakosa A, Arevalo HJ, Deng D, et al. Tecnologia de coração virtual personalizado 2021;7:eabi8020.
para orientar a ablação de taquicardia ventricular relacionada a infarto. Nat Biomed 67. Rogers AJ, Selvalingam A, Alhusseini MI, et al. Os fenótipos celulares aprendidos
Eng 2018;2:732-740. por máquina na cardiomiopatia predizem morte súbita. Circ Res 2021;128:172-
52. Arevalo HJ, Vadakkumpadan F, Guallar E. Arrhythmia risk stratification of pa- 184.
tients after myocardial infarction using personalized heart models (Estratificação 68. Popescu DM, Shade JK, Lai C, et al. Previsão de sobrevivência de morte súbita
de risco de arritmia de pacientes após infarto do miocárdio usando modelos arrítmica usando análise de aprendizado profundo de cicatrizes no coração. Nat
cardíacos personalizados). Nat Commun 2016;7:11437. Cardiovasc Res 2022; 1:334-343.
53. Shade JK, Cartoski MJ, Nikolov P, et al. Previsão de risco de arritmia ventricular 69. Nakashima T, Ogata S, Noguchi T, et al. Modelo de aprendizado de máquina para
em tetralogia de Fallot reparada usando modelos cardíacos computacionais prever paradas cardíacas extra-hospitalares usando dados meteorológicos e
personalizados. Heart Rhythm 2020;17:408-414. cronológicos. Heart 2021;107:1084-1091.
54. Shade JK, Prakosa A, Popescu DM, et al. Predicting risk of sudden cardiac 70. FDA Digital Health Center of Excellence 2022. https://www.fda.gov/medical-
death in patients with cardiac sarcoidosis using multimodality imaging and devices/digital-health-center-excellence. Acessado em 24 de outubro de 2022.
personalized heart modeling in a multivariable classifier. Sci Adv 71. FDA Artificial Intelligence and Machine Learning in Software as a Medical
2021;7:eabi8020. Device (SaMD) 2021, https://www.fda.gov/medical-devices/software-med ical-
55. Shade JK, Ali RL, Basile D, et al. Preprocedure application of machine learning device-samd/artificial-intelligence-and-machine-learning-software-medical- device.
and mechanistic simulations predicts likelihood of paroxysmal atrial fibrillation Acessado em 24 de outubro de 2022.
recurrence following pulmonary vein isolation (Aplicação pré-procedimento de 72. FDA Device Classification 2020. https://www.fda.gov/medical-devices/
aprendizado de máquina e simulações mecanicistas prevê a probabilidade de overview-device-regulation/classify-your-medical-device. Acessado em 24 de
recorrência de fibrilação atrial paroxística após isolamento da veia pulmonar). outubro de 2022.
Circ Arrhythm Electrophysiol 2020; 13:617-627. 73. FDA 510(K) Substantial Equivalence Guidance 2014. https://www.fda.gov/
56. Dainis AM, Ashley EA. Medicina de precisão cardiovascular na era da genômica. media/82395/download. Acessado em 24 de outubro de 2022.
JACC Basic Transl Sci 2018;3:313-326. 74. SaMD Clinical Evaluation Guidance 2017.
57. de Marvao A, Dawes TJW, O'Regan DP. Inteligência artificial para pesquisa https://www.fda.gov/media/100714/ download. Acessado em 24 de outubro de
de genética de imagens cardíacas. Front Cardiovasc Med 2019;6:195. 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.