Inteligência artificial para interpretação de eletrocardiograma no diagnóstico de infarto do miocárdio
DOI:
https://doi.org/10.34119/bjhrv7n2-473Keywords:
inteligência artificial, infarto do miocárdio, eletrocardiograma, diagnósticoAbstract
A utilização da Inteligência Artificial (IA) nos cuidados de saúde está a transformar a prática clínica, fornecendo ferramentas avançadas para diagnóstico e tratamento de diversas doenças, incluindo doenças cardiovasculares. Este artigo descreve a utilização da IA na interpretação de eletrocardiogramas (ECGs) para diagnosticar com precisão o infarto agudo do miocárdio (IAM). Tradicionalmente, o IAM é detectado por alterações no ECG, um exame de baixo custo e fácil acesso em diferentes realidades no Brasil. No entanto, a interpretação correta dos ECGs pode ser difícil devido à sua complexidade. A IA, mais especificamente tecnologias como machine learning e deep learning, oferece formas promissoras de melhorar tal interpretação e auxiliar os profissionais de saúde a identificar o IAM precocemente e com precisão. Esta revisão integrativa detalha o uso de ferramentas de IA na leitura e interpretação de ECG para um diagnóstico significativo de IAM e destaca a sua importância na melhoria da qualidade do atendimento na pratica clínica. Ao revisar pesquisas relacionadas, chegamos a conclusão do potencial da IA para revolucionar o diagnóstico cardiovascular e delineamos a direção de pesquisas futuras neste campo crescente.
References
SOUZA FILHO, Erito Marques de et al. Inteligência artificial em cardiologia: conceitos, ferramentas e desafios–“quem corre é o cavalo, você precisa ser o jóquei”. Arquivos Brasileiros de Cardiologia, v. 114, p. 718-725, 2020.
DOURADO, Daniel de Araújo; AITH, Fernando Mussa Abujamra. A regulação da inteligência artificial na saúde no Brasil começa com a Lei Geral de Proteção de Dados Pessoais. Revista de Saúde Pública , v. 56, 2022.
CHITUMBA, Hermenegildo Osvaldo; RAFAEL, Edmauro J. Maiato. Inteligência Artificial no campo da saúde: desafios e oportunidades. Revista Angolana de Ciências da Saúde/Angolan Journal Of Health Sciences, v. 3, n. 2, p. 1-3, 2022.
DA SILVA, João Luiz Camilo et al. INTELIGÊNCIA ARTIFICIAL NA CARDIOLOGIA. Revista Corpus Hippocraticum, v. 2, n. 1, 2021.
XIN-MU, L. I. et al. Electrocardiogram-based artificial intelligence for the diagnosis of heart failure: a systematic review and meta-analysis. Journal of geriatric cardiology: JGC, v. 19, n. 12, p. 970, 2022.
ANDRADE, Daniel. Alterações cardiovasculares na senescência: como a inteligência artificial auxilia na identificação de padrões. 2023. Trabalho de Conclusão de Curso.
SILVA, K. S. C.; DUPRAT, I. P.; DÓREA, S. de A.; DE MELO, G. C.; DE MACÊDO, A. C. Emergência cardiológica: principais fatores de risco para infarto agudo do miocárdio / Cardiologic emergency: main risk factors for acute myocardial infarction. Brazilian Journal of Health Review, [S. l.], v. 3, n. 4, p. 11252–11263, 2020.
THYGESEN, Kristian et al. Fourth universal definition of myocardial infarction (2018). Circulation, v. 138, n. 20, p. e618-e651, 2018.
SILVA, A. R. de O.; DE MEDEIROS, M. G. A.; DE SOUSA, S. M.; DE OLIVEIRA FILHO, J. S.; DA SILVA, A. B.; CÉSAR, E. S. R.; NOGUEIRA, W. B. de A. G.; SANTOS, I. de O. Infarto agudo do miocárdio relacionado ao estresse: revisão integrativa. Brazilian Journal of Health Review, [S. l.], v. 6, n. 6, p. 29829–29842, 2023.
CHO, Younghoon et al. Artificial intelligence algorithm for detecting myocardial infarction using six-lead electrocardiography. Scientific reports, v. 10, n. 1, p. 20495, 2020.
GUSTAFSSON, Stefan et al. Development and validation of deep learning ECG-based prediction of myocardial infarction in emergency department patients. Scientific Reports, v. 12, n. 1, p. 19615, 2022.
HAN, Changho et al. Automated detection of acute myocardial infarction using asynchronous electrocardiogram signals—preview of implementing artificial intelligence with multichannel electrocardiographs obtained from Smartwatches: retrospective study. Journal of Medical Internet Research, v. 23, n. 9, p. e31129, 2021
FU, Lidan et al. Hybrid network with attention mechanism for detection and location of myocardial infarction based on 12-lead electrocardiogram signals. Sensors, v. 20, n. 4, p. 1020, 2020.
PARK, Jong-Rul et al. Myocardial infarction evaluation from stopping time decision toward interoperable algorithmic states in reinforcement learning. BMC Medical Informatics and Decision Making, v. 20, n. 1, p. 1-15, 2020.
LIU, Wen-Cheng et al. A deep learning algorithm for detecting acute myocardial infarction. EuroIntervention, v. 17, n. 9, p. 765-773, 2021.
CHUMACHENKO, Dmytro et al. Machine Learning Methods in Predicting Patients with Suspected Myocardial Infarction Based on Short-Time HRV Data. Sensors, v. 22, n. 18, p. 7033, 2022.
MAKIMOTO, Hisaki et al. Performance of a convolutional neural network derived from an ECG database in recognizing myocardial infarction. Scientific reports, v. 10, n. 1, p. 8445, 2020.
Chung CT, Lee S, King E, Liu T, Armoundas AA, Bazoukis G, Tse G. Clinical significance, challenges and limitations in using artificial intelligence for electrocardiography-based diagnosis. Int J Arrhythmia. 2022;23(1):24.
