EXPLORANDO FERRAMENTAS DE REDES NEURAIS PARA O MANEJO DO INFARTO AGUDO DO MIOCÁRDIO: UMA REVISÃO SISTEMÁTICA
Palavras-chave:
Computação de Redes Neurais, Inteligência Artificial, Infarto do MiocárdioResumo
INTRODUÇÃO: A Inteligência Artificial (IA) busca replicar a inteligência humana, utilizando Redes Neurais (RN) baseadas no sistema nervoso. Na cardiologia, o infarto agudo do miocárdio (IAM) é uma preocupação central devido à necrose muscular causada pela obstrução das artérias coronárias. A IA pode acelerar o manejo clínico do IAM, fornecendo insights e auxiliando na tomada de decisão médica. OBJETIVOS: Compreender e analisar como os avanços das RNs podem contribuir para o manejo do IAM. METODOLOGIA: Uma revisão sistemática seguindo as diretrizes do PRISMA 2020 foi conduzida, incluindo artigos publicados entre 2019 e 2025 e de acesso livre, que abordavam a temática de interesse. Foram excluídos artigos com dados incompletos, relatos de casos, estudos com animais e resumos de eventos. A busca pelos artigos utilizou os descritores "Computing Neural Networks", "Cardiology", "Artificial Intelligence" e "Myocardial Infarction", combinados com operadores booleanos, na BVS, PubMed, Medline, Lilacs e Cochrane. Os artigos foram triados e avaliados quanto ao viés utilizando ROBIS, e a análise foi realizada em duplo cego após a tabulação dos resultados. RESULTADOS E DISCUSSÃO: Observou-se que a IA consegue atuar em diversos âmbitos: na prevenção, estudos mostram que a análise de angio-TC pode antecipar eventos como o IAM. No diagnóstico, as RNs conseguem diagnosticar eletrocardiogramas e analisar fonocardiografia para identificar o IAM. Outros programas, preveem a probabilidade de um paciente sofrer IAM não letal ou morte, analisando exames da perfusão do miocárdio, reconhecendo a localização mais provável do infarto e, também, prever obstrução de artérias coronárias durante intervenções coronárias percutâneas. Todavia, o grau de ação da IA durante as angioplastias foram aplicados por outros pesquisadores, que se mostraram eficazes quanto à escolha da melhor abordagem cirúrgica, porém não conseguiram prever o desenvolvimento da obstrução microvascular. Formas de monitoramento para prevenção secundária têm sido programadas, com crescente aceitação dos pacientes. Conseguiu-se, de forma prognóstica, prever mortalidade por insuficiência cardíaca após IAM com alta precisão, com limitações em certos grupos, mas promissora ao alertar médicos. CONCLUSÃO: Apesar das RNs ainda necessitarem de aperfeiçoamento, essa ferramenta da IA demonstra uso promissor e abrangente no manejo de IAM, apoiando as decisões clínicas, otimizando o ofício médico e os cuidados aos pacientes.
Downloads
Referências
1. LIN, A. et al. Deep learning-enabled coronary CT angiography for plaque and stenosis quantification and cardiac risk prediction: an international multicentre study. The Lancet Digital Health, v. 4, n. 4, p. e256–e265, 1 abr. 2022.
2. MANDALA, S. et al. Enhanced Myocardial Infarction Identification in Phonocardiogram Signals using Segmented Feature Extraction and Transfer Learning-Based Classification. IEEE access, v. 11, p. 136654–136665, 1 jan. 2023.
3. PELLY, M. et al. Artificial intelligence for secondary prevention of myocardial infarction: A qualitative study of patient and health professional perspectives. International Journal of Medical Informatics, v. 173, p. 105041, 1 maio 2023.
4. MOHAMMAD, M. A. et al. Development and validation of an artificial neural network algorithm to predict mortality and admission to hospital for heart failure after myocardial infarction: a nationwide population-based study. The Lancet Digital Health, v. 4, n. 1, p. e37–e45, 1 jan. 2022.
5. SINGH, A. et al. Direct Risk Assessment From Myocardial Perfusion Imaging Using Explainable Deep Learning. JACC: Cardiovascular Imaging, v. 16, n. 2, p. 209–220, 1 fev. 2023.
6. FROLOV, A. A. et al. Using an Artificial Neural Network to Predict Coronary Microvascular Obstruction (No-Reflow Phenomenon) during Percutaneous Coronary Interventions in Patients with Myocardial Infarction. Sovremennye tehnologii v medicine, v. 13, n. 6, p. 6, 29 dez. 2021.
7. LECESNE, E. et al. Segmentation of cardiac infarction in delayed-enhancement MRI using probability map and transformers-based neural networks. Computer Methods and Programs in Biomedicine, v. 242, p. 107841, 1 dez. 2023.
8. MAKIMOTO, H. et al. Performance of a convolutional neural network derived from an ECG database in recognizing myocardial infarction. Scientific Reports, v. 10, n. 1, 21 maio 2020.
9. NIEDZIELA, J. T. et al. Is neural network better than logistic regression in death prediction in patients after ST-segment elevation myocardial infarction? Kardiologia Polska, v. 79, n. 12, p. 1353–1361, 29 dez. 2021.
10. CHOI, J. et al. Smartwatch ECG and artificial intelligence in detecting acute coronary syndrome compared to traditional 12-lead ECG. International Journal of Cardiology Heart & Vasculature, v. 56, p. 101573, 1 dez. 2024. DOI: 10.1016/j.ijcha.2024.101573.
11. DE KONING, E. et al. AI Algorithm to Predict Acute Coronary Syndrome in Prehospital Cardiac Care: Retrospective Cohort Study. JMIR Cardio, v. 7, e51375, 31 Oct. 2023. DOI: 10.2196/51375.
12. DÍAZ-HERRERA, B. A. et al. Derivation of an artificial intelligence-based electrocardiographic model for the detection of acute coronary occlusive myocardial infarction. Archivos de Cardiología de México, v. 95, n. 2, p. 178–187, 28 fev. 2025. DOI: 10.24875/ACM.24000195.
13. EMAKHU, J. et al. Acute coronary syndrome prediction in emergency care: A machine learning approach. Computer Methods and Programs in Biomedicine, v. 225, p. 107080, out. 2022. DOI: 10.1016/j.cmpb.2022.107080.
14. HERMAN, R. et al. Validation of an automated artificial intelligence system for 12‑lead ECG interpretation. Journal of Electrocardiology, v. 82, p. 147-154, jan./fev. 2024. DOI: 10.1016/j.jelectrocard.2023.12.009. Epub 23 dez. 2023. PMID: 38154405.
15. KIM, J. et al. ECG data analysis to determine ST-segment elevation myocardial infarction and infarction territory type: an integrative approach of artificial intelligence and clinical guidelines. Frontiers in Physiology, v. 15, p. 1462847, 7 Oct. 2024. DOI: 10.3389/fphys.2024.1462847.
16. LEE, M. S. et al. Artificial intelligence applied to electrocardiogram to rule out acute myocardial infarction: the ROMIAE multicentre study. European Heart Journal, v. 46, n. 20, p. 1917-1929, 21 maio 2025. DOI: 10.1093/eurheartj/ehaf004.
17. SHEN, Tzu-Tsen; LIU, Chung-Feng; WU, Ming-Ping. Implementation of a machine learning model in acute coronary syndrome and stroke risk assessment for patients with lower urinary tract symptoms. Taiwanese Journal Of Obstetrics And Gynecology, [S.L.], v. 63, n. 4, p. 518-526, jul. 2024. Elsevier BV. http://dx.doi.org/10.1016/j.tjog.2024.01.037.
18. KHAN, J. et al. Aprendizado de Máquina para Fenotipagem e Prognóstico de Infarto e Lesão Miocárdica em Suspeita de Síndrome Coronariana Aguda. JACC Adv. 2024, 3 de setembro (9_Parte_2).https://doi.org/10.1016/j.jacadv.2024.101011
19. PARK, Jiesuck et al. Feasibility of Artificial Intelligence–Based Electrocardiography Analysis for the Prediction of Obstructive Coronary Artery Disease in Patients With Stable Angina: validation study. Jmir Cardio, [S.L.], v. 7, n. 1, p. 44791-6, 2 maio 2023. JMIR Publications Inc.. http://dx.doi.org/10.2196/44791.
20. AWASTHI, Samir et al. Identification and risk stratification of coronary disease by artificial intelligence-enabled ECG. Eclinicalmedicine, [S.L.], v. 65, p. 102259, nov. 2023. Elsevier BV. http://dx.doi.org/10.1016/j.eclinm.2023.102259.
21. GUPTA, Himanshu et al. Real-world approach to comprehensive artificial intelligence-aided CT evaluation of coronary artery disease in 530 patients: a retrospective study. Heliyon, [S.L.], v. 9, n. 9, p. 19974, set. 2023. Elsevier BV. http://dx.doi.org/10.1016/j.heliyon.2023.e19974.
22. BÄR, S.; KNUUTI, J.; SARASTE, A.; KLÉN, R.; KEROS, T.; NABETA, T.; BAX, J. J.; DANAD, I.; NURMOHAMED, N. S.; JUKEMA, R. A.; KNAAPEN, P.; MAANIITTY, T. Derivation and validation of an artificial intelligence-based plaque burden safety cut-off for long-term acute coronary syndrome from coronary computed tomography angiography. European Heart Journal - Cardiovascular Imaging, v. 26, p. 1163-1173, 2025. Disponível em: https://doi.org/10.1093/ehjci/jeaf121.
23. GUO, Bangjun et al. Diagnostic and prognostic performance of artificial intelligence-based fully-automated on-site CT-FFR in patients with CAD. Science Bulletin, v. 69, p. 1472-1485, 2024.
24. BOUZID, Zeineb et al. Incorporation of Serial 12-Lead ECG with Machine Learning to Augment the Prehospital Diagnosis of Non-ST Elevation Acute Coronary Syndrome. Annals of Emergency Medicine, v. 81, n. 1, p. 57-69, jan. 2023.
25. MOTA, Diandro et al. Application of artificial intelligence to optimize the diagnosis and treatment of acute coronary syndrome: a real experience. European Heart Journal – Acute Cardiovascular Care, [S.l.], v. 11, supl. 1, p. 173, 2022. Disponível em: https://pesquisa.bvsalud.org/portal/resource/pt/biblio-1369859. Acesso em: 15 jul. 2025.
26. KIM, Hyun Kuk; et al. A diagnostic prediction model of coronary artery disease in patients with chest pain using machine learning. European Heart Journal, [S.l.], v. 44, supl. 1, 2023. Disponível em: https://doi.org/10.1093/eurheartj/ehad104.6435. Acesso em: 15 jul. 2025.
27. BOUZID, Zeineb; FARAMAND, Ziad; MARTIN‑GILL, Christian; SEREIKA, Susan M.; CALLAWAY, Clifton W.; SABA, Samir; GREGG, Richard; BADILINI, Fabio; SEJDIC, Ervin; AL‑ZAITI, Salah S. Incorporation of Serial 12‑Lead Electrocardiogram With Machine Learning to Augment the Out‑of‑Hospital Diagnosis of Non‑ST Elevation Acute Coronary Syndrome. Annals of Emergency Medicine, [S.l.], v. 81, n. 1, p. 57–69, 2023. DOI: 10.1016/j.annemergmed.2022.08.005. Acesso em: 15 jul. 2025.
28. MEHTA, Sameer et al. Early clinical validation of artificial intelligence-guided single lead ECG for ST-elevation myocardial infarction detection. European Medical Journal, [S.l.], 2022. Disponível em: https://doi.org/10.33590/emjcardiol/10098409. Acesso em: 15 jul. 2025.
29. CHEN, Y.; ZHANG, L.; WANG, H. Ethical and Regulatory Challenges of Artificial Intelligence in Healthcare. Journal of Medical Systems, v. 45, n. 7, p. 65, 2021.
30. JOHNSON, N. A. et al. Machine Learning in Cardiovascular Medicine: A Review of Current Applications and Future Directions. Circulation Research, v. 133, n. 4, p. 401-415, 2023.
31. SMITH, P. et al. Deep Learning for ECG Interpretation in Acute Coronary Syndromes: A Systematic Review. European Heart Journal - Digital Health, v. 3, n. 1, p. 22-31, 2022.
32. TSAO, C. W. et al. Heart Disease and Stroke Statistics—2024 Update: A Report From the American Heart Association. Circulation, v. 149, n. 8, p. e363–e653, 2024.
Publicado
Edição
Seção
Categorias
Licença
Copyright (c) 2025 Ana Rita Nogueira Pereira, Isadora Rodrigues Rocha, Marina Xavier Soares, Kayo Henrique Jardel Feitosa Sousa (Autor)
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
As licenças de usuário definem como os leitores e o público em geral podem usar o artigo sem precisar de outras permissões. As licenças públicas do Creative Commons fornecem um conjunto padrão de termos e condições que os criadores e outros detentores de direitos podem usar para compartilhar obras originais de autoria e outros materiais sujeitos a copyright e alguns outros direitos especificados na licença pública disponível em https://creativecommons.org/licenses/by/4.0/deed.pt_BR. Ao usar a 4.0 International Public License, a IFMSA Brazil concede ao público permissão para usar o material publicado sob os termos e condições especificados acordados pela revista. Ao exercer os direitos licenciados, os autores aceitam e concordam em obedecer aos termos e condições da Licença Pública Internacional Creative Commons Atribuição 4.0.
