Arq Bras Cardiol: Imagem cardiovasc. 2024; 37(4): e20240095
Inteligência Artificial em Ecocardiografia: O Futuro do Diagnóstico de Precisão
IA e a Função Sistólica
A fração de ejeção (FE) é um parâmetro essencial para a avaliação da função sistólica. No entanto, sabe-se que historicamente está sujeita à variabilidade interobservador e ao nível de experiência do examinador. Algoritmos baseados em IA apresentam soluções para FE, fornecendo cálculos automatizados e reprodutíveis.3–5 Um estudo pioneiro publicado por He et al., avaliou um sistema de aprendizado profundo (AP) composto por redes neurais convolucionais (RNC), denominado EchoNet-Dynamic flow e comparou as avaliações da FE feitas por IA com medidas realizadas por sonógrafo. Os cardiologistas de referência que checaram estes resultados, não conseguiram diferenciar entre sonógrafo e IA. Mais que isso, os resultados demonstraram que a avaliação pela IA não foi inferior às realizadas por especialistas, com uma diferença menor de 5% na variabilidade. Outras vantagens desse sistema foram a rapidez na execução das medidas e a possibilidade de realizar média de até cinco batimentos cardíacos, melhorando a acurácia do resultado na fibrilação atrial.
Outro parâmetro amplamente utilizado para avaliar a função sistólica na ecocardiografia é a análise do Strain Global Longitudinal (SGL), que não apenas auxilia no diagnóstico da função cardíaca, mas também revela padrões característicos de certas doenças, como a amiloidose. A própria técnica do SGL exige dos equipamentos um treinamento de aprendizado de máquina (AM) para identificação das incidências de janela acústica e delineamento de bordos. No entanto, técnicas de AP por RNC foram capazes de avaliar o SGL mais rapidamente e com menor variabilidade em relação a uma estação de trabalho estabelecida no mercado e utilizada nos laboratórios de ecocardiografia. Recentemente, Kwan et al. avaliaram um sistema de RNC para avaliação do SGL com imagens de equipamentos de duas empresas distintas, concluindo que, além de ter menor variabilidade e boa reprodutibilidade, esse sistema próprio foi capaz de identificar padrões de SGL e diferenciar entre hipertrofia de atleta, amiloidose e miocardiopatia hipertrófica. No entanto, deve-se considerar que a qualidade da obtenção das imagens tanto para avaliação do SGL como para FE deve ser boa, fator que ainda não pode ser realizado pela IA.
[…]
Palavras-chave: Ecocardiografia
863
