Artificial Algorithms Outperform Traditional Models in Predicting Coronary Artery Disease.

Recomendações clínicas recentes indicam que testes adicionais para avaliar aspectos anatômicos (extensão, gravidade, morfologia) ou funcionais (função ventricular, presença/extensão da isquemia) da doença arterial coronariana (DAC) crônica e sintomática podem ser úteis em certos casos.[1] Médicos do setor de emergência devem determinar se devem liberar o paciente, fazer mais testes não invasivos ou realizar angiografia invasiva em pacientes com desconforto torácico agudo. Aceitar qualquer pessoa com dor torácica pode ter efeitos indesejados em caso de alta com doença coronariana instável.[2] A probabilidade de DAC obstrutiva deve orientar as decisões médicas.[3] Algoritmos de aprendizado de máquina (machine learning — ML) podem complementar as capacidades diagnósticas e prognósticas dos métodos de regressão convencionais. A disparidade entre a aplicabilidade de tais métodos e os resultados alcançados com eles se deve às plataformas de software de análise de dados utilizadas.[4]

O ML pode usar recursos de sinal de fase torácica para construir modelos matemáticos finais que avaliem a existência de DAC importante. A análise do espaço da fase cardíaca parece semelhante aos testes de estresse funcional mais amplamente utilizados e requer pouco tempo do paciente.[5] Os resultados de 2 anos mostraram que a reserva de fluxo fracionada derivada da TC por deep learning (DL-FFRCT) pode ser usada para guiar a revascularização, com alta taxa de cancelamento e baixa taxa de eventos. Uma DL-FFRCT positiva para lesões em tandem mostrou-se associada à redução de eventos cardiovasculares adversos maiores (ECAM) após 2 anos.[6] O escore de risco isquêmico por ML (ML-IRS) obtido pela angiotomografia coronariana quantitativa reforçou a predição de revascularização futura e pode ser usado para identificar indivíduos com probabilidade de precisar de revascularização se encaminhados para cateterismo cardíaco. Esse escore de aprendizado de máquina está vinculado a medidas invasivas de reserva de fluxo fracionada (FFR), fornecendo validação externa entre dois centros e aumentando os modelos de predição de risco clínico.[7]

Mesmo com aparelhos de tomografia computadorizada (TC) mais antigos, a nova versão de reserva de fluxo fracionada derivada da TC (FFRCT) demonstrou excelente desempenho diagnóstico para lesões coronárias obstrutivas limitantes de fluxo, com uma redução substancial nos casos de falsos positivos, podendo reduzir o número de pacientes encaminhados para mais testes. O significado clínico desses resultados deve ser confirmado por pesquisas que avaliem os resultados clínicos. Esse programa utiliza tecnologias avançadas de aprendizado de máquina para melhorar a acessibilidade, a velocidade e para economizar custos.[8]

Al’Aref et al.,[9] verificaram que a inteligência artificial (IA) alterou elementos fundamentais da existência humana. O ML, um tipo de IA em que os computadores aprendem o conhecimento de forma autônoma, identificando padrões a partir de enormes conjuntos de dados, é amplamente utilizado na medicina, principalmente em doenças cardiovasculares. Apresenta-se Uma breve introdução aos métodos de ML para a construção de modelos baseados em dados inferenciais e preditivos. Em particular, eles enfatizam técnicas de imagem não invasivas, como o escore de cálcio na artéria coronária e angiotomografia coronariana (ATC). No final do estudo, eles discutem as limitações atuais dos algoritmos de ML na área de doenças cardiovasculares.

Devido à sua capacidade de auxiliar na tomada de decisões e melhorar o desempenho diagnóstico e prognóstico, a IA está promovendo uma grande mudança de paradigma em diversas especialidades médicas, principalmente na Cardiologia. Apresenta-se aqui uma visão geral não sistemática dos principais artigos publicados sobre IA na área de Cardiologia, com foco em suas principais aplicações, efeitos e dificuldades.[10] Apesar de apresentar melhores desfechos, a reserva de fluxo fracionada (FFR) permanece subutilizada na prática diária. Roguin et al.,[11] pretendiam verificar se um programa de FFR baseado em angiografia por IA automatizada (AutocathFFR) pode ajudar os cardiologistas intervencionistas na tomada de decisões. O AutocathFFR foi utilizado para tirar fotos angiográficas de pacientes submetidos a medições de FFR com fio de pressão. O ponto de corte FFR 0,8 foi computado como sensibilidade e especificidade. A identificação automática da lesão funcionou em todas as lesões com FFR 0,8 ou inferior. Um FFR medido por fio de pressão >0,8 foi previsto com nível de precisão de 90% e uma área sob a curva de 0,91 pelo AutocathFFR. O AutocathFFR é uma tecnologia promissora que pode ajudar as pessoas com doença arterial coronariana a tomar melhores decisões e escolher melhores opções de tratamento.

A IA tem crescido constantemente devido aos avanços tecnológicos. Para melhorar a qualidade da coleta e reconstrução de imagens integrando as informações obtidas das imagens para construir modelos de predição poderosos, muitos algoritmos de IA têm sido usados para a DAC. Na angiotomografia, a IA pode ajudar em muitos aspectos de análise de placa, incluindo o grau de estenose e o formato da placa. Um número crescente de dados vincula algumas placas, denominadas placas de alto risco ou suscetíveis, a eventos cardiovasculares, independentemente da estenose. O radiologista deve compreender e se envolver ativamente no desenvolvimento e implementação da IA. Discutimos os méritos, limites, novas aplicações e possíveis avanços do uso de IA para caracterizar placas usando TC nesta revisão de literatura.[12]

Recent clinical recommendations indicate that additional tests for assessing anatomical (extent, severity, morphology) or functional (ventricular function, presence/extent of ischemia) aspects of chronic and symptomatic coronary artery disease (CAD) may be helpful in certain cases.[1] Emergency physicians must determine whether to release the patient, do further non-invasive testing, or perform invasive angiography on patients with acute chest discomfort. Accepting anybody with chest pain may have unintended effects if discharged with unstable coronary disease.[2] The likelihood of obstructive CAD should guide medical decisions.[3] Machine learning (ML) algorithms can supplement the diagnostic and prognostic capabilities of conventional regression methods. The disparity between the applicability of such methods and the outcomes achieved with them was due to the data analysis software platforms used.[4]

ML may use thoracic phase signal features to build final mathematical models that evaluate the existence of severe CAD. Cardiac phase space analysis seems similar to the most widely used functional stress tests and needs little patient time.[5] The 2-year results showed that deep learning fractional flow reserve derived from CT (DL-FFRCT) may be used to guide revascularization, with high cancellation rate and low event rate. A positive DL-FFRCT for tandem lesions was linked with reduced major adverse cardiac events (MACEs) after 2 years.[6] The ML-ischemia risk score (ML-IRS) obtained from quantitative coronary CT angiography enhanced the prediction of future revascularization and may be used to identify individuals who are likely to need revascularization if referred for cardiac catheterization. This machine learning score is linked with invasive fractional flow reserve (FFR) measures, providing external validation across two centers and augmenting clinical risk prediction models.[7]

Even with older computed tomography (CT) scanners, the new version of fractional flow reserve derived from CT (FFRCT) demonstrated excellent diagnostic performance for flow-limiting obstructive coronary lesions, with a substantial reduction in false-positive instances, which may reduce the number of patients referred for further testing. The clinical significance of these results must be confirmed by research evaluating clinical outcomes. This program uses cutting-edge machine learning technologies to improve accessibility, speed, and save costs.[8]

Al’Aref et al.[9] found out that artificial intelligence (AI) has changed fundamental elements of human existence. ML, a type of AI in which computers autonomously learn knowledge by identifying patterns from huge datasets, is widely used in medicine, particularly in cardiovascular disease. A short introduction of ML methods for building inferential and predictive data-driven models is presented. In particular, they emphasize non-invasive imaging techniques such as coronary artery calcium scoring and coronary computed tomography angiography (CTA). In the end of their study, they discuss the current limitations of ML algorithms in the field of cardiovascular illness.

Because of its capacity to assist decision-making and improve diagnostic and prognostic performance, AI is promoting a major paradigm change in a wide range of medical fields, especially in Cardiology. A non-systematic overview of the main articles published on AI in Cardiology is presented here, focusing on its primary applications, effects, and difficulties.[10] Despite better patient outcomes, fractional flow reserve (FFR) remains underused in daily practice. Roguin et al.[11] wanted to see whether an automated AI angiography-based FFR program (AutocathFFR) may help interventional cardiologists make decisions. AutocathFFR was used to take angiographic pictures of patients who had pressure wire FFR measurements. The FFR cut-off 0.8 was computed sensitivity and specificity. Automatic lesion identification worked on all lesions with FFR 0.8 or below. A wire-based FFR >0.8 was predicted with accuracy level of 90% and an area under the curve of 0.91 by AutocathFFR. AutocathFFR is a promising technology that may help people with coronary artery disease make better decisions and choose better treatment options.

AI has grown steadily owing to technological advancements. To enhance the quality of picture collection and reconstruction while integrating information obtained from the images to build powerful prediction models, many AI algorithms have been used for CAD. In CTA, AI can help with many aspects of plaque analysis, including stenosis degree and plaque shape. An increasing body of data links some plaques, termed high-risk or susceptible plaques, to cardiovascular events, regardless of stenosis. The radiologist must understand and actively engage in the development and implementation of AI. We discuss the merits, limits, new applications, and potential advancements of using AI to characterize plaques using CT in this current literature review.[12]