Palavras-chave
Aprendizado de Máquina; Medicina; Cardiologia
Introdução
O aprendizado de máquina, ou machine learning (ML), é um ramo da inteligência artificial (IA) que explora o estudo e a construção de algoritmos computacionais a partir do aprendizado por dados,11 Mitchell TM, The Discipline of Machine Learning. Pittsburgh: Mach Learning Department; 2006.,22 Hastie T, Tibshirani R, Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. Berlin: Springer Science & Business Media; 2009. ao invés de instruções pré–programadas.33 Deo RC. Machine Learning in Medicine. Circulation. 2015;132(20):1920-30. doi: 10.1161/CIRCULATIONAHA.115.001593.
https://doi.org/10.1161/CIRCULATIONAHA.1...
O objetivo principal de um modelo de ML é construir um sistema de computador que aprenda com um banco de dados pré–definido e gere, ao final, um modelo de predição, classificação ou detecção.
A aplicação de ML na prática é voltada principalmente para o manuseio de bases de dados consolidadas com informações heterogêneas, para as quais há uma limitação do uso das técnicas de estatística convencionais.44 Jordan MI, Mitchell TM. Machine Learning: Trends, Perspectives, and Prospects. Science. 2015;349(6245):255-60. doi: 10.1126/science.aaa8415.
https://doi.org/10.1126/science.aaa8415...
,55 Chen M, Mao S, Liu Y. Big data: A survey. Mob. Netw. Appl. 2014;19(2):171-209. doi:10.1007/s11036-013-0489-0.
https://doi.org/10.1007/s11036–013–0489–...
Os algoritmos de ML já estão difundidos em diversas áreas, como sistemas bancários para detecção de fraudes, mecanismos de busca na internet, sistemas de vigilância em vídeo, segurança de dados, logística de empresas, robótica e, na medicina, para diagnóstico e prognóstico.66 Zhou L, Pan S, Wang J, Vasilakos AV. Machine Learning on Big Data: Opportunities and Challenges. Neurocomputing. 2017;237:350-61. doi: 10.1016/j.neucom.2017.01.026.
https://doi.org/10.1016/j.neucom.2017.01...
Com a digitalização dos prontuários médicos, exames laboratoriais e de imagem, houve um crescimento dos bancos de dados. Esses são fontes para a aplicação de técnicas de ML, visando a prevenção, diagnóstico precoce e o tratamento das doenças.
Este artigo de revisão aborda uma introdução sobre ML dividida em: definição, modelos de aprendizagem e uma revisão sistemática de artigos sobre a sua aplicabilidade na medicina e, principalmente, na cardiologia. O objetivo é apresentar ML para médicos e profissionais de saúde como uma ferramenta de auxílio para a prática clínica.
Para a estruturação deste artigo de revisão foram pesquisadas duas bases de dados: PubMed (NCBI) e Medline, os seguintes descritores na língua inglesa: “machine learning”, “artificial intelligence”, “unsupervised learning”, “supervised learning”, “neural networks” e “cardiology”. Foram incluídos: estudos prospectivos e retrospectivos, excluídos: casos clínicos e resumos apresentados em congressos (não publicados sob a forma de artigo). A elegibilidade de cada estudo foi avaliada por dois investigadores. As opiniões divergentes relativamente à relevância dos artigos foram abordadas por consenso entre os autores.
Machine learning
O aprendizado de máquina é um subcampo da ciência da computação que busca uma interseção de técnicas matemáticas e estatísticas com algoritmos computacionais.33 Deo RC. Machine Learning in Medicine. Circulation. 2015;132(20):1920-30. doi: 10.1161/CIRCULATIONAHA.115.001593.
https://doi.org/10.1161/CIRCULATIONAHA.1...
,77 Obermeyer Z, Emanuel EJ. Predicting the Future - Big Data, Machine Learning, and Clinical Medicine. N Engl J Med. 2016;375(13):1216-9. doi: 10.1056/NEJMp1606181.
https://doi.org/10.1056/NEJMp1606181...
ML utiliza algoritmos com o conceito de IA e é aplicada em determinadas situações em que se busca padrões em um conjunto de variáveis com o intuito de prever um resultado específico de interesse.88 Waljee AK, Higgins PD. Machine Learning in Medicine: A Primer for Physicians. Am J Gastroenterol. 2010;105(6):1224-6. doi: 10.1038/ajg.2010.173.
https://doi.org/10.1038/ajg.2010.173...
,99 Darcy AM, Louie AK, Roberts LW. Machine Learning and the Profession of Medicine. JAMA. 2016;315(6):551-2. doi: 10.1001/jama.2015.18421.
https://doi.org/10.1001/jama.2015.18421...
A maioria das técnicas convencionais usadas em sistemas computacionais aplicados à medicina empregam o conceito de algoritmos baseados em regras, chamados de “sistemas especialistas”. Assim, o desenvolvedor codifica os conhecimentos médicos sobre um determinado assunto para esses sistemas, utilizando regras já conhecidas. Já as técnicas de ML manuseiam um grande número de variáveis, buscando uma variedade de novas combinações que possam prever um resultado com confiabilidade, muitas vezes, em uma grande quantidade de dados, tais como big data.77 Obermeyer Z, Emanuel EJ. Predicting the Future - Big Data, Machine Learning, and Clinical Medicine. N Engl J Med. 2016;375(13):1216-9. doi: 10.1056/NEJMp1606181.
https://doi.org/10.1056/NEJMp1606181...
Em 2001, Doug Laney definiu um modelo de “3 Vs” para conceituar o termo big data: grande volume, alta velocidade e alta variedade de informações exigem novas técnicas de processamento de forma a permitir descobertas e otimizar processos.1010 Laney D. 3D Data Management: Controlling Data Volume, Velocity, and Variety. Milan: META Group Research Note; 2001. O termo big data pode ser tanto um conjunto de dados de tamanho enorme, que nenhuma das ferramentas tradicionais de gerenciamento de dados é capaz de armazená–los ou processá–los com eficiência, como também pode se referir a um tipo de tecnologia (como instalações de armazenamento, ferramentas e processos).1111 Martin-Sanchez F, Verspoor K. Big Data in Medicine is Driving Big Changes. Yearb Med Inform. 2014;9(1):14-20. doi: 10.15265/IY-2014-0020.
https://doi.org/10.15265/IY–2014–0020...
O processo de desenvolvimento de um algoritmo de ML é dividido em três fases: pré–processamento, treinamento e avaliação do modelo (Figura 1). A primeira fase consiste em organizar o banco de dados, definir a pergunta de pesquisa e dividir os dados em treinamento e teste. No treinamento, o aprendizado pode ocorrer de forma supervisionada ou não supervisionada.1212 Barreto GA, Souza LG. Adaptive Filtering with the Self-Organizing Map: A Performance Comparison. Neural Netw. 2006;19(6-7):785-98. doi: 10.1016/j.neunet.2006.05.005.
https://doi.org/10.1016/j.neunet.2006.05...
–1515 Rajkomar A, Dean J, Kohane I. Machine Learning in Medicine. N Engl J Med. 2019;380(14):1347-58. doi: 10.1056/NEJMra1814259.
https://doi.org/10.1056/NEJMra1814259...
O aprendizado supervisionado é baseado no treinamento de uma amostra de dados com a classificação correta já atribuída, enquanto o não supervisionado se refere à capacidade de aprender e organizar informações sem a atribuição da classificação correta.1414 Sathya R, Abraham A. Comparison of Supervised and Unsupervised Learning Algorithms for Pattern Classification. Int. J. Artif. Intell. 2013;2(2):34-8. doi: 10.14569/IJARAI.2013.020206.
https://doi.org/10.14569/IJARAI.2013.020...
Na fase de avaliação, o modelo é comparado com os dados de teste e os resultados são gerados. Portanto, os algoritmos de ML aprendem através de repetidas observações e estabelecem um padrão de mapeamento com o intuito de rotular os dados e criar um modelo que generaliza as informações, de modo que novos dados (jamais analisados pelo algoritmo) possam ser rotulados com precisão e confiabilidade.1515 Rajkomar A, Dean J, Kohane I. Machine Learning in Medicine. N Engl J Med. 2019;380(14):1347-58. doi: 10.1056/NEJMra1814259.
https://doi.org/10.1056/NEJMra1814259...
Fases para o desenvolvimento de algoritmos de machine learning.1515 Rajkomar A, Dean J, Kohane I. Machine Learning in Medicine. N Engl J Med. 2019;380(14):1347-58. doi: 10.1056/NEJMra1814259.
https://doi.org/10.1056/NEJMra1814259...
É importante salientar que o processo de desenvolvimento de um algoritmo de ML deve ser realizado com uma base de dados consolidada e validada, pois modelos de ML desenvolvidos com dados não consolidados podem gerar resultados enganosos.55 Chen M, Mao S, Liu Y. Big data: A survey. Mob. Netw. Appl. 2014;19(2):171-209. doi:10.1007/s11036-013-0489-0.
https://doi.org/10.1007/s11036–013–0489–...
Machine learning supervisionada e não supervisionada
A principal diferença entre os modelos de aprendizagem supervisionado e não supervisionado está no algoritmo de treinamento. No aprendizado não supervisionado, o modelo de ML extrai as características dos dados e constrói uma representação sem o conhecimento prévio dos rótulos de cada dado, ou seja, identifica o padrão das informações de classe heuristicamente. Essa falta de supervisão para o algoritmo pode ser vantajosa, pois permite que o algoritmo analise os padrões que não foram considerados anteriormente.1212 Barreto GA, Souza LG. Adaptive Filtering with the Self-Organizing Map: A Performance Comparison. Neural Netw. 2006;19(6-7):785-98. doi: 10.1016/j.neunet.2006.05.005.
https://doi.org/10.1016/j.neunet.2006.05...
–1414 Sathya R, Abraham A. Comparison of Supervised and Unsupervised Learning Algorithms for Pattern Classification. Int. J. Artif. Intell. 2013;2(2):34-8. doi: 10.14569/IJARAI.2013.020206.
https://doi.org/10.14569/IJARAI.2013.020...
No aprendizado supervisionado, o modelo do ML tem o conhecimento do rótulo dos dados, ou seja, as amostras estão corretamente classificadas. O treinamento é baseado na comparação entre o resultado obtido do modelo e o rótulo previamente classificado. Esse processo é repetido até se obter um erro mínimo.1414 Sathya R, Abraham A. Comparison of Supervised and Unsupervised Learning Algorithms for Pattern Classification. Int. J. Artif. Intell. 2013;2(2):34-8. doi: 10.14569/IJARAI.2013.020206.
https://doi.org/10.14569/IJARAI.2013.020...
A Tabela 1 resume as principais características de cada tipo de modelo de aprendizado, bem como suas vantagens e desvantagens e aplicabilidade prática.
Técnicas de machine learning
Diversas técnicas de ML têm sido aplicadas como forma de sistemas de diagnóstico auxiliado por computador, tais como: redes neurais artificiais (RNAs), regressão logística, árvore de decisão, random forests, rede bayesiana, deep learning, support vector machine (SVM), entre outros.1616 Podgorelec V, Kokol P, Stiglic B, Rozman I. Decision Trees: An Overview and Their Use in Medicine. J Med Syst. 2002;26(5):445-63. doi: 10.1023/a:1016409317640.
https://doi.org/10.1023/a:1016409317640...
–2121 Smith SW, Walsh B, Grauer K, Wang K, Rapin J, Li J, et al. A Deep Neural Network Learning Algorithm Outperforms a Conventional Algorithm for Emergency Department Electrocardiogram Interpretation. J Electrocardiol. 2019;52:88-95. doi: 10.1016/j.jelectrocard.2018.11.013.
https://doi.org/10.1016/j.jelectrocard.2...
Algumas técnicas utilizam modelos matemáticos por meio dos dados para aprendizagem e/ou organização das informações.1212 Barreto GA, Souza LG. Adaptive Filtering with the Self-Organizing Map: A Performance Comparison. Neural Netw. 2006;19(6-7):785-98. doi: 10.1016/j.neunet.2006.05.005.
https://doi.org/10.1016/j.neunet.2006.05...
Outras utilizam representações matemáticas com alto grau de abstração (modelos matemáticos complexos). Neste caso, não é possível decifrar ou interpretar os métodos utilizados para obtenção dos resultados de predição, detecção ou classificação, de modo que tais modelos de ML são chamados de “caixa preta”.2222 Bianchi RE. Extração de Conhecimento Simbólico em Técnicas de Aprendizado de Máquina Caixa-Preta por Similaridade de Rankings [dissertation]. São Paulo: Universidade de São Paulo; 2008.
Uma RNA é um modelo computacional e matemático desenvolvido para funcionar como o cérebro humano. Uma RNA possui diversos elementos de interconexões (camada de preditores, camada oculta e camada de resultados). A relação entre essas camadas é inspirada nas conexões sinápticas entre os neurônios (Figura 2).1212 Barreto GA, Souza LG. Adaptive Filtering with the Self-Organizing Map: A Performance Comparison. Neural Netw. 2006;19(6-7):785-98. doi: 10.1016/j.neunet.2006.05.005.
https://doi.org/10.1016/j.neunet.2006.05...
,1515 Rajkomar A, Dean J, Kohane I. Machine Learning in Medicine. N Engl J Med. 2019;380(14):1347-58. doi: 10.1056/NEJMra1814259.
https://doi.org/10.1056/NEJMra1814259...
,2323 Al-Shayea QK. Artificial Neural Networks in Medical Diagnosis. Int. J. Comput. Sci. Issues. 2011;8(2):150-4.
Estrutura do funcionamento de uma rede neural artificial.1919 Ramesh AN, Kambhampati C, Monson JR, Drew PJ. Artificial Intelligence in Medicine. Ann R Coll Surg Engl. 2004;86(5):334-8. doi: 10.1308/147870804290.
https://doi.org/10.1308/147870804290...
Uma RNA “aprende” através dessas conexões entre as camadas (preditores, oculta e resultados) e os pesos associados a cada camada. Sendo assim, um dado de entrada é apresentado na camada de preditores, sendo esse enviado camada a camada. O processamento matemático ocorre no envio de dados de uma camada a outra e os pesos dessas conexões são atualizados de acordo com o erro da camada de resultados, ou seja, a relação do resultado esperado e o resultado obtido. Esse processo é repetido até o valor do erro ser mínimo ou um valor especificado de interações.1212 Barreto GA, Souza LG. Adaptive Filtering with the Self-Organizing Map: A Performance Comparison. Neural Netw. 2006;19(6-7):785-98. doi: 10.1016/j.neunet.2006.05.005.
https://doi.org/10.1016/j.neunet.2006.05...
,2323 Al-Shayea QK. Artificial Neural Networks in Medical Diagnosis. Int. J. Comput. Sci. Issues. 2011;8(2):150-4.,2424 Bengio Y, Courville A, Vincent P. Representation Learning: A Review and New Perspectives. IEEE Trans Pattern Anal Mach Intell. 2013;35(8):1798-828. doi: 10.1109/TPAMI.2013.50.
https://doi.org/10.1109/TPAMI.2013.50...
Deep learning difere o seu aprendizado das técnicas mais tradicionais de ML, pois processa modelos computacionais mais robustos e com múltiplas camadas de processamento baseadas em RNAs. Sendo assim, a técnica de deep learning funciona semelhante a uma RNA, mas possuindo um número maior de camadas ocultas e, consequentemente mais conexões sinápticas. Cada camada reproduz uma representação dos dados oriundos da camada anterior e seu algoritmo de aprendizado pode ser tanto supervisionado como não supervisionado.2525 Miotto R, Wang F, Wang S, Jiang X, Dudley JT. Deep Learning for Healthcare: Review, Opportunities and Challenges. Brief Bioinform. 2018;19(6):1236-46. doi: 10.1093/bib/bbx044.
https://doi.org/10.1093/bib/bbx044...
,2626 Bengio Y. Learning Deep Architectures for AI. Pittsburgh: Mach Learn; 2009.
Com o grande volume e a complexidade dos dados que envolvem trabalhar com big data, o algoritmo do autoencoder é um tipo de RNA que reduz a dimensionalidade dos dados. Para isso, esse algoritmo utiliza modelos matemáticos com alto grau de abstração para gerar um novo conjunto de dados reduzidos em dimensionalidade com representação o mais próxima possível dos dados de entrada. A diferença fundamental entre a RNA e o autoencoder é que o último utiliza em sua fase de treinamento dados não–rotulados.2727 Raghavendra U, Gudigar A, Bhandary SV, Rao TN, Ciaccio EJ, Acharya UR. A Two Layer Sparse Autoencoder for Glaucoma Identification with Fundus Images. J Med Syst. 2019;43(9):299. doi: 10.1007/s10916-019-1427-x.
https://doi.org/10.1007/s10916–019–1427–...
O algoritmo da árvore de decisão é o mais utilizado quando o conjunto de dados é relativamente pequeno e é desenvolvido com uma série de perguntas de sim/não para classificar os dados em categorias. Esse algoritmo utiliza um modelo estatístico para classificação ou predição de dados. Cada pergunta se divide em possíveis resultados e esses se ramificam em outras possibilidades; isso se repete até um desfecho final.1616 Podgorelec V, Kokol P, Stiglic B, Rozman I. Decision Trees: An Overview and Their Use in Medicine. J Med Syst. 2002;26(5):445-63. doi: 10.1023/a:1016409317640.
https://doi.org/10.1023/a:1016409317640...
As principais vantagens deste algoritmo são sua simplicidade e interpretação intuitiva.2828 Goodman KE, Lessler J, Cosgrove SE, Harris AD, Lautenbach E, Han JH, et al. A Clinical Decision Tree to Predict Whether a Bacteremic Patient Is Infected with an Extended-Spectrum β-Lactamase-Producing Organism. Clin Infect Dis. 2016;63(7):896-903. doi: 10.1093/cid/ciw425.
https://doi.org/10.1093/cid/ciw425...
Random forests são uma ampliação do algoritmo da árvore de decisão, sendo bastante utilizado para resolução de problemas de classificação e regressão. As árvores de decisão são combinadas e cada uma é treinada independentemente. Suas principais características são: teoria simples, velocidade rápida na análise dos dados, estabilidade com a presença de excesso de ruído e mecanismo de compensação automática em amostras tendenciosas dos dados.2929 Segal MR. Machine Learning Benchmarks and Random Forest Regression. São Francisco: Biostatistics; 2004.
A rede bayesiana é outra técnica muito aplicada à medicina. Métodos estatísticos bayesianos com uma fundamentação teórica que crenças subjetivas coerentes a especialistas de uma determinada área podem ser expressas em uma estrutura probabilística.1717 Pang B, Zhang D, Li N, Wang K. Computerized Tongue Diagnosis Based on Bayesian Networks. IEEE Trans Biomed Eng. 2004;51(10):1803-10. doi: 10.1109/TBME.2004.831534.
https://doi.org/10.1109/TBME.2004.831534...
O SVM é um método de ML com aprendizado supervisionado, amplamente utilizado em bioinformática. Este algoritmo utiliza a ideia de minimização do erro e trabalha com teoria estatística do aprendizado e da otimização. Além da classificação binária, o SVM pode ser usado na regressão de dados contínuos, chamado de regressão do vetor de suporte. Os resultados obtidos com o uso do SVM são comparáveis aos de RNAs, apresentando processo de treinamento fácil e trabalhando com alta dimensionalidade de dados. Portanto, esse encontra um compromisso entre menor complexidade e erro.3030 Chen KC, Chen CYC. Stroke Prevention by Traditional Chinese Medicine? A Genetic Algorithm, Support Vector Machine and Molecular Dynamics Approach. Soft Matter. 2011. 7(8):4001-8. doi: 10.1039/c0sm01548b.
https://doi.org/10.1039/c0sm01548b...
,3131 Krittanawong C, Zhang H, Wang Z, Aydar M, Kitai T. Artificial Intelligence in Precision Cardiovascular Medicine. J Am Coll Cardiol. 2017;69(21):2657-64. doi: 10.1016/j.jacc.2017.03.571.
https://doi.org/10.1016/j.jacc.2017.03.5...
Dessa forma, cada algoritmo utiliza técnicas distintas de como aprender com observações e como realizar um mapeamento do conjunto de preditores para o resultado final. Esse deve generalizar as informações, de modo que uma tarefa possa ser executada corretamente com entradas novas, não analisadas anteriormente pelo modelo.1414 Sathya R, Abraham A. Comparison of Supervised and Unsupervised Learning Algorithms for Pattern Classification. Int. J. Artif. Intell. 2013;2(2):34-8. doi: 10.14569/IJARAI.2013.020206.
https://doi.org/10.14569/IJARAI.2013.020...
Machine learning na medicina
Desde o século passado, os pesquisadores exploram as diversas aplicações das técnicas de ML em todos os campos da medicina.3232 Fan Y, Shen D, Davatzikos C. Detecting Cognitive States from fMRI Images by Machine Learning and Multivariate Classification. CVPRW’06 2006: Conference on Computer Vision and Pattern Recognition Workshop; 2006 Jun 17-22; Ney York, USA: IEEE; 2006. p. 89. A pesquisa médica envolvendo ML tem crescido exponencialmente ao longo das últimas décadas. Os dados do PubMed (NCBI) e Medline, envolvendo os descritores “machine learning”, “artificial intelligence”, “unsupervised learning”, “supervised learning” e “neural networks”, revelou 113.127 artigos publicados entre 1951 e 2019 (Figura 3). Ao acrescentar–se o descritor “cardiology” como condição obrigatória na pesquisa dos demais termos, 888 trabalhos retornam com distribuição semelhante à anterior, entre os anos de 1986 e 2019.
Número de artigos por ano e acumulado durante o período de 1951 a 2019 no PubMed e Medline.
A capacidade dos algoritmos de ML de reconhecer padrões e predizer diagnóstico tem sido amplamente aplicada às diversas áreas de atenção à saúde.3333 Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016;316(22):2402-10. doi: 10.1001/jama.2016.17216.
https://doi.org/10.1001/jama.2016.17216...
–3636 Chen JH, Asch SM. Machine Learning and Prediction in Medicine - Beyond the Peak of Inflated Expectations. N Engl J Med. 2017;376(26):2507-9. doi: 10.1056/NEJMp1702071.
https://doi.org/10.1056/NEJMp1702071...
Na dermatologia, uma RNA foi capaz de diferenciar lesões dermatológicas em benignas versus malignas, a partir de mais de 129.000 casos, com resultados similares a um comitê de 21 dermatologistas.3535 Wall DP, Kosmicki J, Deluca TF, Harstad E, Fusaro VA. Use of Machine Learning to Shorten Observation-Based Screening and Diagnosis of Autism. Transl Psychiatry. 2012;2(4):e100. doi: 10.1038/tp.2012.10.
https://doi.org/10.1038/tp.2012.10...
No campo da psiquiatria, o estudo com técnicas de ML reduziu o número de critérios diagnósticos de 29 para 8 com 100% de acurácia em 612 pacientes com diagnóstico firmado de transtorno do espectro autista.3636 Chen JH, Asch SM. Machine Learning and Prediction in Medicine - Beyond the Peak of Inflated Expectations. N Engl J Med. 2017;376(26):2507-9. doi: 10.1056/NEJMp1702071.
https://doi.org/10.1056/NEJMp1702071...
A adição de tecnologias móveis, tais como: smartphone e smartwatches, aplicadas à área da saúde acrescentou mais uma dimensão ao ML, permitindo a leitura de grandes quantidades de dados pessoais em algoritmos de aprendizado.3737 Bergenstal RM, Klonoff DC, Garg SK, Bode BW, Meredith M, Slover RH, et al. Threshold-Based Insulin-Pump Interruption for Reduction of Hypoglycemia. N Engl J Med. 2013;369(3):224-32. doi: 10.1056/NEJMoa1303576.
https://doi.org/10.1056/NEJMoa1303576...
Dentro de sistemas de feedback, a tecnologia móvel consegue ser um dispositivo biométrico (por exemplo, medir os níveis de glicose no sangue) com capacidade de direcionamento para intervenções clínicas em tempo real, baseadas em algoritmos que atualizam continuamente as informações pessoais do paciente.3838 Weng SF, Reps J, Kai J, Garibaldi JM, Qureshi N. Can Machine-Learning Improve Cardiovascular Risk Prediction Using Routine Clinical Data? PLoS One. 2017;12(4):e0174944. doi: 10.1371/journal.pone.0174944.
https://doi.org/10.1371/journal.pone.017...
A tecnologia pode simplificar os processos diagnósticos e facilitar a prática clínica.
Machine learning na cardiologia
O avanço na capacidade computacional nas últimas décadas impactou especialmente o campo da detecção e predição de doenças cardiovasculares por meio da interpretação de dados, como: estudos dos prontuários médicos, exames de imagem, banco de dados biológicos e genômicos e de avaliação molecular.3232 Fan Y, Shen D, Davatzikos C. Detecting Cognitive States from fMRI Images by Machine Learning and Multivariate Classification. CVPRW’06 2006: Conference on Computer Vision and Pattern Recognition Workshop; 2006 Jun 17-22; Ney York, USA: IEEE; 2006. p. 89. A cardiologia é uma das áreas de maior impacto na produção científica usando técnicas de ML (Tabela 2). Desde a predição de eventos cardiovasculares3939 Slomka PJ, Dey D, Sitek A, Motwani M, Berman DS, Germano G. Cardiac Imaging: Working Towards Fully-Automated Machine Analysis & Interpretation. Expert Rev Med Devices. 2017;14(3):197-212. doi: 10.1080/17434440.2017.1300057.
https://doi.org/10.1080/17434440.2017.13...
à melhoria dos diagnósticos eletrocardiográficos,4040 Mincholé A, Camps J, Lyon A, Rodríguez B. Machine Learning in the Electrocardiogram. J Electrocardiol. 2019;57S:61-4. doi: 10.1016/j.jelectrocard.2019.08.008.
https://doi.org/10.1016/j.jelectrocard.2...
,4141 D’Agostino RB Sr, Pencina MJ, Massaro JM, Coady S. Cardiovascular Disease Risk Assessment: Insights from Framingham. Glob Heart. 2013;8(1):11-23. doi: 10.1016/j.gheart.2013.01.001.
https://doi.org/10.1016/j.gheart.2013.01...
a IA tem sido ferramenta importante para a pesquisa cientifica.
Prognóstico
Diversos escores de risco cardiovasculares foram desenvolvidos no intuito de predizer eventos cardiovasculares e identificar os indivíduos com maior risco cardíaco para a prevenção primária.4242 Lin JS, Evans CV, Johnson E, Redmond N, Coppola EL, Smith N. Nontraditional Risk Factors in Cardiovascular Disease Risk Assessment: Updated Evidence Report and Systematic Review for the US Preventive Services Task Force. JAMA. 2018;320(3):281-97. doi: 10.1001/jama.2018.4242.
https://doi.org/10.1001/jama.2018.4242...
No entanto, a despeito de todo o avanço propedêutico e terapêutico na cardiologia, ainda há uma população em risco não identificada pelos métodos tradicionais.4343 Raghunath SM, Cerna AU, Jing L, vanMaanen D, Stough JV, Hartzel D, et al. Deep Neural Networks Can Predict 1-Year Mortality Directly from ECG Signal, Even when Clinically Interpreted as Normal. Circulation. 2019;140(Suppl 1):A14425-. O reconhecimento de potenciais fatores de risco não tradicionais é desejável e o uso de novas tecnologias, como a IA, torna–se método promissor nessa busca.
A predição de mortalidade por todas as causas no período de um ano, a partir da análise isolada do eletrocardiograma (ECG), apresentou resultados promissores (AUROC 0,87; p < 0,05).4444 Betancur J, Otaki Y, Motwani M, Fish MB, Lemley M, Dey D, et al. Prognostic Value of Combined Clinical and Myocardial Perfusion Imaging Data Using Machine Learning. JACC Cardiovasc Imaging. 2018;11(7):1000-9. doi: 10.1016/j.jcmg.2017.07.024.
https://doi.org/10.1016/j.jcmg.2017.07.0...
É interessante ressaltar que uma análise cega destes ECG feita por três cardiologistas sugere que os padrões encontrados para predizer mortalidade pelo ML não são aparentemente visíveis pela avaliação médica convencional.4444 Betancur J, Otaki Y, Motwani M, Fish MB, Lemley M, Dey D, et al. Prognostic Value of Combined Clinical and Myocardial Perfusion Imaging Data Using Machine Learning. JACC Cardiovasc Imaging. 2018;11(7):1000-9. doi: 10.1016/j.jcmg.2017.07.024.
https://doi.org/10.1016/j.jcmg.2017.07.0...
Em estudo com 2619 pacientes submetidos à tomografia computadorizada com emissão de prótons para a predição de risco cardiovascular, as técnicas de ML apresentaram melhores resultados (AUROC 0,81; p < 0.01) do que a análise isolada do exame.4545 Ambale-Venkatesh B, Yang X, Wu CO, Liu K, Hundley WG, McClelland R, et al. Cardiovascular Event Prediction by Machine Learning: The Multi-Ethnic Study of Atherosclerosis. Circ Res. 2017;121(9):1092-101. doi: 10.1161/CIRCRESAHA.117.311312.
https://doi.org/10.1161/CIRCRESAHA.117.3...
Estudo com mais de 380.000 pacientes do Reino Unido avaliou o uso de técnicas de ML na predição do risco de eventos cardiovasculares em comparação com os algoritmos tradicionais propostos pelo American College of Cardiology e pela American Heart Association3939 Slomka PJ, Dey D, Sitek A, Motwani M, Berman DS, Germano G. Cardiac Imaging: Working Towards Fully-Automated Machine Analysis & Interpretation. Expert Rev Med Devices. 2017;14(3):197-212. doi: 10.1080/17434440.2017.1300057.
https://doi.org/10.1080/17434440.2017.13...
. Houve melhoria de até 7,6% na predição de eventos com uso de RNA. Algumas variáveis clínicas que não são valorizadas para doença cardiovascular pelos métodos tradicionais como depressão e uso de corticoides foram importantes para o risco cardiovascular avaliado pelas técnicas de ML.3939 Slomka PJ, Dey D, Sitek A, Motwani M, Berman DS, Germano G. Cardiac Imaging: Working Towards Fully-Automated Machine Analysis & Interpretation. Expert Rev Med Devices. 2017;14(3):197-212. doi: 10.1080/17434440.2017.1300057.
https://doi.org/10.1080/17434440.2017.13...
Este achado foi corroborado por estudo multicêntrico estadunidense em que os parâmetros encontrados para predição de risco cardiovascular diferem daqueles incluídos nas calculadoras de risco tradicionais.4646 Antman EM, Loscalzo J. Precision Medicine in Cardiology. Nat Rev Cardiol. 2016;13(10):591-602. doi: 10.1038/nrcardio.2016.101.
https://doi.org/10.1038/nrcardio.2016.10...
A IA pode contribuir na geração de modelos preditivos mais complexos e específicos para cada indivíduo,4747 Johnson KW, Shameer K, Glicksberg BS, Readhead B, Sengupta PP, Björkegren JLM, et al. Enabling Precision Cardiology Through Multiscale Biology and Systems Medicine. JACC Basic Transl Sci. 2017;2(3):311-27. doi: 10.1016/j.jacbts.2016.11.010.
https://doi.org/10.1016/j.jacbts.2016.11...
com a incorporação dos componentes genômicos aos escores de risco cardiovascular.4848 Kullo IJ, Jouni H, Austin EE, Brown SA, Kruisselbrink TM, Isseh IN, et al. Incorporating a Genetic Risk Score into Coronary Heart Disease Risk Estimates: Effect on Low-Density Lipoprotein Cholesterol Levels (the MI-GENES Clinical Trial). Circulation. 2016;133(12):1181-8. doi: 10.1161/CIRCULATIONAHA.115.020109.
https://doi.org/10.1161/CIRCULATIONAHA.1...
,4949 Johnson KW, Soto JT, Glicksberg BS, Shameer K, Miotto R, Ali M, et al. Artificial Intelligence in Cardiology. J Am Coll Cardiol. 2018;71(23):2668-79. A associação dos dados clínicos, sociais, demográficos e genéticos com os exames disponíveis pode permitir uma avaliação mais individualizada, visando à promoção de saúde.4747 Johnson KW, Shameer K, Glicksberg BS, Readhead B, Sengupta PP, Björkegren JLM, et al. Enabling Precision Cardiology Through Multiscale Biology and Systems Medicine. JACC Basic Transl Sci. 2017;2(3):311-27. doi: 10.1016/j.jacbts.2016.11.010.
https://doi.org/10.1016/j.jacbts.2016.11...
Diagnóstico
Nos exames cardiológicos, a necessidade de uma equipe médica altamente especializada, a variabilidade de laudos entre os médicos, além do tempo dispensado aos laudos motivaram o estudo das técnicas de ML como ferramenta diagnóstica.4141 D’Agostino RB Sr, Pencina MJ, Massaro JM, Coady S. Cardiovascular Disease Risk Assessment: Insights from Framingham. Glob Heart. 2013;8(1):11-23. doi: 10.1016/j.gheart.2013.01.001.
https://doi.org/10.1016/j.gheart.2013.01...
,5050 Narula S, Shameer K, Omar AMS, Dudley JT, Sengupta PP. Machine-Learning Algorithms to Automate Morphological and Functional Assessments in 2D Echocardiography. J Am Coll Cardiol. 2016;68(21):2287-95. doi: 10.1016/j.jacc.2016.08.062.
https://doi.org/10.1016/j.jacc.2016.08.0...
Os estudos foram promissores e as modalidades da imagem cardíaca como ecocardiografia, tomografia computadorizada e ressonância nuclear magnética apresentaram boa acurácia em correlacionar alterações estruturais com a etiologia e fisiopatologia de doenças cardiovasculares.5151 Samad MD, Ulloa A, Wehner GJ, Jing L, Hartzel D, Good CW, et al. Predicting Survival From Large Echocardiography and Electronic Health Record Datasets: Optimization With Machine Learning. JACC Cardiovasc Imaging. 2019;12(4):681-9. doi: 10.1016/j.jcmg.2018.04.026.
https://doi.org/10.1016/j.jcmg.2018.04.0...
,5252 Hae H, Kang SJ, Kim WJ, Choi SY, Lee JG, Bae Y, et al. Machine Learning Assessment of Myocardial Ischemia Using Angiography: Development and Retrospective Validation. PLoS Med. 2018;15(11):e1002693. doi: 10.1371/journal.pmed.1002693.
https://doi.org/10.1371/journal.pmed.100...
Em um estudo com 159 pacientes, o qual utilizou três técnicas de ML para auxiliar na diferenciação ecocardiográfica entre cardiomiopatia hipertrófica e hipertrofia fisiológica de atletas. Os parâmetros encontrados, como: a razão da velocidade transmitral diastólica precoce–tardia (p < 0.01), velocidade diastólica precoce (e’) (p < 0.01) e a análise de strain (p < 0.01), foram melhores em sensibilidade e especificidade do que os tradicionalmente usados.5151 Samad MD, Ulloa A, Wehner GJ, Jing L, Hartzel D, Good CW, et al. Predicting Survival From Large Echocardiography and Electronic Health Record Datasets: Optimization With Machine Learning. JACC Cardiovasc Imaging. 2019;12(4):681-9. doi: 10.1016/j.jcmg.2018.04.026.
https://doi.org/10.1016/j.jcmg.2018.04.0...
Um algoritmo de ML foi desenvolvido para diferenciar as estenoses coronarianas intermediárias pela angiografia com reserva de fluxo fracionada menor que 0,80 versus maior que 0,80, a partir de dados clínicos e angiográficos. Os resultados foram satisfatórios com acurácia de aproximadamente 80% para predição de reserva de fluxo fracionada menor que 0,8 (AUROC 0,84 a 0,87, IC 95% 0,71 a 0,89). A validação externa do modelo desenvolvido também apresentou resultados similares em 79 pacientes de dois outros centros (AUROC 0,89, IC 95% 0,83 a 0,95).5353 Ribeiro AH, Ribeiro MH, Paixão GMM, Oliveira DM, Gomes PR, Canazart JA, et al. Automatic Diagnosis of the 12-lead ECG Using a Deep Neural Network. Nat Commun. 2020;11(1):1760. doi: 10.1038/s41467-020-15432-4.
https://doi.org/10.1038/s41467–020–15432...
Em relação à eletrocardiografia, estudos estão sendo desenvolvidos para melhoria dos diagnósticos automáticos.4141 D’Agostino RB Sr, Pencina MJ, Massaro JM, Coady S. Cardiovascular Disease Risk Assessment: Insights from Framingham. Glob Heart. 2013;8(1):11-23. doi: 10.1016/j.gheart.2013.01.001.
https://doi.org/10.1016/j.gheart.2013.01...
Através de técnicas de ML, nosso grupo foi capaz de identificar seis classes eletrocardiográficas por meio da análise do ECG de 12 derivações com boa acurácia, comparável ao desempenho que residentes de cardiologia do último ano.5454 Smith SW, Walsh B, Grauer K, Wang K, Rapin J, Li J, et al. A Deep Neural Network Learning Algorithm Outperforms a Conventional Algorithm for Emergency Department Electrocardiogram Interpretation. J Electrocardiol. 2019;52:88-95. doi: 10.1016/j.jelectrocard.2018.11.013.
https://doi.org/10.1016/j.jelectrocard.2...
Em pacientes com emergências cardiovasculares hospitalizados, ML teve uma acurácia diagnóstica de cerca de 90% para alterações maiores ao ECG.5454 Smith SW, Walsh B, Grauer K, Wang K, Rapin J, Li J, et al. A Deep Neural Network Learning Algorithm Outperforms a Conventional Algorithm for Emergency Department Electrocardiogram Interpretation. J Electrocardiol. 2019;52:88-95. doi: 10.1016/j.jelectrocard.2018.11.013.
https://doi.org/10.1016/j.jelectrocard.2...
Além disso, estudo recente foi capaz de identificar pacientes portadores de fibrilação atrial em ECGs em ritmo sinusal com uma sensibilidade de 79%, especificidade 79,5% e acurácia de 79,4%.5555 Attia ZI, Noseworthy PA, Lopez-Jimenez F, Asirvatham SJ, Deshmukh AJ, Gersh BJ, et al. An artificial Intelligence-Enabled ECG Algorithm for the Identification of Patients with Atrial Fibrillation During Sinus Rhythm: A Retrospective Analysis of Outcome Prediction. Lancet. 2019;394(10201):861-7. doi: 10.1016/S0140-6736(19)31721-0.
https://doi.org/10.1016/S0140–6736(19)31...
Limites e Desafios
A utilização das técnicas de ML é crescente, devido ao seu potencial para solucionar problemas nas diversas áreas. Na medicina, os resultados são promissores em diversas especialidades com a expectativa de que a IA possa ser ferramenta de auxílio para a prática clínica.33 Deo RC. Machine Learning in Medicine. Circulation. 2015;132(20):1920-30. doi: 10.1161/CIRCULATIONAHA.115.001593.
https://doi.org/10.1161/CIRCULATIONAHA.1...
,5959 Ribeiro AL, Oliveira GMM. Toward a Patient-Centered, Data-Driven Cardiology. Arq Bras Cardiol. 2019;112(4):371-3. doi: 10.5935/abc.20190069.
https://doi.org/10.5935/abc.20190069...
No entanto, ainda é necessária cautela na interpretação e incorporação dos resultados.
Os algoritmos de ML desenvolvidos devem ser reprodutíveis na população geral. Estudos com número pequeno de pacientes, em populações específicas ou com vieses de seleção não permitem a generalização dos seus achados.6060 Anderson A, Labus JS, Vianna EP, Mayer EA, Cohen MS. Common Component Classification: What Can We Learn from Machine Learning? Neuroimage. 2011;56(2):517-24. doi: 10.1016/j.neuroimage.2010.05.065.
https://doi.org/10.1016/j.neuroimage.201...
,6161 Halevy A, Norvig P, Pereira F. The Unreasonable Effectiveness of Data. IEEE Intelligent Systems. 2009;24(2):8-12. doi:10.1109/MIS.2009.36.
https://doi.org/10.1109/MIS.2009.36...
Ainda que a captação de dados e sua interpretação tenham valor estatístico considerável, os melhores cenários ainda são incapazes de predizer o desfecho em pessoas diferentes.6262 Shaw LJ. Can a Machine Learn Better Than Humans? JACC Cardiovasc Imaging. 2018;11(7):1010-1. doi: 10.1016/j.jcmg.2017.07.025.
https://doi.org/10.1016/j.jcmg.2017.07.0...
O erro no processo automatizado pode induzir o profissional a conclusões incorretas, como demonstrado em estudo com 30 residentes em clínica médica que reduziram sua acurácia diagnóstica no laudo de ECG, após a disponibilização de laudos automáticos incorretos.6363 Tsai TL, Fridsma DB, Gatti G. Computer Decision Support as a Source of Interpretation Error: The Case of Electrocardiograms. J Am Med Inform Assoc. 2003;10(5):478-83. doi: 10.1197/jamia.M1279.
https://doi.org/10.1197/jamia.M1279...
O avanço da IA na medicina é visto com receio por alguns médicos. A posição alarmista de que ML possa substituir a figura do médico na atenção à saúde tem se mostrado injustificável. Nenhum software, até o momento, foi capaz de substituir o aspecto subjetivo da experiência clínica na tomada de decisões favoráveis ao paciente, exatamente, pela medicina não ser uma ciência exata.6464 Svensson CM, Hübler R, Figge MT. Automated Classification of Circulating Tumor Cells and the Impact of Interobsever Variability on Classifier Training and Performance. J Immunol Res. 2015;2015:573165. doi: 10.1155/2015/573165.
https://doi.org/10.1155/2015/573165...
A negação ao avanço tecnológico e às ferramentas de IA, hoje disponíveis, tem potencial tão danoso quanto a sua total dependência no atendimento ao paciente. A combinação entre ML e o julgamento clínico tem apresentado melhores resultados em conjunto do que o seu uso isolado.5959 Ribeiro AL, Oliveira GMM. Toward a Patient-Centered, Data-Driven Cardiology. Arq Bras Cardiol. 2019;112(4):371-3. doi: 10.5935/abc.20190069.
https://doi.org/10.5935/abc.20190069...
Conclusão
O uso de técnicas de ML na medicina deixou o campo teórico e se tornou uma realidade. Embora o uso do ML em medicina ainda esteja em desenvolvimento, estudos mostram a sua aplicabilidade clínica com impacto na avaliação diagnóstica e prognóstica.
-
Fontes de financiamentoO autor Ribeiro AL é parcialmente apoiado pelo CNPq (310679/2016–8 e 465518/2014–1) e pela FAPEMIG (PPM–00428–17 e RED–00081–16). A autora Moraes JL é apoiada pelo CNPq (141286/2021–0).
-
Vinculação acadêmicaEste artigo é parte de dissertação de mestrado de Gabriela Miana de Mattos Paixão pela Universidade Federal de Minas Gerais.
Referências
-
1Mitchell TM, The Discipline of Machine Learning. Pittsburgh: Mach Learning Department; 2006.
-
2Hastie T, Tibshirani R, Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. Berlin: Springer Science & Business Media; 2009.
-
3Deo RC. Machine Learning in Medicine. Circulation. 2015;132(20):1920-30. doi: 10.1161/CIRCULATIONAHA.115.001593.
» https://doi.org/10.1161/CIRCULATIONAHA.115.001593 -
4Jordan MI, Mitchell TM. Machine Learning: Trends, Perspectives, and Prospects. Science. 2015;349(6245):255-60. doi: 10.1126/science.aaa8415.
» https://doi.org/10.1126/science.aaa8415 -
5Chen M, Mao S, Liu Y. Big data: A survey. Mob. Netw. Appl. 2014;19(2):171-209. doi:10.1007/s11036-013-0489-0.
» https://doi.org/10.1007/s11036–013–0489–0 -
6Zhou L, Pan S, Wang J, Vasilakos AV. Machine Learning on Big Data: Opportunities and Challenges. Neurocomputing. 2017;237:350-61. doi: 10.1016/j.neucom.2017.01.026.
» https://doi.org/10.1016/j.neucom.2017.01.026 -
7Obermeyer Z, Emanuel EJ. Predicting the Future - Big Data, Machine Learning, and Clinical Medicine. N Engl J Med. 2016;375(13):1216-9. doi: 10.1056/NEJMp1606181.
» https://doi.org/10.1056/NEJMp1606181 -
8Waljee AK, Higgins PD. Machine Learning in Medicine: A Primer for Physicians. Am J Gastroenterol. 2010;105(6):1224-6. doi: 10.1038/ajg.2010.173.
» https://doi.org/10.1038/ajg.2010.173 -
9Darcy AM, Louie AK, Roberts LW. Machine Learning and the Profession of Medicine. JAMA. 2016;315(6):551-2. doi: 10.1001/jama.2015.18421.
» https://doi.org/10.1001/jama.2015.18421 -
10Laney D. 3D Data Management: Controlling Data Volume, Velocity, and Variety. Milan: META Group Research Note; 2001.
-
11Martin-Sanchez F, Verspoor K. Big Data in Medicine is Driving Big Changes. Yearb Med Inform. 2014;9(1):14-20. doi: 10.15265/IY-2014-0020.
» https://doi.org/10.15265/IY–2014–0020 -
12Barreto GA, Souza LG. Adaptive Filtering with the Self-Organizing Map: A Performance Comparison. Neural Netw. 2006;19(6-7):785-98. doi: 10.1016/j.neunet.2006.05.005.
» https://doi.org/10.1016/j.neunet.2006.05.005 -
13Kohonen T, Honkela T. Kohonen Network. Scholarpedia. 2007;2(1):1568. doi: 10.4249/scholarpedia.1568.
» https://doi.org/10.4249/scholarpedia.1568 -
14Sathya R, Abraham A. Comparison of Supervised and Unsupervised Learning Algorithms for Pattern Classification. Int. J. Artif. Intell. 2013;2(2):34-8. doi: 10.14569/IJARAI.2013.020206.
» https://doi.org/10.14569/IJARAI.2013.020206 -
15Rajkomar A, Dean J, Kohane I. Machine Learning in Medicine. N Engl J Med. 2019;380(14):1347-58. doi: 10.1056/NEJMra1814259.
» https://doi.org/10.1056/NEJMra1814259 -
16Podgorelec V, Kokol P, Stiglic B, Rozman I. Decision Trees: An Overview and Their Use in Medicine. J Med Syst. 2002;26(5):445-63. doi: 10.1023/a:1016409317640.
» https://doi.org/10.1023/a:1016409317640 -
17Pang B, Zhang D, Li N, Wang K. Computerized Tongue Diagnosis Based on Bayesian Networks. IEEE Trans Biomed Eng. 2004;51(10):1803-10. doi: 10.1109/TBME.2004.831534.
» https://doi.org/10.1109/TBME.2004.831534 -
18Lisboa PJ, Taktak AF. The Use of Artificial Neural Networks in Decision Support in Cancer: A Systematic Review. Neural Netw. 2006;19(4):408-15. doi: 10.1016/j.neunet.2005.10.007.
» https://doi.org/10.1016/j.neunet.2005.10.007 -
19Ramesh AN, Kambhampati C, Monson JR, Drew PJ. Artificial Intelligence in Medicine. Ann R Coll Surg Engl. 2004;86(5):334-8. doi: 10.1308/147870804290.
» https://doi.org/10.1308/147870804290 -
20Mavroforakis ME, Theodoridis S. A Geometric Approach to Support Vector Machine (SVM) Classification. IEEE Trans Neural Netw. 2006;17(3):671-82. doi: 10.1109/TNN.2006.873281.
» https://doi.org/10.1109/TNN.2006.873281 -
21Smith SW, Walsh B, Grauer K, Wang K, Rapin J, Li J, et al. A Deep Neural Network Learning Algorithm Outperforms a Conventional Algorithm for Emergency Department Electrocardiogram Interpretation. J Electrocardiol. 2019;52:88-95. doi: 10.1016/j.jelectrocard.2018.11.013.
» https://doi.org/10.1016/j.jelectrocard.2018.11.013 -
22Bianchi RE. Extração de Conhecimento Simbólico em Técnicas de Aprendizado de Máquina Caixa-Preta por Similaridade de Rankings [dissertation]. São Paulo: Universidade de São Paulo; 2008.
-
23Al-Shayea QK. Artificial Neural Networks in Medical Diagnosis. Int. J. Comput. Sci. Issues. 2011;8(2):150-4.
-
24Bengio Y, Courville A, Vincent P. Representation Learning: A Review and New Perspectives. IEEE Trans Pattern Anal Mach Intell. 2013;35(8):1798-828. doi: 10.1109/TPAMI.2013.50.
» https://doi.org/10.1109/TPAMI.2013.50 -
25Miotto R, Wang F, Wang S, Jiang X, Dudley JT. Deep Learning for Healthcare: Review, Opportunities and Challenges. Brief Bioinform. 2018;19(6):1236-46. doi: 10.1093/bib/bbx044.
» https://doi.org/10.1093/bib/bbx044 -
26Bengio Y. Learning Deep Architectures for AI. Pittsburgh: Mach Learn; 2009.
-
27Raghavendra U, Gudigar A, Bhandary SV, Rao TN, Ciaccio EJ, Acharya UR. A Two Layer Sparse Autoencoder for Glaucoma Identification with Fundus Images. J Med Syst. 2019;43(9):299. doi: 10.1007/s10916-019-1427-x.
» https://doi.org/10.1007/s10916–019–1427–x -
28Goodman KE, Lessler J, Cosgrove SE, Harris AD, Lautenbach E, Han JH, et al. A Clinical Decision Tree to Predict Whether a Bacteremic Patient Is Infected with an Extended-Spectrum β-Lactamase-Producing Organism. Clin Infect Dis. 2016;63(7):896-903. doi: 10.1093/cid/ciw425.
» https://doi.org/10.1093/cid/ciw425 -
29Segal MR. Machine Learning Benchmarks and Random Forest Regression. São Francisco: Biostatistics; 2004.
-
30Chen KC, Chen CYC. Stroke Prevention by Traditional Chinese Medicine? A Genetic Algorithm, Support Vector Machine and Molecular Dynamics Approach. Soft Matter. 2011. 7(8):4001-8. doi: 10.1039/c0sm01548b.
» https://doi.org/10.1039/c0sm01548b -
31Krittanawong C, Zhang H, Wang Z, Aydar M, Kitai T. Artificial Intelligence in Precision Cardiovascular Medicine. J Am Coll Cardiol. 2017;69(21):2657-64. doi: 10.1016/j.jacc.2017.03.571.
» https://doi.org/10.1016/j.jacc.2017.03.571 -
32Fan Y, Shen D, Davatzikos C. Detecting Cognitive States from fMRI Images by Machine Learning and Multivariate Classification. CVPRW’06 2006: Conference on Computer Vision and Pattern Recognition Workshop; 2006 Jun 17-22; Ney York, USA: IEEE; 2006. p. 89.
-
33Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016;316(22):2402-10. doi: 10.1001/jama.2016.17216.
» https://doi.org/10.1001/jama.2016.17216 -
34Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, et al. Dermatologist-Level Classification of Skin Cancer with Deep Neural Networks. Nature. 2017;542(7639):115-8. doi: 10.1038/nature21056.
» https://doi.org/10.1038/nature21056 -
35Wall DP, Kosmicki J, Deluca TF, Harstad E, Fusaro VA. Use of Machine Learning to Shorten Observation-Based Screening and Diagnosis of Autism. Transl Psychiatry. 2012;2(4):e100. doi: 10.1038/tp.2012.10.
» https://doi.org/10.1038/tp.2012.10 -
36Chen JH, Asch SM. Machine Learning and Prediction in Medicine - Beyond the Peak of Inflated Expectations. N Engl J Med. 2017;376(26):2507-9. doi: 10.1056/NEJMp1702071.
» https://doi.org/10.1056/NEJMp1702071 -
37Bergenstal RM, Klonoff DC, Garg SK, Bode BW, Meredith M, Slover RH, et al. Threshold-Based Insulin-Pump Interruption for Reduction of Hypoglycemia. N Engl J Med. 2013;369(3):224-32. doi: 10.1056/NEJMoa1303576.
» https://doi.org/10.1056/NEJMoa1303576 -
38Weng SF, Reps J, Kai J, Garibaldi JM, Qureshi N. Can Machine-Learning Improve Cardiovascular Risk Prediction Using Routine Clinical Data? PLoS One. 2017;12(4):e0174944. doi: 10.1371/journal.pone.0174944.
» https://doi.org/10.1371/journal.pone.0174944 -
39Slomka PJ, Dey D, Sitek A, Motwani M, Berman DS, Germano G. Cardiac Imaging: Working Towards Fully-Automated Machine Analysis & Interpretation. Expert Rev Med Devices. 2017;14(3):197-212. doi: 10.1080/17434440.2017.1300057.
» https://doi.org/10.1080/17434440.2017.1300057 -
40Mincholé A, Camps J, Lyon A, Rodríguez B. Machine Learning in the Electrocardiogram. J Electrocardiol. 2019;57S:61-4. doi: 10.1016/j.jelectrocard.2019.08.008.
» https://doi.org/10.1016/j.jelectrocard.2019.08.008 -
41D’Agostino RB Sr, Pencina MJ, Massaro JM, Coady S. Cardiovascular Disease Risk Assessment: Insights from Framingham. Glob Heart. 2013;8(1):11-23. doi: 10.1016/j.gheart.2013.01.001.
» https://doi.org/10.1016/j.gheart.2013.01.001 -
42Lin JS, Evans CV, Johnson E, Redmond N, Coppola EL, Smith N. Nontraditional Risk Factors in Cardiovascular Disease Risk Assessment: Updated Evidence Report and Systematic Review for the US Preventive Services Task Force. JAMA. 2018;320(3):281-97. doi: 10.1001/jama.2018.4242.
» https://doi.org/10.1001/jama.2018.4242 -
43Raghunath SM, Cerna AU, Jing L, vanMaanen D, Stough JV, Hartzel D, et al. Deep Neural Networks Can Predict 1-Year Mortality Directly from ECG Signal, Even when Clinically Interpreted as Normal. Circulation. 2019;140(Suppl 1):A14425-.
-
44Betancur J, Otaki Y, Motwani M, Fish MB, Lemley M, Dey D, et al. Prognostic Value of Combined Clinical and Myocardial Perfusion Imaging Data Using Machine Learning. JACC Cardiovasc Imaging. 2018;11(7):1000-9. doi: 10.1016/j.jcmg.2017.07.024.
» https://doi.org/10.1016/j.jcmg.2017.07.024 -
45Ambale-Venkatesh B, Yang X, Wu CO, Liu K, Hundley WG, McClelland R, et al. Cardiovascular Event Prediction by Machine Learning: The Multi-Ethnic Study of Atherosclerosis. Circ Res. 2017;121(9):1092-101. doi: 10.1161/CIRCRESAHA.117.311312.
» https://doi.org/10.1161/CIRCRESAHA.117.311312 -
46Antman EM, Loscalzo J. Precision Medicine in Cardiology. Nat Rev Cardiol. 2016;13(10):591-602. doi: 10.1038/nrcardio.2016.101.
» https://doi.org/10.1038/nrcardio.2016.101 -
47Johnson KW, Shameer K, Glicksberg BS, Readhead B, Sengupta PP, Björkegren JLM, et al. Enabling Precision Cardiology Through Multiscale Biology and Systems Medicine. JACC Basic Transl Sci. 2017;2(3):311-27. doi: 10.1016/j.jacbts.2016.11.010.
» https://doi.org/10.1016/j.jacbts.2016.11.010 -
48Kullo IJ, Jouni H, Austin EE, Brown SA, Kruisselbrink TM, Isseh IN, et al. Incorporating a Genetic Risk Score into Coronary Heart Disease Risk Estimates: Effect on Low-Density Lipoprotein Cholesterol Levels (the MI-GENES Clinical Trial). Circulation. 2016;133(12):1181-8. doi: 10.1161/CIRCULATIONAHA.115.020109.
» https://doi.org/10.1161/CIRCULATIONAHA.115.020109 -
49Johnson KW, Soto JT, Glicksberg BS, Shameer K, Miotto R, Ali M, et al. Artificial Intelligence in Cardiology. J Am Coll Cardiol. 2018;71(23):2668-79.
-
50Narula S, Shameer K, Omar AMS, Dudley JT, Sengupta PP. Machine-Learning Algorithms to Automate Morphological and Functional Assessments in 2D Echocardiography. J Am Coll Cardiol. 2016;68(21):2287-95. doi: 10.1016/j.jacc.2016.08.062.
» https://doi.org/10.1016/j.jacc.2016.08.062 -
51Samad MD, Ulloa A, Wehner GJ, Jing L, Hartzel D, Good CW, et al. Predicting Survival From Large Echocardiography and Electronic Health Record Datasets: Optimization With Machine Learning. JACC Cardiovasc Imaging. 2019;12(4):681-9. doi: 10.1016/j.jcmg.2018.04.026.
» https://doi.org/10.1016/j.jcmg.2018.04.026 -
52Hae H, Kang SJ, Kim WJ, Choi SY, Lee JG, Bae Y, et al. Machine Learning Assessment of Myocardial Ischemia Using Angiography: Development and Retrospective Validation. PLoS Med. 2018;15(11):e1002693. doi: 10.1371/journal.pmed.1002693.
» https://doi.org/10.1371/journal.pmed.1002693 -
53Ribeiro AH, Ribeiro MH, Paixão GMM, Oliveira DM, Gomes PR, Canazart JA, et al. Automatic Diagnosis of the 12-lead ECG Using a Deep Neural Network. Nat Commun. 2020;11(1):1760. doi: 10.1038/s41467-020-15432-4.
» https://doi.org/10.1038/s41467–020–15432–4 -
54Smith SW, Walsh B, Grauer K, Wang K, Rapin J, Li J, et al. A Deep Neural Network Learning Algorithm Outperforms a Conventional Algorithm for Emergency Department Electrocardiogram Interpretation. J Electrocardiol. 2019;52:88-95. doi: 10.1016/j.jelectrocard.2018.11.013.
» https://doi.org/10.1016/j.jelectrocard.2018.11.013 -
55Attia ZI, Noseworthy PA, Lopez-Jimenez F, Asirvatham SJ, Deshmukh AJ, Gersh BJ, et al. An artificial Intelligence-Enabled ECG Algorithm for the Identification of Patients with Atrial Fibrillation During Sinus Rhythm: A Retrospective Analysis of Outcome Prediction. Lancet. 2019;394(10201):861-7. doi: 10.1016/S0140-6736(19)31721-0.
» https://doi.org/10.1016/S0140–6736(19)31721–0 -
56Katz DH, Deo RC, Aguilar FG, Selvaraj S, Martinez EE, Beussink-Nelson L, et al. Phenomapping for the Identification of Hypertensive Patients with the Myocardial Substrate for Heart Failure with Preserved Ejection Fraction. J Cardiovasc Transl Res. 2017;10(3):275-84. doi: 10.1007/s12265-017-9739-z.
» https://doi.org/10.1007/s12265–017–9739–z -
57Sengupta PP, Huang YM, Bansal M, Ashrafi A, Fisher M, Shameer K, et al. Cognitive Machine-Learning Algorithm for Cardiac Imaging: A Pilot Study for Differentiating Constrictive Pericarditis from Restrictive Cardiomyopathy. Circ Cardiovasc Imaging. 2016;9(6):e004330. doi: 10.1161/CIRCIMAGING.115.004330.
» https://doi.org/10.1161/CIRCIMAGING.115.004330 -
58Kang D, Dey D, Slomka PJ, Arsanjani R, Nakazato R, Ko H, et al. Structured Learning Algorithm for Detection of Nonobstructive and Obstructive Coronary Plaque Lesions from Computed Tomography Angiography. J Med Imaging (Bellingham). 2015;2(1):014003. doi: 10.1117/1.JMI.2.1.014003.
» https://doi.org/10.1117/1.JMI.2.1.014003 -
59Ribeiro AL, Oliveira GMM. Toward a Patient-Centered, Data-Driven Cardiology. Arq Bras Cardiol. 2019;112(4):371-3. doi: 10.5935/abc.20190069.
» https://doi.org/10.5935/abc.20190069 -
60Anderson A, Labus JS, Vianna EP, Mayer EA, Cohen MS. Common Component Classification: What Can We Learn from Machine Learning? Neuroimage. 2011;56(2):517-24. doi: 10.1016/j.neuroimage.2010.05.065.
» https://doi.org/10.1016/j.neuroimage.2010.05.065 -
61Halevy A, Norvig P, Pereira F. The Unreasonable Effectiveness of Data. IEEE Intelligent Systems. 2009;24(2):8-12. doi:10.1109/MIS.2009.36.
» https://doi.org/10.1109/MIS.2009.36 -
62Shaw LJ. Can a Machine Learn Better Than Humans? JACC Cardiovasc Imaging. 2018;11(7):1010-1. doi: 10.1016/j.jcmg.2017.07.025.
» https://doi.org/10.1016/j.jcmg.2017.07.025 -
63Tsai TL, Fridsma DB, Gatti G. Computer Decision Support as a Source of Interpretation Error: The Case of Electrocardiograms. J Am Med Inform Assoc. 2003;10(5):478-83. doi: 10.1197/jamia.M1279.
» https://doi.org/10.1197/jamia.M1279 -
64Svensson CM, Hübler R, Figge MT. Automated Classification of Circulating Tumor Cells and the Impact of Interobsever Variability on Classifier Training and Performance. J Immunol Res. 2015;2015:573165. doi: 10.1155/2015/573165.
» https://doi.org/10.1155/2015/573165
Datas de Publicação
-
Publicação nesta coleção
21 Fev 2022 -
Data do Fascículo
Jan 2022
Histórico
-
Recebido
02 Set 2019 -
Revisado
23 Set 2020 -
Aceito
02 Dez 2020