ABC | Volume 114, Nº4, Abril 2020

Artigo de Revisão Marques et al. Inteligência Artificial em Cardiologia Arq Bras Cardiol. 2020; 114(4):718-725 adequadamente – chamados dados saudáveis. Essa etapa é de fundamental importância, pois os algoritmos provavelmente não terão um bom desempenho se esse pré-requisito não for obtido: “ lixo na entrada, lixo na saída” . A natureza desses dados é bastante variada, variando de dados socioambientais, clínico-laboratoriais a dados ômicos (por exemplo, metaboloma, proteoma, epigenoma, lipidoma) e informações das intensidades de vermelho, verde e azul (sistema RGB) de cada pixel que compõe uma imagem, por exemplo. Fontes igualmente diversificadas de tais dados incluem aquelas obtidas de registros médicos eletrônicos ou mesmo dispositivos “ wearable ” (“vestíveis”). Nesse contexto, o termo “Big Data” é utilizado para descrever uma enorme coleção de dados para os quais os métodos tradicionais de análise não são bem-sucedidos na análise, pesquisa, interpretação e armazenamento. 9 Destacamos o uso dessas ferramentas em problemas de classificação, regressão e clusterização. Depois de obter dados saudáveis e construir o banco de dados, é importante avaliar quais modelos matemáticos de IA são mais apropriados para o problema que se deseja resolver. Em seguida, os modelos escolhidos devem ser implementados utilizando alguma linguagem de programação. Uma combinação de modelos também pode ser útil. Os resultados obtidos pelo algoritmo devem ser analisados em termos de coerência e adequação. Essas etapas estão resumidas na Figura 2. Por que a cardiologia precisa de inteligência artificial? O desenvolvimento de algoritmos de IA tem a vantagem de não exigir muitas suposições em relação aos dados subjacentes. 8 Outro ponto é que a natureza desses modelos matemático-computacionais permite, a partir de dados observacionais, um alto nível de evidência devido ao seu alto desempenho, o que certamente representa uma mudança significativa de paradigma na medicina baseada em evidências. Deve-se notar que os ensaios clínicos tradicionais são geralmente lentos, caros, demorados e limitados em tamanho. 14 Além disso, quando o banco de dados é alimentado com mais dados (saudáveis), em geral, há uma melhoria no desempenho dos algoritmos – o que permite que os estudos tenham um caráter contínuo ao longo do tempo. Esse novo arquétipo pode guiar a alocação de recursos escassos na área da saúde e facilitar a identificação eficiente e precisa de decisões que favoreçam a individualização do cuidado com base no fluxo de informações que emergem de um ecossistema integrado e complexo: é uma medicina de precisão. 15,16 Portanto, pode-se inferir que a prática das ciências cardiovasculares terá impactos significativos, que se traduzirão em uma abordagem personalizada e melhores resultados. Conceitos básicos em inteligência artificial Um banco de dados genérico pode ser organizado em uma matriz de linhas e colunas. Cada linha indica um elemento de umconjunto de objetos a ser avaliado de acordo comas mesmas características. Cada coluna, por sua vez, expressa os valores de um determinado atributo para as várias linhas no banco de dados e cada linha representa uma lição a ser aprendida pelo modelo matemático-computacional. Dessa maneira, o termo Aprendizado de Máquina (ML, machine learning ) traz consigo a possibilidade de “aprender” a partir de um conjunto de lições. O termo IA é frequentemente utilizado de forma intercambiável com o termo ML. No entanto, ML é um subconjunto de algoritmos de IA relacionados à capacidade de aprender a partir de uma grande quantidade de dados. A IA é mais ampla e engloba a execução de tarefas que normalmente estão relacionadas à inteligência humana, tais como reconhecimento de padrões, resolução de problemas, compreensão de linguagem ou reconhecimento de objetos e sons. 17 Figura 1 – Evolução do número de trabalhos relacionados (InteligênciaArtificial ouAprendizado de Máquina, ouAprendizadoAutomático) e Cardiologia. Fonte: Pubmed. Acessado em 15/12/2018. Palavras do Medical Subject Headings (MeSH): Cardiologia e Aprendizado de Máquina. 160 140 120 100 80 60 40 20 0 1986 1989 1991 1993 1995 1997 1999 2001 2003 2005 2007 2009 2011 2013 2015 2017 y = 1,5442 e 0,1159x R 2 = 0,8217 719