ABC | Volume 114, Nº4, Abril 2020

Artigo de Revisão Marques et al. Inteligência Artificial em Cardiologia Arq Bras Cardiol. 2020; 114(4):718-725 omic . Por outro lado, esse novo ecossistema digital requer uma aquisição de conhecimento que não é tradicionalmente encontrado em cursos regulares de medicina. Portanto, um redesenho curricular é necessário e deve ser objeto de um profundo debate e ações específicas. Por outro lado, toda a panaceia trazida pela IA não está isenta de desafios, como os limites éticos de seu uso, a necessidade de aprimorar o conhecimento matemático, a construção de um ecossistema que garanta altos níveis de segurança e confidencialidade para os pacientes, a aquisição de dados saudáveis, as necessidades de expandir a associação médico-paciente-dados, a necessidade de colaboração e o gerenciamento de cuidados baseados em dados. Nesse contexto, o cardiologista-jóquei (ou médicos em geral) deve ser protagonista das mudanças e deve substituir um eventual medo das ferramentas por um maior envolvimento, com o objetivo de gerar valor para o cuidado. É importante ter emmente os possíveis desafios e obstáculos a serem superados e manter um engajamento e senso crítico na busca de soluções: “quem corre é o cavalo, você precisa ser o jóquei”. Contribuição dos autores Concepção e desenho da pesquisa: Souza Filho EM, Seixas FL, Santos AASMD, Gismondi RA, Mesquita ET, Mesquita CT; Obtenção de dados: Souza Filho EM, Fernandes FA, Soares CLA, Santos AASMD; Análise e interpretação dos dados: Souza Filho EM, Fernandes FA, Soares CLA, Seixas FL, Gismondi RA, Mesquita ET, Mesquita CT; Redação do manuscrito: Souza Filho EM, Fernandes FA, Soares CLA, Gismondi RA, Mesquita ET; Revisão crítica do manuscrito quanto ao conteúdo intelectual importante: Seixas FL, Santos AASMD, Mesquita CT. Potencial conflito de interesses Declaro não haver conflito de interesses pertinentes. Fontes de financiamento Opresente estudo não teve fontes de financiamento externas. Vinculação acadêmica Este artigo é parte de tese de Doutorado de Erito Marques de Souza Filho pela Universidade Federal Fluminense. Aprovação ética e consentimento informado Este artigo não contém estudos com humanos ou animais realizados por nenhum dos autores. 1. Goodfellow I, Bengio Y, Courville A. Deep Learning. Cambridge: MIT Press; 2016. 2. DilsizianSE,Siegel,EL.Artificial intelligence inmedicineandcardiac imaging: harnessingbigdataandadvancedcomputingtoprovidepersonalizedmedical diagnosis and treatment. Curr Cardiol Rep. 2014;16(1):441. 3. Michel JB, Sangha DM, Erwin JP 3rd. Burnout among cardiologists. Am J Cardiol. 2017;119(6):938-40. 4. Rotenstein LS, Torre M, Ramos MA, Rosales RC, Guille C, Sen S, et al. Prevalence of burnout among physicians: a systematic review. JAMA. 2018;320(11):1131-50. 5. Macary MA, Daniel M. Medical error – the third leading cause of death in the US. BMJ. 2016 May 3;353:i2139. 6. Porter ME. A strategy for health care reform – toward a value-based system. N Engl J Med. 2009;361(2):109-12. 7. DilsizianME,SiegelEL.Machinemeetsbiology:aprimeronartificialintelligence in cardiology and cardiac imaging. Curr Cardiol Rep. 2018;20(12):139. 8. Johnson KW, Soto JT, Glicksberg BS, Shameer K, Miotto R, Ali M, et al. Artificial Intelligence inCardiology. JAmCollCardiol.2018;71(23):2668-79. 9. Krittanawong C, Zhang H, Wang Z, Aydar M, Kitai T. Artificial intelligence in precisioncardiovascularmedicine. JAmCollCardiol.2017;69(21):2657-64. 10. Massalha S, Clarkin O, Thornhill R, Wells G, Chow BJW. Decision support tools, systems, and artificial intelligence in cardiac imaging. Can J Cardiol. 2018;34(7):827-38. 11. Mesquita CT. Artificial intelligence and machine learning in cardiology – a change of paradigm. Int. J. Cardiovasc. Sci. 2017;30(3):187-8. 12. Moore J.TheDartmouthCollegeArtificial IntelligenceConference:TheNext Fifty Years. AI Magazine. 2006;27(4):87-91. 13. Turing AM. Computing machinery and intelligence. Mind. 1950;59(236):433-60. 14. Price, WN. Big data and black-box medical algorithms. Sci Transl Med. 2018;10(471):pi:eaao5333. 15. Antman EM, Loscalzo J. Precision medicine in cardiology. Nat Rev Cardiol. 2016;13(10):591-602. 16. Price,WN II.BlackBoxmedicine.Harvard JLawTech.2015;28(2):419-467. 17. Dey D, Slomka PJ, Leeson P , Comaniciu D, Shrestha S, Sengupta PP , et al. Artificial intelligence in cardiovascular imaging: JACC State-of-the-Art review. J Am Coll Cardiol. 2019;73(11):1317-35. 18. Shameer K, Johnson KW, Glicksberg BS, Dudley JT, Sengupta PP. Machine learning in cardiovascular medicine: are we there yet? Heart. 2018;104(14):1156-64. 19. Al’Aref SJ, Anchouche K, SinghG, Slomka PJ, Kolli KK, Kumar A, et al. Clinical applications of machine learning in cardiovascular disease and its relevance to cardiac imaging. Eur Heart J. 2018;40(24):1975-86. 20. Somashekhar SP, Sepulveda MJ, Puglielli S, Norden AD, Shortliffe EH, Rohit Kumar C, et al. Watson for Oncology and breast cancer treatment recommendations:agreementwithanexpertmultidisciplinarytumorboard. Ann Oncol. 2018;29(2):418-23. 21. IBM. Watson. NewYork: IBM; 2019 [Cited in 2018Oct 10]. Available from: https://www.ibm.com/watson/index.html. 22. Samad MD , Wehner GJ, Arbabshirani MR, Jing L, Powell AJ, Geva T, et al. Predicting deterioration of ventricular function in patients with repaired tetralogy of Fallot using machine learning. Eur Heart J Cardiovasc Imaging. 2018;19(7):730-8. 23. Berikol GB, Yildiz O, Özcan IT . Diagnosis of acute coronary syndrome with a support vector machine. J Med Syst. 2016;40(4):84. Referências 724