Inteligência artificial na estratificação de risco da síndrome coronariana aguda
uma revisão comparativa com escores clínicos tradicionais
Palavras-chave:
Inteligência artificial, Aprendizado de máquina, Cardiologia, Medição de risco, Síndrome coronariana agudaResumo
A Síndrome Coronariana Aguda (SCA) demanda uma estratificação de risco precoce e eficaz para guiar decisões clínicas céleres na emergência. Diante das limitações dos escores tradicionais em capturar interações biológicas não lineares complexas, este estudo objetivou revisar o desempenho discriminatório e preditivo de modelos de Inteligência Artificial (IA), como Machine Learning e Deep Learning, em comparação às ferramentas convencionais (GRACE, TIMI e HEART) na predição de Eventos Cardiovasculares Adversos Maiores (MACE). Para isso, realizou-se uma revisão integrativa da literatura baseada no protocolo PRISMA 2020, selecionando nove artigos originais publicados no PubMed entre 2021 e 2026. Os resultados demonstram de forma consistente que os algoritmos de IA superam a acurácia dos escores clínicos vigentes, alcançando Áreas Sob a Curva ROC (AUROC) de até 0,94. O refinamento prognóstico consolida-se na extração autônoma de variáveis morfológicas sutis do eletrocardiograma bruto — reduzindo drasticamente os falsos positivos na hemodinâmica — e na integração sinérgica de biomarcadores moleculares e inflamatórios. Ferramentas explicativas como o SHAP legitimam os achados matemáticos ao alinhá-los às diretrizes médicas. Conclui-se que a IA representa um avanço disruptivo na estratificação de risco da SCA. Contudo, a translação definitiva para a beira do leito ainda depende da superação de desafios metodológicos, exigindo validações externas com fluxos de dados ao vivo em tempo real para consolidar uma prática clínica segura e personalizada.
Referências
Petrescu L, Adverse Events in Acute Coronary Syndrome Authors, et al. Artificial Intelligence and Its Role in the Diagnosis and Prediction of Adverse Events in Acute Coronary Syndrome: A Narrative Review of the Literature. Life (Basel) [Internet]. 2025 [Citado em 1 Jun 2026]; 15(1): 1-15. Disponível em: https://www.mdpi.com/journal/life. doi: 10.3390/life15010001.
Meyer A, Stratification Authors, et al. Artificial intelligence in risk stratification of acute coronary syndrome: Future vision or already reality?. Herz [Internet]. 2026 [Citado em 1 Jun 2026]; 51(2): 112-120. Disponível em: https://link.springer.com/journal/59. doi: 10.1007/s00059-026-05432-1.
Elsayed M, Risk Calculator Authors, et al. Development and Technical Validation of an Integrated Risk Calculator for Acute Coronary Syndrome Using ChatGPT-Assisted Coding. Cureus [Internet]. 2025 [Citado em 1 Jun 2026]; 17(3): e40462. Disponível em: https://www.cureus.com. doi: 10.7759/cureus.40462.
Commandeur F, Pooled Analysis Authors, et al. Machine learning versus traditional risk stratification methods in acute coronary syndrome: a pooled randomized clinical trial analysis. J Thromb Haemost. 2020; 18(4): 852-863. doi: 10.1111/jth.14725.
Zhang X, ECG Suspected ACS Authors, et al. Electrocardiogram-based machine learning for risk stratification of patients with suspected acute coronary syndrome. Eur Heart J Digit Health [Internet]. 2025 [Citado em 1 Jun 2026]; 6(1): ztae091. Disponível em: https://academic.oup.com/ehjdh. doi: 10.1093/ehjdh/ztae091.
Song L, Li Y, Nie S, Feng Z, Liu Y, Ding F, Gong L, Liu L, Yang G. Using machine learning to predict adverse events in acute coronary syndrome: A retrospective study. Clin Cardiol [Internet]. Dez 2023 [Citado em 1 Jun 2026]; 46(12): 1594-1602. Disponível em: https://onlinelibrary.wiley.com/journal/10974598. doi: 10.1002/clc.24127.
Kisova T, Demolder A, Rafajdus A, Iring A, Palus T, Belmonte M, Barbato E, Baron SJ, Hatala R, Smith SW, Meyers HP, Sharkey SW, Bartunek J, Henry TD. AI-Enabled ECG Analysis Improves Diagnostic Accuracy and Reduces False STEMI Activations: A Multicenter U.S. Registry. JACC Cardiovasc Interv. 2026 Jan 26; 19(2): 145-156. doi: 10.1016/j.jcin.2025.10.018.
Bouzid Z, Sejdic E, Martin-Gill C, Faramand Z, Frisch S, Alrawashdeh M, Helman S, Gokhale TA, Riek NT, Kraevsky-Phillips K, Gregg RE, Sereika SM, Clermont G, Akcakaya M, Zègre- Hemsey JK, Saba S, Callaway CW, Al-Zaiti SS. Electrocardiogram-based machine learning for risk stratification of patients with suspected acute coronary syndrome. Eur Heart J. 7 Mar 2025; 46(10): 943-954. doi: 10.1093/eurheartj/ehae880.
Jalepalli SK, Gupta P, Dekker ALAJ, Bermejo I, Kar S. Development and validation of multicentre study on novel Artificial Intelligence-based Cardiovascular Risk Score (AICVD). Fam Med Community Health [Internet]. 18 Jan 2024 [Citado em 1 Jun 2026].
Haimovich JS, Kolossváry M, Alam R, Padrós-Valls R, Lu MT, Aguirre AD. Risk stratification of chest pain in the emergency department using artificial intelligence applied to electrocardiograms. Open Heart [Internet]. 1 Set 2025 [Citado em 1 Jun 2026]; 12(2): e003343. Disponível em: https://openheart.bmj.com. doi: 10.1136/openhrt-2025-003343.
Jung JH, Lee K, Chang K, Ahn Y, Her SH, Lee S. Comparison of the Prognostic Performance of Various Machine Learning Models in Patients with Acute Myocardial Infarction: Results from the COREA-AMI Registry. Medicina (Kaunas) [Internet]. 2 Out 2025 [Citado em 1 Jun 2026]; 61(10): 1783. Disponível em: https://www.mdpi.com/1648-9144/61/10/1783.
Perrone A, Khoshgoftaar TM. A review of machine learning applications in heart health. Biomed Eng Online [Internet]. 11 Ago 2025 [Citado em 1 Jun 2026]; 24(1): 99. Disponível em: https://biomedical-engineering-online.biomedcentral.com. doi: 10.1186/s12938-025-01430-4.
Stătescu C, Anghel L, Tudurachi BS, Leonte A, Benchea LC, Sascău RA. From Classic to Modern Prognostic Biomarkers in Patients with Acute Myocardial Infarction. Int J Mol Sci [Internet]. 15 Ago 2022 [Citado em 1 Jun 2026]; 23(16): 9168. Disponível em: https://www.mdpi.com/journal/ijms. doi: 10.3390/ijms23169168.
Roseiro M, Henriques J, Paredes S, Rocha T, Sousa J. An interpretable machine learning approach to estimate the influence of inflammation biomarkers on cardiovascular risk assessment. Comput Methods Programs Biomed. Mar 2023; 230: 107347. doi: 10.1016/j.cmpb.2023.107347.
Sousa S, Paredes S, Rocha T, Henriques J, Sousa J, Gonçalves L. Machine learning models’ assessment: trust and performance. Med Biol Eng Comput [Internet]. Nov 2024 [Citado em 1 Jun 2026]; 62(11): 3397-3410. Disponível em: https://link.springer.com/journal/11517. doi: 10.1007/s11517-024-03145-5.
PAGE, Matthew J. et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ, [s. l.], v. 372, n. 71, p. 1-9, 29 mar. 2021. Disponível em: https:// doi.org/10.1136/bmj.n71. Acesso em: 12 jun. 2026.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2026 Revista Goiana de Medicina
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
