O Renascimento Tecnológico em Cardiologia Preventiva – Inteligência Artificial, Tomografia Coronariana Quantitativa
Introdução
A medicina cardiovascular está passando por uma mudança substancial de paradigma, movendo-se de um modelo predominantemente reativo e orientado por sintomas em direção a uma estrutura preventiva baseada na detecção precoce e na avaliação de risco individualizada. No centro dessa transição está a integração da inteligência artificial (IA) com a coronariana tomografia computadorizada angiografia (CCTA), particularmente por meio do desenvolvimento de aterosclerose tomografia computadorizada quantitativa baseada em imagens (AI-QCT). Essa abordagem aborda uma limitação de longa data na cardiologia: a incapacidade das ferramentas diagnósticas tradicionais de detectar de forma confiável coronarianas não obstrutivas e ricas em lipídios placa, apesar disso lesões sendo responsável pela maior parte de síndromes coronarianas agudas e morte súbita cardíaca eventos (1).
A relevância clínica desta limitação é substancial. Estudos epidemiológicos e patológicos demonstram consistentemente que a maioria infartos do miocárdio surgem de placas que não limitavam o fluxo antes da ruptura (2). Como doença cardiovascular continua sendo a principal causa de mortalidade em todo o mundo, com mortes anuais projetadas para ultrapassar 20 milhões até 2030, métodos aprimorados para identificar a aterosclerose coronariana de alto risco antes que ocorram eventos clínicos tornam-se cada vez mais necessários (3).
Evolução da Estratificação de Risco Cardíaco e a Biologia da Aterosclerose
A estratificação de risco cardiovascular tradicional depende de marcadores indiretos, como os níveis de lipídios séricos, pressão arterial, controle glicêmico, tabagismo status e variáveis demográficas incorporadas em base populacional calculadoras de risco. Embora esses modelos tenham se mostrado úteis em nível populacional, muitas vezes falta precisão quando aplicados a pacientes individuais, particularmente aqueles com resultados aparentemente “normais” fator de risco perfis que, no entanto, abrigam doença subclínica significativa (4).
A aterosclerose é uma doença inflamatória crônica da parede arterial, e não um distúrbio definido apenas pela obstrução luminal. A placa se desenvolve no(a) íntima e consiste em proporções variadas de lipídios, tecido fibroso, células inflamatórias e cálcio. Os testes diagnósticos convencionais — incluindo o teste ergométrico, o eletrocardiograma e a angiografia coronariana invasiva — detectam primariamente a doença uma vez que ela produz estenose hemodinamicamente significativa, normalmente definida como um estreitamento luminal de 70% ou mais (5).
Insight 1: Estudos de autópsia e angiográficos demonstram que aproximadamente 70–75% dos infartos do miocárdio ocorrem em vasos com menos de 50% estenose antes do evento índice, indicando que a maioria dos pacientes que sofrem síndromes coronarianas agudas não teria sido identificada como de alto risco apenas pelo teste de esforço padrão (2).
Insight 2: Coronário artéria o escore de cálcio (CACS) foi desenvolvido para melhorar a detecção de doença subclínica ao identificar placa calcificada. No entanto, o CACS não detecta placa não calcificada, e um escore de cálcio de zero não exclui a presença de lesões ricas em lipídios e propensas a rupturas (6).
Insight 3: A IA-QCT permite a quantificação não invasiva da coronária total carga de placa, incluindo placa não calcificada de baixa densidade, o qual demonstrou ter uma associação maior com futuros eventos cardiovasculares do que a gravidade da estenose isoladamente (7).
| Característica da placa | Visibilidade (CACS) | Visibilidade (CCTA Padrão) | Visibilidade (AI-QCT) | Perfil de Risco Clínico |
| Placa calcificada | Alto | Alto | Alto | Geralmente estável; marcador de doença crônica |
| Placa não calcificada | Nenhum | Qualitativo / limitado | Quantitativo / alto | Risco elevado de ruptura |
| Placa de baixa densidade | Nenhum | Variável | Alto | Forte associação com a SCA |
| Total volume da placa | Nenhum | Estimativa indireta | Preciso (mm³) | Forte preditor de eventos futuros |
Arquitetura Técnica de Análise Coronariana Habilitada por IA
Plataformas de QCT baseada em IA realizam análises a nível de voxel da árvore coronária, em vez de dependerem apenas da interpretação visual. Esses sistemas empregam arquiteturas de aprendizado profundo — incluindo redes neurais convolucionais (CNNs), modelos de segmentação U-Net tridimensionais e classificadores derivados de VGG —, treinadas em grandes conjuntos de dados curados que vinculam características de imagem à validação invasiva e a desfechos clínicos de longo prazo (8).
Insight 4: AI-QCT começa com a aquisição de CCTA de alta resolução. Os sistemas contemporâneos de tomografia computadorizada multidetectores, incluindo scanners de 64 e 640 cortes, fornecem a resolução temporal e resolução espacial necessário para minimizar o artefato de movimento e permitir a segmentação precisa da anatomia coronariana (5).
Insight 5: Algoritmos automatizados identificam a coronária lúmen e a parede do vaso e classificar os componentes da placa de acordo com os valores de atenuação em unidades Hounsfield, permitindo a diferenciação entre tecido rico em lipídios, fibroso e calcificado (9).
Insight 6: Derivado por IA isquemia os índices integram a morfologia da placa, o comprimento da lesão, o remodelamento vascular e a geometria luminal para estimar a limitação do fluxo, fornecendo um correlato não invasivo de [termo invasivo pendiente de contexto] reserva de fluxo fracionado (FFR) (10).
Validação Clínica e Evidências Revisadas por Pares
AI-QCT foi avaliado em múltiplos ensaios prospectivos, registros e estudos comparativos publicados em importantes periódicos de cardiologia e imagem, incluindo Journal of the American College of Cardiology, Circulation: Cardiovascular Imaging, e European Heart Journal – Cardiovascular Imaging (11).
Estudos Clínicos e Registros Importantes
Insight 7: O Estudo CREDENCE demonstraram forte concordância entre a análise de angiotomografia coronariana assistida por IA e a invasiva angiografia coronariana quantitativa e FFR, corroborando a precisão diagnóstica da angio-TC quantitativa baseada em inteligência artificial (AI-QCT) para a identificação de doença hemodinamicamente significativa (12).
Insight 8: O Registro CONFIRM2, abrangendo dezenas de milhares de pacientes em vários países, mostrou que as características de placa quantificadas por IA identificam um amplo gradiente de risco cardiovascular entre pacientes com [doença coronariana] não obstrutiva doença arterial coronariana (7).
Insight 9: O ESTUDO DETERMINADO demonstrou que a QTC-IA melhorou significativamente a certeza diagnóstica em comparação com a interpretação padrão, resultando em terapia médica mais adequada e fewer testes adicionais desnecessários (1).
| Estudo | N | Principais Conclusões | Valor-p | Implicação Clínica |
| CONFIRMAR2 | 6,550 | A AUC para MACE melhorou de 0,62 para 0,75 | <0,001 | Precisão prognóstica aprimorada |
| CREDENCE | 513 | Alta concordância com a FFR invasiva | <0,01 | Avaliação de isquemia não invasiva viável |
| PACIFIC-1 | 208 | IA superou leitores especialistas | <0,05 | Variabilidade reduzida entre observadores |
| PROMESSA (subconjunto) | 4,347 | Stenoses 41% reclassificadas | — | Falsos positivos reduzidos |
Implementação da Cardiologia Preventiva e Monitoramento Longitudinal de Doenças
A integração da IA-QCT nos fluxos de trabalho de cardiologia preventiva desloca o foco clínico da avaliação episódica para o monitoramento longitudinal da doença aterosclerótica.
Insight 10: A quantificação da carga total de placa permite a avaliação objetiva da progressão ou regressão da doença ao longo do tempo, facilitando uma abordagem de tratamento guiado por metas (treat-to-target) orientada por exames de imagem seriados (7).
Insight 11: Ferramentas de comparação baseadas em IA permitem a avaliação de alterações na composição da placa, incluindo a estabilização ou regressão da placa rica em lipídios em resposta à terapia médica (13).
Avanços de Hardware: Tomografia Computadorizada por Contagem de Fótons
O desempenho da IA-QCT depende da qualidade dos dados de imagem de entrada, que continua a melhorar com os avanços no hardware de TC.
Insight 12: Tomografia computadorizada por contagem de fótons sistemas convertem diretamente fótons de raios X em sinais elétricos, reduzindo o ruído eletrônico e artefatos de florescimento de cálcio comparado aos detectores convencionais de integração de energia (14).
Insight 13: O PCCT oferece maior resolução espacial com menor dose de radiação e contraste, ampliando a elegibilidade para imagem por TC coronariana para pacientes com alto frequências cardíacas, elevado índice de massa corporal, ou doença coronariana extensiva calcificação (15).
Implicações Econômicas e para o Sistema de Saúde
A adoção de exames de imagem cardíaca habilitados por inteligência artificial está alinhada com tendências mais amplas da saúde em direção à medicina baseada em valor e à prevenção.
Insight 14: Análises de mercado projetam um crescimento rápido das aplicações de IA na cardiologia, impulsionadas pela melhoria da eficiência diagnóstica e potenciais reduções nos custos subsequentes associados a eventos coronarianos agudos (16).
Insight 15: Identificação precoce de alto risco fenótipos de placas pode reduzir as taxas de infarto do miocárdio e os gastos associados com saúde ao permitir uma intervenção mais precoce e direcionada (17).
Conclusões e Direções Futuras
A cardiologia preventiva está migrando cada vez mais para um modelo biologicamente informado que enfatiza a carga e a composição da placa, e não apenas a gravidade da estenose. A angio-TC coronariana quantitativa baseada em inteligência artificial (AI-QCT) fornece uma estrutura reprodutível e quantitativa para avaliar a aterosclerose coronariana antes que eventos clínicos ocorram.
Insight 16: Os desenvolvimentos futuros provavelmente incluirão a integração de sistemas de IA agentivos, modelos digitais de coração longitudinais e fluxos de dados multimodais incorporando informações genômicas e metabólicas (18).
Insight 17: À medida que a IA assume um papel maior na interpretação e quantificação de imagens, os clínicos podem se concentrar cada vez mais na tomada de decisões clínicas de nível superior, na comunicação de riscos e na otimização de terapias individualizadas (19).
Referências
- Nurmohamed NS, Cole JH, Budoff MJ, et al. Impact of atherosclerosis imaging-quantitative computed tomography on diagnostic certainty, downstream testing, coronary revascularization, and medical therapy: the CERTAIN study. Eur Heart J Cardiovasc Imaging. 2024;25(6):857-866. doi:10.1093/ehjci/jeae029
- Falk E, Shah PK, Fuster V. Coronary plaque disruption. Circulation. 1995;92(3):657-671. doi:10.1161/01.cir.92.3.657
- Global Burden of Cardiovascular Diseases and Risks 2023 Collaborators. Global, Regional, and National Burden of Cardiovascular Diseases and Risk Factors in 204 Countries and Territories, 1990-2023. J Am Coll Cardiol. 2025;86(22):2167-2243. doi:10.1016/j.jacc.2025.08.015
- Lloyd-Jones DM. Cardiovascular risk prediction: basic concepts, current status, and future directions. Circulation. 2010;121(15):1768-1777. doi:10.1161/CIRCULATIONAHA.109.849166
- Douglas PS, Hoffmann U, Patel MR, et al. Outcomes of anatomical versus functional testing for coronary artery disease. N Engl J Med. 2015;372(14):1291-1300. doi:10.1056/NEJMoa1415516
- Greenland P, Blaha MJ, Budoff MJ, Erbel R, Watson KE. Coronary Calcium Score and Cardiovascular Risk. J Am Coll Cardiol. 2018;72(4):434-447. doi:10.1016/j.jacc.2018.05.027
- Feuchtner GM, Lacaita PG, Bax JJ, et al. AI-Quantitative CT Coronary Plaque Features Associate With a Higher Relative Risk in Women: CONFIRM2 Registry. Circ Cardiovasc Imaging. 2025;18(6):e018235. doi:10.1161/CIRCIMAGING.125.018235
- Oikonomou EK, Khera R. Machine learning in precision diabetes care and cardiovascular risk prediction. Cardiovasc Diabetol. 2023;22(1):259. Published 2023 Sep 25. doi:10.1186/s12933-023-01985-3
- Koo BK, Yang S, Jung JW, et al. Artificial Intelligence-Enabled Quantitative Coronary Plaque and Hemodynamic Analysis for Predicting Acute Coronary Syndrome. JACC Cardiovasc Imaging. 2024;17(9):1062-1076. doi:10.1016/j.jcmg.2024.03.015
- Nørgaard BL, Leipsic J, Gaur S, et al. Diagnostic performance of noninvasive fractional flow reserve derived from coronary computed tomography angiography in suspected coronary artery disease: the NXT trial (Analysis of Coronary Blood Flow Using CT Angiography: Next Steps). J Am Coll Cardiol. 2014;63(12):1145-1155. doi:10.1016/j.jacc.2013.11.043
- Beerkens FJ, Tang GHL, Kini AS, et al. Transcatheter Aortic Valve Replacement Beyond Severe Aortic Stenosis: JACC State-of-the-Art Review. J Am Coll Cardiol. 2025;85(9):944-964. doi:10.1016/j.jacc.2024.11.051
- Griffin WF, Choi AD, Riess JS, et al. AI Evaluation of Stenosis on Coronary CTA, Comparison With Quantitative Coronary Angiography and Fractional Flow Reserve: A CREDENCE Trial Substudy. JACC Cardiovasc Imaging. 2023;16(2):193-205. doi:10.1016/j.jcmg.2021.10.020
- Zaman S, Wasfy JH, Kapil V, et al. The Lancet Commission on rethinking coronary artery disease: moving from ischaemia to atheroma. Lancet. 2025;405(10486):1264-1312. doi:10.1016/S0140-6736(25)00055-8
- Willemink MJ, Persson M, Pourmorteza A, Pelc NJ, Fleischmann D. Photon-counting CT: Technical Principles and Clinical Prospects. Radiology. 2018;289(2):293-312. doi:10.1148/radiol.2018172656
- Schiebler ML, Jinzaki M, Yanagawa M, et al. Future Applications of Cardiothoracic CT. Radiology. 2025;315(3):e240085. doi:10.1148/radiol.240085
- Windecker S, Gilard M, Achenbach S, et al. Device innovation in cardiovascular medicine: a report from the European Society of Cardiology Cardiovascular Round Table. Eur Heart J. 2024;45(13):1104-1115. doi:10.1093/eurheartj/ehae069
- Undas A, Musiał J, Ząbczyk M. Antiphospholipid antibodies and atherosclerotic vascular disease: recent advances. Rheumatol Int. 2025;45(12):279. Published 2025 Nov 29. doi:10.1007/s00296-025-06050-8
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. doi:10.1038/s41591-018-0300-7
- Shetty NS, Gaonkar M, Pampana A, et al. Association of Pathogenic/Likely Pathogenic Inherited Cardiomyopathy Variants With Heart Failure: A TOPMed Multiancestry Analysis. Mayo Clin Proc. 2025;100(11):1948-1955. doi:10.1016/j.mayocp.2025.01.021



