Avaliação multicêntrica de IA interpretável para diagnóstico de doença arterial coronariana a partir de biomarcadores de PET

Por que a IA para exames cardíacos importa

A doença arterial coronariana, o acúmulo de placa que pode bloquear o fluxo sanguíneo ao coração, continua sendo uma das principais causas de infarto e morte no mundo. Exames de imagem modernos, como PET/CT, podem revelar o fluxo sanguíneo, a função cardíaca e depósitos de cálcio nas artérias, mas a grande quantidade de dados pode sobrecarregar até leitores especializados. Este estudo explora como um modelo de inteligência artificial (IA) interpretável pode reunir esses elementos em uma única pontuação fácil de usar que ajuda os médicos a identificar com mais precisão obstruções perigosas — e a mostrar claramente quais achados estão influenciando sua decisão.

Unindo vários sinais cardíacos em uma só imagem

Quando pacientes fazem um PET/CT cardíaco, os médicos podem avaliar quão bem o sangue perfunde o músculo cardíaco em repouso e no estresse, a força de ejeção do coração e quanto cálcio — um indicador de acúmulo de placa a longo prazo — está presente nas artérias coronárias. Tradicionalmente, os clínicos analisam essas medidas separadamente e depois as combinam mentalmente para decidir se há provável estreitamento das artérias. Essa integração mental é difícil e por vezes inconsistente, e não existe um consenso universal sobre como ponderar fluxo sanguíneo, déficits de perfusão e escores de cálcio em conjunto. Os pesquisadores propuseram construir uma ferramenta de IA capaz de combinar dez medidas rotineiras extraídas do exame, além do sexo do paciente, em uma única probabilidade de existência de obstruções coronarianas significativas.

Como o estudo foi conduzido

A equipe utilizou um grande registro internacional de 17.348 pacientes submetidos a PET/CT cardíaco. Deste conjunto, concentraram-se em 1.664 pessoas de quatro centros que não tinham histórico prévio de infarto ou cirurgia de revascularização e que foram submetidas a angiografia coronariana invasiva, o exame com contraste usado como padrão para confirmar artérias bloqueadas. Os dados de um hospital (386 pacientes) serviram para treinar e ajustar o modelo de IA, enquanto os dados dos outros três hospitais (1.278 pacientes) foram reservados para um teste “externo” real. O modelo de IA, baseado em uma técnica de aprendizado de máquina chamada XGBoost, usou dez características derivadas do exame, incluindo fluxo sanguíneo sob estresse, reserva de fluxo, tamanho dos defeitos de perfusão, escores de cálcio medidos automaticamente a partir das imagens de TC, força de ejeção e uma medida de como o tamanho do coração muda sob estresse.

Desempenho da IA

No grupo de teste externo, onde cerca da metade dos pacientes realmente apresentava doença arterial coronariana obstrutiva, o modelo de IA superou de forma clara tanto medidas isoladas quanto médicos experientes. Usando uma métrica comum de acurácia chamada área sob a curva ROC, a IA atingiu 0,83, contra 0,80 para escores clínicos de especialistas, 0,79 para a principal medida de perfusão, 0,75 para reserva de fluxo e 0,69 para cálcio isolado. Quando os pesquisadores ajustaram o ponto de corte para que a IA rotulasse uma parcela de pacientes como “normal” semelhante aos limiares tradicionais, a IA identificou mais pacientes de alto risco com doença multivaso severa. Seu desempenho foi estável em homens e mulheres, em pacientes mais jovens e mais velhos e em pessoas com e sem obesidade, sugerindo que a abordagem é amplamente aplicável.

Tornando a lógica da IA visível

Uma preocupação importante com algoritmos avançados na medicina é que eles podem agir como “caixas-pretas”, oferecendo previsões sem explicações. Para evitar isso, os autores usaram uma técnica chamada análise SHAP para mostrar quais características do exame influenciaram mais fortemente cada previsão individual. No conjunto do estudo, os principais determinantes foram a quantidade de músculo cardíaco com fluxo reduzido, a carga total de cálcio e a reserva de fluxo. Por exemplo, em um paciente destacado com fluxo severamente reduzido e achados angiográficos de alto risco, a IA atribuiu alta probabilidade de doença motivada principalmente pela baixa reserva de fluxo. Em outro paciente com escores de perfusão limítrofes, porém fluxo normal e cálcio zerado, a IA indicou corretamente baixa probabilidade de doença, em contraste com uma leitura clínica mais alarmada. Explicações caso a caso assim podem ajudar os clínicos a confiar e verificar decisões apoiadas por IA.

O que isso significa para os pacientes

Este trabalho apresenta o primeiro sistema de IA multicêntrico, testado externamente, que combina medições padrão de PET/CT cardíaco e pontuação automatizada de cálcio para diagnosticar doença arterial coronariana. O modelo fornece uma estimativa única e interpretável de risco que frequentemente supera a precisão de leitores especialistas enquanto destaca as características do exame por trás de cada julgamento. Embora a ferramenta ainda não esteja aprovada para uso clínico rotineiro e estudos prospectivos adicionais sejam necessários, ela aponta para um futuro no qual os resultados de imagens cardíacas são sintetizados em escores de risco claros e personalizados que ajudam os médicos a decidir com mais confiança quem precisa de testes invasivos ou tratamento agressivo — e quem pode evitá-los com segurança.

Citação: Zhang, W., Kwiecinski, J., Shanbhag, A. et al. Multicenter evaluation of interpretable AI for coronary artery disease diagnosis from PET biomarkers. npj Digit. Med. 9, 154 (2026). https://doi.org/10.1038/s41746-026-02338-6

Palavras-chave: doença arterial coronariana, PET CT cardíaco, inteligência artificial, pontuação de cálcio, fluxo sanguíneo miocárdico