Concordância clínica de um chatbot clínico na interpretação de cineangiocoronariografia: análise comparativa com cardiologistas intervencionistas
DOI:
https://doi.org/10.59681/2175-4411.v18.2026.1577Palavras-chave:
Cardiologia, Saúde Cardiovascular, Tecnologia BiomédicaResumo
Introdução: Sistemas baseados em processamento de linguagem natural (PLN) têm sido propostos como suporte ao raciocínio clínico; contudo, seu uso em decisões terapêuticas complexas requer validação por especialistas. Objetivo: Avaliar a concordância clínica percebida por cardiologistas intervencionistas em relação às condutas sugeridas por um chatbot de IA a partir de achados de cineangiocoronariografia (cateterismo cardíaco, CATE). Método: Estudo comparativo, de abordagem mista, realizado no setor de hemodinâmica no estado da Paraíba. Quinze cardiologistas intervencionistas avaliaram três casos clínicos construídos a partir de exames de CATE de pacientes com síndrome coronariana aguda (SCA), atribuindo grau de concordância em escala Likert e justificando suas avaliações em respostas abertas analisadas por Discurso do Sujeito Coletivo (DSC). Resultados: Observou-se predomínio de concordância nas questões Q1 (92%) e Q3 (77%), indicando maior aceitabilidade das condutas em cenários mais lineares e alinhados a protocolos. Na Q2, 54% dos participantes discordaram da conduta, evidenciando maior divergência em decisões de revascularização mais complexas. Conclusão: As recomendações do chatbot apresentaram maior concordância percebida em cenários protocolizados, enquanto decisões que exigem maior individualização clínica concentraram discordâncias, reforçando a necessidade de uso supervisionado e orientado por julgamento especializado.
Downloads
Referências
Brasil. Ministério da Saúde. Cerca de 400 mil pessoas morreram em 2022 no Brasil por problemas cardiovasculares. Brasília: Ministério da Saúde; 2023. [citado 2026 out 14]. Disponível em: https://bvsms.saude.gov.br/cerca-de-400-mil-pessoas-morreram-em-2022-no-brasil-por-problemas-cardiovasculares/
Gomes CS, Gonçalves RPF, Silva AG, Sá ACMGN, Alves FTA, Ribeiro ALP, et al. Factors associated with cardiovascular disease in the Brazilian adult population: National Health Survey, 2019. Rev Bras Epidemiol. 2021;24(Suppl 2):e210013. doi: https://doi.org/10.1590/1980-549720210013.supl.2
World Health Organization. Cardiovascular diseases (CVDs) [Internet]. Geneva: WHO; 2025. [citado 2026 out 14]. Disponível em: https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds)
Agência Brasil. Doenças cardiovasculares matam 400 mil brasileiros por ano. Brasília: Agência Brasil; 2024. [citado 2026 out 14]. Disponível em: https://agenciabrasil.ebc.com.br/saude/noticia/2024-09/doencas-cardiovasculares-matam-400-mil-brasileiros-por-ano
Cerci RJ, Vitola JV, Paez D, Zuluaga A, Bittencourt MS, Sierra-Galan LM, et al. The Impact of COVID-19 on Diagnosis of Heart Disease in Latin America an INCAPS COVID Sub-analysis. Arq Bras Cardiol. 2022;118(4):745-53. doi: https://doi.org/10.36660/abc.20210388
Martins VBL, Thom LRF, Gonçalves JMS, Destefani AC. Avanços da inteligência artificial na cardiologia: uma revisão abrangente. Rev Ibero-Am Humanid Cienc Educ. 2024;10(4):2442-56. doi: https://doi.org/10.51891/rease.v10i4.13643
Ferreira Santos J, Ladeiras-Lopes R, Leite F, Dores H. Applications of large language models in cardiovascular disease: a systematic review. Eur Heart J Digit Health. 2025;6(4):540-53. doi: https://doi.org/10.1093/ehjdh/ztaf028
Genaro LE, Marconato JV, Pinotti FE, Valsecki Júnior A, Adas Saliba T, Lopez Rosell F. Discurso do sujeito coletivo: bases conceituais, enfoques e aplicações em pesquisas qualitativas. Rev Pesqui Qual. 2024;12(32):553-69. doi: https://doi.org/10.33361/rpq.2024.v.12.n.32.739
Harskamp RE, De Clercq L. Performance of ChatGPT as an AI-assisted decision support tool in medicine: a proof-of-concept study for interpreting symptoms and management of common cardiac conditions (AMSTELHEART-2). Acta Cardiol. 2024;79(3):358-66. doi: https://doi.org/10.1080/00015385.2024.2303528
Melo GBP, Araujo IBB, Guedes GP, Alves RN, Requeijo MJR. Um comparativo entre a inteligência artificial e os médicos radiologistas no campo da interpretação de exames de imagens. Res Soc Dev. 2024;13(11):e125131147411. doi: https://doi.org/10.33448/rsd-v13i11.47411
Roski J, Chapman W, Heffner J, Trivedi R, Del Fiol G, Kukafka R, et al. How artificial intelligence is changing health and health care. In: Whicher D, Ahmed M, Israni ST, et al., editors. Artificial Intelligence in Health Care: The Hope, the Hype, the Promise, the Peril [Internet]. Washington (DC): National Academies Press (US); 2023. [citado 2026 out 14]. Disponível em: https://www.ncbi.nlm.nih.gov/books/NBK605950/
Yavuz YE, Kahraman F. Evaluation of the prediagnosis and management of ChatGPT-4.0 in clinical cases in cardiology. Future Cardiol. 2024;20(4):197-207. doi: https://doi.org/10.1080/14796678.2024.2348898
Baladrón C, Sevilla T, Carrasco-Moraleja M, Gómez-Salvador I, Peral-Oliveira J, San Román JA. Assessing the accuracy of ChatGPT as a decision support tool in cardiology. Rev Esp Cardiol (Engl Ed). 2024;77(5):433-5. doi: https://doi.org/10.1016/j.rec.2023.11.011
Fernández-Cisnal A, Lopez-Ayala P, Miñana G, Boeddinghaus J, Mueller C, Sanchis J. Performance of an artificial intelligence chatbot with web search capability in cardiology-related assistance: a simulation study. Rev Esp Cardiol (Engl Ed). 2023;76(12):1065-7. doi: https://doi.org/10.1016/j.rec.2023.06.008
Monroe CL, Abdelhafez YG, Atsina K, Aman E, Nardo L, Madani MH. Evaluation of responses to cardiac imaging questions by the artificial intelligence large language model ChatGPT. Clin Imaging. 2024;112:110193. doi: https://doi.org/10.1016/j.clinimag.2024.110193
Mola S, Yıldırım A, Gül EB. Artificial Intelligence in Cardiac Treatment Decision-Making: An Evaluation of the Performance of ChatGPT Versus the Heart Team in Coronary Revascularization. Rev Cardiovasc Med. 2025;26(8):38705. doi: https://doi.org/10.31083/RCM38705
Sudri K, Motro-Feingold I, Ramon-Gonen R, Barda N, Klang E, Fefer P, et al. Enhancing Coronary Revascularization Decisions: The Promising Role of Large Language Models as a Decision-Support Tool for Multidisciplinary Heart Team. Circ Cardiovasc Interv. 2024;17(11):e014201. doi: https://doi.org/10.1161/CIRCINTERVENTIONS.124.014201
Jiang S, Ma L, Pan K, Zhang H. Knowledge, attitudes, and practices of cardiovascular health care personnel regarding coronary CTA and AI-assisted diagnosis: a cross-sectional study. J Glob Health. 2025;15:04103. doi: https://doi.org/10.7189/jogh.15.04103
Ozkan E, Tekin A, Ozkan MC, Cabrera D, Niven A, Dong Y. Global Health care Professionals' Perceptions of Large Language Model Use In Practice: Cross-Sectional Survey Study. JMIR Med Educ. 2025;11:e58801. doi: https://doi.org/10.2196/58801
AlGoraini Y, Alsayyali M, Alotaibi O, Almeshawi I, Alaifan F, Alrashed R. Perceptions of large language models in medical education and clinical practice among pediatric emergency physicians in Saudi Arabia: a multiregional cross-sectional study. Front Public Health. 2025;13:1634638. doi: https://doi.org/10.3389/fpubh.2025.1634638
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Josivan Soares Alves Júnior, Thayse Mota Alves, Debora Regina Alves Raposo, Alex Junior Vieira Sousa, Josué Luis Pereira Negreiros, Larissa Gomes Freire, Evely Laís Valença Melo, Cosme Michael Santos Farias

Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.