Concordância clínica de um chatbot clínico na interpretação de cineangiocoronariografia: análise comparativa com cardiologistas intervencionistas

Autores

DOI:

https://doi.org/10.59681/2175-4411.v18.2026.1577

Palavras-chave:

Cardiologia, Saúde Cardiovascular, Tecnologia Biomédica

Resumo

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

Não há dados estatísticos.

Biografia do Autor

Josivan Soares Alves Júnior, UNIFACISA - Centro Universitário

Doutorando em Enfermagem

Thayse Mota Alves, Universidade de Pernambuco – UPE

Mestre em Enfermagem

Debora Regina Alves Raposo, Universidade Estadual da Paraíba - UEPB

Mestranda em Saúde Pública

Alex Junior Vieira Sousa, UNIFACISA - Centro Universitário

Bacharel em Enfermagem

Josué Luis Pereira Negreiros, UNIFACISA - Centro Universitário

Bacharel em Enfermagem

Larissa Gomes Freire, UNIFACISA - Centro Universitário

Bacharel em Enfermagem

Evely Laís Valença Melo, UNIFACISA - Centro Universitário

Bacharelanda em Enfermagem

Cosme Michael Santos Farias, Universidade Federal de Campina Grande - UFCG

Doutorando em Nutrição

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

Downloads

Publicado

24/04/2026

Como Citar

Soares Alves Júnior, J., Mota Alves, T., Alves Raposo, D. R., Vieira Sousa, A. J., Pereira Negreiros, J. L., Gomes Freire, L., … Santos Farias, C. M. (2026). Concordância clínica de um chatbot clínico na interpretação de cineangiocoronariografia: análise comparativa com cardiologistas intervencionistas. Journal of Health Informatics, 18(1), 1577. https://doi.org/10.59681/2175-4411.v18.2026.1577

Edição

Seção

Artigo Original

Artigos Semelhantes

<< < 4 5 6 7 8 9 10 11 12 13 > >> 

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.