Tabela 2. Artigos com o uso das técnicas machine learning na cardiologia.

Artigo	Principais resultados
Can machine-learning improve cardiovascular risk prediction using routine clinical data?38	O algoritmo foi capaz de predizer 4998 de 7404 casos positivos (sensibilidade 67,5%, VPP 18,4%) e 53458 de 75585 casos negativos (especificidade 70,7% e VPN 95,7%), com ganho de 355 pacientes (+7,6%) que desenvolveram doenças cardiovasculares em relação ao método tradicional.
Deep neural networks can predict mortality from 12-lead electrocardiogram voltage data43	Por meio da análise isolada do ECG por algoritmo de ML, foi possível predizer mortalidade por todas as causas em um ano com AUC = 0,84 e p < 0,05.
Phenomapping for the Identification of Hypertensive Patients with the Myocardial Substrate for Heart Failure with Preserved Ejection Fraction56	Um grupo de 1273 pacientes hipertensos foi avaliado por meio de técnicas de ML, utilizando dados clínicos, laboratoriais e ecocardiográficos. Foi possível identificar um grupo de pacientes com maior risco de desenvolver insuficiência cardíaca de fração preservada que, provavelmente, devem ser beneficiar de tratamento clínico mais intensivo.
Cognitive Machine-Learning Algorithm for Cardiac Imaging: A Pilot Study for Differentiating Constrictive Pericarditis From Restrictive Cardiomyopathy57	Utilizaram técnicas de ML para diferenciar pericardite constritiva de cardiomiopatia restritiva com uma curva ROC de 96,2% e acurácia superior a 90%.
Structured learning algorithm for detection of nonobstructive and obstructive coronary plaque lesions from computed tomography angiography58	O algoritmo de ML foi capaz de detectar lesões coronarianas superiores ou iguais a 25% com uma sensibilidade 93%, especificidade 95% e acurácia de 94% em 42 angiografias coronárias.
A deep neural network learning algorithm outperforms a conventional algorithm for emergency department electrocardiogram interpretation54	A análise automática pelo método de ML para a leitura de ECG em um departamento de emergência obteve sensibilidade (88,7% versus 92,0%, p < 0,086), especificidade (94% versus 84,7%, p < 0,0001), VPP (88,2% versus 75,4%, p < 0,0001) e acurácia (92,2% versus 87,2%, p < 0,0001) em relação ao método automático convencional.
Automatic Diagnosis of the Short-Duration 12-Lead ECG using a Deep Neural Network: the CODE Study53	Uma rede neural treinada foi capaz de detectar 6 classes de anormalidades eletrocardiográficas com especificidade superior a 99% e performance superior a 80%, comparada com residentes de cardiologia do último ano.
An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction55	Um software de ML foi capaz de detectar pacientes portadores de fibrilação atrial, a partir de ECG em ritmo sinusal com uma sensibilidade de 79%, especificidade 79,5% e acurácia de 79,4%.

ECG: eletrocardiograma; ML: machine learning; VPN: valor preditivo negativo; VPP: valor preditivo positivo.