INTRODUÇÃO
A detecção precoce de doenças cardiovasculares desempenha um papel fundamental no suporte clínico e na melhoria dos desfechos para os pacientes. O eletrocardiograma (ECG) é uma ferramenta crucial neste contexto, pois oferece uma visão instantânea e não invasiva da atividade elétrica do coração. A interpretação rápida e precisa dos sinais do ECG é essencial para identificar anormalidades cardíacas, possibilitando intervenções precoces e personalizadas. Este estudo visa a validar um modelo de inteligência artificial (IA) projetado para realizar a classificação de anormalidades eletrofisiológicas através da detecção de sinais cardíacos no ECG.
MÉTODOS
A partir de dados de saúde de diferentes estados brasileiros dos últimos 3 meses de 2023, foram coletados ECGs, que foram submetidos a um rigoroso pré-processamento, incluindo padronização do sinal e aplicação de técnicas de aumento de dados. Com os sinais processados, as diferentes métricas analisadas nos ECGs tiveram seus valores confrontados com os estabelecidos como normais e anormais conforme as III Diretrizes da Sociedade Brasileira de Cardiologia sobre a análise e emissão de laudos eletrocardiográficos.
RESULTADOS
Em relação à amostra, a idade média foi de 52,1 anos. Aqueles com anormalidades tinham média de 53,1 anos, enquanto os sem anormalidades tinham, em média, 46 anos. Quanto ao gênero, 45% eram homens (20.816), e 55% eram mulheres (25.628). As anormalidades que a rede neural mais apresentou falha de classificação foram: atraso final de condução (213, sendo 21,8% dos falsos negativos), eletrocardiograma normal (120, 12,3% dos falsos positivos), distúrbio da condução do ramo direito (118, 12,1% dos falsos positivos) e alteração difusa da repolarização ventricular (117, sendo 12,0% dos falsos positivos). Com os resultados mais atuais, de um trabalho de 2 anos apoiando cardiologistas, a performance da IA exibiu uma área sob a curva ROC de 0.75 com a abrangência de 46.444 ECGs com uma ampla gama de diagnósticos cardiovasculares. Destaca-se ainda a elevada sensibilidade de 0.96, consolidando sua relevância como uma ferramenta significativa para a triagem de casos normais.
CONCLUSÕES
O modelo de IA apresentou métricas satisfatórias para identificação de ECGs com padrão normal, demonstrando o potencial de aplicação desta tecnologia para a otimização do fluxo de exames de pacientes em investigação de anormalidades cardiológicas.
