Um modelo de aprendizado de máquina aplicado ao eletrocardiograma pode aumentar a detecção de cirrose hepática avançada na atenção primária?
Resposta curta: Sim. Em um ensaio clínico randomizado por conglomerados, a notificação de resultados positivos de um modelo de aprendizado de máquina baseado em eletrocardiograma aumentou significativamente o diagnóstico de doença hepática crônica avançada (1,0% versus 0,5%; OR 2,09) e de qualquer fibrose (1,7% versus 0,5%) em comparação ao cuidado usual.
Resposta
A doença hepática crônica avançada afeta uma parcela relevante da população, e ferramentas de triagem acessíveis são necessárias na atenção primária. Este estudo avaliou se um modelo de aprendizado de máquina aplicado ao eletrocardiograma (ECG-ML) permite a detecção precoce dessa condição.
Trata-se de um ensaio pragmático, randomizado por conglomerados, que envolveu 98 equipes de atenção primária, alocadas para intervenção (acesso aos resultados do ECG-ML; 123 clínicos) ou cuidado usual (122 clínicos). No braço de intervenção, os clínicos foram notificados quando o resultado do ECG-ML era positivo, indicando maior risco de doença hepática crônica avançada.
Um total de 15.596 adultos realizaram eletrocardiogramas de 12 derivações como parte do cuidado de rotina e atenderam aos critérios de inclusão (8.034 no grupo intervenção e 7.562 no controle). O desfecho primário foi o novo diagnóstico de doença hepática crônica com fibrose avançada em até 180 dias após o ECG, confirmado por avaliações sequenciais.
A intervenção aumentou significativamente os novos diagnósticos de doença hepática crônica avançada na coorte geral (1,0% versus 0,5%; OR 2,09; IC 95% 1,22-3,55; P = 0,007). Entre os pacientes com ECG-ML positivo, a doença avançada foi mais frequente no braço de intervenção (4,4% versus 1,1%; OR 4,37; IC 95% 1,94-9,88; P < 0,001).
O estudo também mostrou aumento na detecção de qualquer fibrose (desfecho secundário) na coorte geral (1,7% versus 0,5%; OR 3,17; IC 95% 1,86-5,40; P < 0,001) e entre os pacientes com ECG-ML positivo (8,4% versus 1,1%; OR 8,03; IC 95% 3,50-18,4; P < 0,001). Os resultados sugerem que o modelo pode auxiliar na busca ativa de casos na atenção primária.
O que o estudo mostrou
Ensaio clínico pragmático, randomizado por conglomerados, com 98 equipes de atenção primária (123 clínicos na intervenção e 122 no cuidado usual) e 15.596 adultos submetidos a ECG de 12 derivações (8.034 na intervenção e 7.562 no controle). A notificação de resultados positivos do ECG-ML aumentou o diagnóstico de doença hepática crônica avançada em 180 dias (1,0% versus 0,5%; OR 2,09; IC 95% 1,22-3,55; P = 0,007) e de qualquer fibrose (1,7% versus 0,5%; OR 3,17; IC 95% 1,86-5,40; P < 0,001). Entre os positivos no ECG-ML, os achados foram ainda mais expressivos.
Limitações
O resumo não informa limitações detalhadas do estudo. O rendimento diagnóstico abaixo das estimativas epidemiológicas provavelmente reflete adesão variável dos clínicos às recomendações baseadas em inteligência artificial. O resumo também não fornece dados sobre características da amostra, eventos adversos ou análise por subgrupos.
Aplicação no consultório
A incorporação do ECG-ML na rotina da atenção primária pode aumentar a detecção de doença hepática crônica avançada, desde que os clínicos estejam atentos aos alertas e sigam as recomendações de investigação. Para a gestão do consultório, isso implica treinar a equipe para interpretar e agir sobre os resultados positivos, além de organizar fluxos para confirmação diagnóstica e acompanhamento. A adesão variável observada sugere a necessidade de estratégias para engajar os profissionais.
Estudo citado
Detection of undiagnosed liver cirrhosis via AI-enabled electrocardiogram: a pragmatic, cluster-randomized clinical trial. Nature medicine, 2026.
Autores: Simonetto DA, Rushlow D, Liu K, Calleri A, Kassmeyer BA, Lennon RJ, Rattan P, Bernard ME, Singh G, Deyo-Svendsen ME, King G, Stacey SK, Olofson A, Allen A, Ahn JC, Friedman PA, Kamath PS, Attia ZI, Noseworthy PA, Shah VH.
DOI: 10.1038/s41591-025-04058-y · PubMed: PMID 41408416
Perguntas para aprofundar
- Qual é a acurácia diagnóstica do modelo de ECG-ML para doença hepática crônica avançada?
- Como implementar o ECG-ML na rotina da atenção primária sem sobrecarregar a equipe?
- Quais são os custos e a custo-efetividade da triagem com ECG-ML para doença hepática crônica?
Mais sobre IA na atenção primária
- O uso de inteligência artificial na interpretação de eletrocardiogramas aumenta o diagnóstico precoce de fração de ejeção reduzida na atenção primária?
- O uso de lâmpada de fenda portátil assistida por IA por médicos de vilarejos melhora a detecção, o encaminhamento e a cirurgia de catarata em áreas rurais?
- A gestão proativa de pacientes de risco identificados por inteligência artificial reduz internações hospitalares evitáveis?
- Uma aplicação de inteligência artificial conversacional por voz pode ajudar pacientes com diabetes tipo 2 a ajustar a insulina basal em casa?
- Cartas de alta geradas por GPT-4 melhoram a compreensão de pacientes sobre informações de segurança em comparação com cartas de alta convencionais?
Todas as perguntas sobre IA na atenção primária · Todos os temas · Versão em markdown