A inteligência artificial consegue identificar fibrilação atrial a partir de um ECG de ritmo sinusal basal?
Resposta curta: Sim, mas com desempenho moderado. Em revisão sistemática de 14 estudos e 33 modelos, a mediana de acurácia foi 58,0% e a AUC 0,740. Modelos de aprendizado profundo e com janela de confirmação de 31 dias apresentaram melhor sensibilidade e AUC. Ainda há limitações metodológicas e necessidade de mais pesquisas.
Resposta
A fibrilação atrial (FA) é uma arritmia prevalente e associada a desfechos adversos, frequentemente paroxística. A detecção precoce é um desafio, e a inteligência artificial (IA) surge como ferramenta promissora para identificar pacientes com FA a partir de um ECG de ritmo sinusal basal (SR-ECG).
Esta revisão sistemática avaliou a efetividade de modelos de IA na detecção de FA usando SR-ECG e fatores que influenciam o desempenho. Foram incluídos 14 estudos e 33 modelos, com dados de 1459653 pacientes. As métricas medianas de desempenho foram: acurácia 58,0%, sensibilidade 62,0%, especificidade 57,8%, precisão 52,0% e AUC 0,740.
Modelos de aprendizado profundo (DL) superaram os de aprendizado de máquina tradicional em sensibilidade (72,6% vs 54,5%) e AUC (0,830 vs 0,610). Além disso, modelos com janela de confirmação de 31 dias mostraram maior acurácia (83,2% vs 56,0%) e AUC (0,851 vs 0,630) em comparação aos de 1 ano.
Apesar do potencial, 11 estudos (78,6%) citaram possível misclassificação de casos negativos como limitação, e nove (64,3%) foram considerados de alto risco de viés em pelo menos um domínio. Assim, os resultados devem ser interpretados com cautela, e mais pesquisas são necessárias para explorar benefícios clínicos e custo-efetividade.
O que o estudo mostrou
Revisão sistemática com 14 estudos e 33 modelos de IA para detecção de FA em ECG de ritmo sinusal basal. Dados de 13 estudos totalizaram 1459653 pacientes. As medianas de desempenho foram: acurácia 58,0%, sensibilidade 62,0%, especificidade 57,8%, precisão 52,0% e AUC 0,740. Modelos de aprendizado profundo tiveram melhor sensibilidade (72,6% vs 54,5%) e AUC (0,830 vs 0,610). Modelos com janela de confirmação de 31 dias apresentaram maior acurácia (83,2% vs 56,0%) e AUC (0,851 vs 0,630).
Limitações
O resumo não informa detalhes sobre a população dos estudos ou critérios de inclusão. Onze estudos relataram possível misclassificação de casos negativos, e nove foram classificados como alto risco de viés em pelo menos um domínio. Além disso, os resultados são medianas de estudos heterogêneos, e o resumo não fornece dados sobre custo-efetividade ou benefícios clínicos.
Aplicação no consultório
Os achados indicam que a IA em ECG de ritmo sinusal basal pode auxiliar na triagem de FA, especialmente com modelos de aprendizado profundo e janela de confirmação de 31 dias. No entanto, o desempenho moderado e as limitações metodológicas sugerem que essa ferramenta ainda não substitui a avaliação clínica e exames confirmatórios. Para a gestão do consultório, é prudente aguardar validação em cenários reais antes de incorporar essa tecnologia na rotina, considerando custos e fluxos de encaminhamento.
Estudo citado
Artificial intelligence capabilities in identifying atrial fibrillation using baseline sinus rhythm ECG : a systematic review. Open heart, 2025.
Autores: Tsiartas E, Nayak D, Meade A.
DOI: 10.1136/openhrt-2025-003657 · PubMed: PMID 41173515
Perguntas para aprofundar
- Qual o desempenho de modelos de aprendizado profundo na detecção de fibrilação atrial a partir de ECG de ritmo sinusal?
- A janela de confirmação de 31 dias melhora a acurácia da IA na identificação de fibrilação atrial?
- Quais são as principais limitações dos estudos sobre IA na detecção de fibrilação atrial em ECG basal?
Mais sobre IA em cardiologia (ECG e ecocardiograma)
- A inteligência artificial aplicada ao eletrocardiograma já pode ser usada para prever morte súbita cardíaca na prática clínica?
- A inteligência artificial tem desempenho diagnóstico consistente em cardiologia, segundo esta revisão sistemática?
- Algoritmos de aprendizado de máquina aplicados à interpretação do eletrocardiograma são viáveis e válidos para diagnosticar fibrilação atrial e síndrome do QT longo?
- Aprendizado de máquina detecta fibrilação atrial com mais acurácia que especialistas clínicos?
- É possível prever a terminação espontânea da fibrilação atrial usando eletrocardiograma de superfície padrão?
Todas as perguntas sobre IA em cardiologia (ECG e ecocardiograma) · Todos os temas · Versão em markdown