IA em cardiologia (ECG e ecocardiograma)

A inteligência artificial é mais acurada que os critérios eletrocardiográficos convencionais na detecção de hipertrofia ventricular esquerda?

Resposta

A detecção de hipertrofia ventricular esquerda (HVE) é um desafio frequente na prática cardiológica, e os critérios eletrocardiográficos clássicos, como Sokolow-Lyon e Cornell, são os mais utilizados. O estudo em questão propôs uma meta-análise para comparar a acurácia de ferramentas de inteligência artificial (IA) com esses critérios convencionais, buscando entender se a tecnologia pode oferecer vantagem diagnóstica.

Foram selecionados nove estudos que atenderam aos critérios de inclusão, totalizando 31 657 pacientes nos conjuntos de teste e 100 271 nos conjuntos de treinamento. A meta-análise utilizou um modelo hierárquico para calcular sensibilidade, especificidade e acurácia agrupadas, com intervalos de confiança de 95%. Além disso, uma análise de sensibilidade com abordagem 'leave-out-one' foi adotada para verificar se os resultados eram influenciados por um estudo específico.

Os resultados mostraram que a IA foi associada a estimativas agrupadas mais altas: acurácia de 80,50 (IC 95%: 80,4-80,60), sensibilidade de 89,29 (IC 95%: 89,25-89,33) e especificidade de 93,32 (IC 95%: 93,26-93,38). No entanto, ao ajustar pelo peso de cada estudo nos desfechos, a sensibilidade agrupada ajustada foi de 53,16 (IC 95%: 52,92-53,40), enquanto acurácia e especificidade permaneceram inalteradas. Esse achado sugere que a sensibilidade pode ser superestimada em análises não ajustadas.

Os autores concluem que a IA demonstra maior acurácia diagnóstica e sensibilidade em comparação com os critérios eletrocardiográficos convencionais para detecção de HVE. A ferramenta tem potencial para ser confiável e eficiente em diversas populações, mas ressaltam a necessidade de mais estudos para testar modelos de IA em populações hipertensas, especialmente em contextos de poucos recursos.

O que o estudo mostrou

Trata-se de uma meta-análise que incluiu nove estudos, com 31 657 pacientes nos conjuntos de teste e 100 271 nos de treinamento. A IA apresentou acurácia agrupada de 80,50 (IC 95%: 80,4-80,60), sensibilidade de 89,29 (IC 95%: 89,25-89,33) e especificidade de 93,32 (IC 95%: 93,26-93,38). Após ajuste pelo peso dos estudos, a sensibilidade ajustada foi de 53,16 (IC 95%: 52,92-53,40), com acurácia e especificidade inalteradas.

Limitações

O resumo não informa detalhes sobre as características das populações incluídas, os tipos de modelos de IA avaliados ou a qualidade metodológica dos estudos primários. A queda expressiva da sensibilidade após o ajuste pelo peso dos estudos sugere que os resultados não ajustados podem superestimar o desempenho. Os autores destacam a necessidade de testar os modelos em populações hipertensas e em contextos de poucos recursos, o que indica que a extrapolação para esses cenários ainda é limitada.

Aplicação no consultório

Os achados reforçam que ferramentas de IA podem apoiar a triagem de HVE no eletrocardiograma, mas o médico deve interpretar os resultados com cautela, considerando a variabilidade da sensibilidade após ajuste. Na gestão do consultório, a incorporação dessas ferramentas exige validação local e conhecimento das populações atendidas, especialmente hipertensos. A IA pode ser útil como apoio, mas não substitui a avaliação clínica e os critérios convencionais enquanto não houver estudos em cenários específicos.

Estudo citado

Revolutionizing LVH detection using artificial intelligence: the AI heartbeat project. Journal of hypertension, 2025.
Autores: Suchal ZA, Ain NU, Mahmud A.
DOI: 10.1097/HJH.0000000000003885 · PubMed: PMID 39445588

Perguntas para aprofundar

• Como a inteligência artificial pode auxiliar na triagem de hipertrofia ventricular esquerda no eletrocardiograma?
• Qual é o impacto do ajuste pelo peso dos estudos na sensibilidade da IA para detectar hipertrofia ventricular esquerda?
• Quais populações ainda precisam ser estudadas para validar modelos de IA na detecção de hipertrofia ventricular esquerda?

Mais sobre IA em cardiologia (ECG e ecocardiograma)

• A inteligência artificial é mais precisa que os critérios de Sokolow-Lyon e Cornell no diagnóstico de hipertrofia ventricular esquerda ao eletrocardiograma?
• A interpretação de eletrocardiograma por inteligência artificial é útil para detectar síndrome de Brugada na prática clínica?
• A inteligência artificial aplicada ao ECG é eficaz no diagnóstico da síndrome de Brugada?
• A inteligência artificial aplicada ao eletrocardiograma já pode ser usada para prever morte súbita cardíaca na prática clínica?
• Qual é a acurácia diagnóstica de algoritmos de eletrocardiograma baseados em inteligência artificial para estimar insuficiência cardíaca com fração de ejeção reduzida?

Todas as perguntas sobre IA em cardiologia (ECG e ecocardiograma) · Todos os temas · Versão em markdown