Algoritmos de aprendizado de máquina aplicados à interpretação do eletrocardiograma são viáveis e válidos para diagnosticar fibrilação atrial e síndrome do QT longo?
Resposta curta: Segundo esta revisão sistemática, modelos de aprendizado de máquina aplicados ao eletrocardiograma são viáveis e apresentam alta acurácia, sensibilidade e especificidade, sobretudo na fibrilação atrial. Na síndrome do QT longo, o algoritmo superou métodos convencionais na distinção diagnóstica; na avaliação do intervalo QT corrigido, não houve diferença em relação ao eletrocardiograma convencional.
Resposta
A revisão sistemática analisou a aplicabilidade, a validade e a viabilidade de modelos de aprendizado de máquina no processo diagnóstico de arritmias cardíacas por meio da interpretação automatizada do eletrocardiograma. As buscas foram conduzidas na Cochrane Library, EMBASE, LILACS e PubMed entre fevereiro e novembro de 2022, abrangendo artigos publicados entre 2017 e 2022, com relato segundo as diretrizes PRISMA.
A busca nas bases de dados gerou 119 resultados, organizados em três subtemas: síndrome do QT longo, intervalo QT corrigido e fibrilação atrial. A fibrilação atrial foi o tema mais prevalente. Os tamanhos de amostra foram bastante variáveis, e os desfechos foram majoritariamente satisfatórios, segundo o resumo.
No diagnóstico da síndrome do QT longo com inteligência artificial, o algoritmo superou os métodos convencionais na distinção diagnóstica. Já na avaliação do intervalo QT corrigido, não houve diferença entre o eletrocardiograma integrado à inteligência artificial e o eletrocardiograma convencional. No diagnóstico de fibrilação atrial, algoritmos, modelos e dispositivos demonstraram alta sensibilidade e especificidade, além de maior acurácia.
A conclusão do estudo é que os modelos de aprendizado de máquina no processo diagnóstico de arritmias cardíacas são viáveis e estão em rápido desenvolvimento, com valores de acurácia entre 96,4% e 98,2%, sensibilidade entre 92,8% e 99,4% e especificidade entre 95% e 98,1%, particularmente no diagnóstico de fibrilação atrial.
Para o médico, esses achados indicam que a interpretação automatizada do eletrocardiograma por aprendizado de máquina é uma frente promissora, mas o resumo não detalha protocolos, populações ou critérios de validação que permitam incorporação imediata à rotina. A leitura crítica dos estudos primários e a compreensão das limitações metodológicas seguem necessárias antes de apoiar decisões clínicas nesses modelos.
O que o estudo mostrou
Trata-se de uma revisão sistemática relatada segundo as diretrizes PRISMA, com buscas na Cochrane Library, EMBASE, LILACS e PubMed entre fevereiro e novembro de 2022, incluindo artigos publicados entre 2017 e 2022. A busca gerou 119 resultados, com três subtemas: síndrome do QT longo, intervalo QT corrigido e fibrilação atrial, sendo este o mais prevalente. Os tamanhos de amostra foram bastante variáveis e os desfechos majoritariamente satisfatórios. Na síndrome do QT longo, o algoritmo superou métodos convencionais; no intervalo QT corrigido, não houve diferença entre o eletrocardiograma com inteligência artificial e o convencional; na fibrilação atrial, houve alta sensibilidade e especificidade e maior acurácia.
Limitações
O resumo não informa o número de estudos incluídos, o desenho ou a qualidade metodológica dos estudos primários, nem os tamanhos de amostra de forma detalhada, apenas que foram bastante variáveis. Também não descreve as populações estudadas, os critérios de referência diagnóstica, os riscos de viés ou a heterogeneidade entre os estudos. Essas ausências limitam a generalização dos achados de acurácia, sensibilidade e especificidade para a prática clínica.
Aplicação no consultório
Os achados apoiam o interesse crescente em ferramentas de interpretação automatizada do eletrocardiograma, especialmente para fibrilação atrial, mas o resumo não fornece elementos suficientes para incorporar esses modelos à rotina sem avaliação crítica dos estudos primários. Na gestão do consultório, isso significa considerar tais tecnologias como tema de educação médica continuada e de avaliação criteriosa antes de adotá-las, verificando validação, população de origem e desempenho relatado, sem substituir a interpretação clínica do eletrocardiograma.
Estudo citado
Applicability of Machine Learning Algorithms in Diagnosis of Atrial Fibrillation and LQTS by Electrocardiogram Interpretation: A Systematic Review. Arquivos brasileiros de cardiologia, 2025.
Autores: Nascimento PCGD, Martins MS, Improta-Caria AC, Aras Junior R.
DOI: 10.36660/abc.20240843 · PubMed: PMID 40900586
Perguntas para aprofundar
- Qual é o desempenho diagnóstico dos modelos de aprendizado de máquina na fibrilação atrial em comparação à interpretação convencional do eletrocardiograma?
- Como os algoritmos de aprendizado de máquina se comportam na avaliação do intervalo QT corrigido em relação ao eletrocardiograma convencional?
- Quais critérios de validação devem ser considerados antes de adotar ferramentas de inteligência artificial para interpretação de eletrocardiogramas na prática clínica?
Mais sobre IA em cardiologia (ECG e ecocardiograma)
- Aprendizado de máquina detecta fibrilação atrial com mais acurácia que especialistas clínicos?
- Modelos de aprendizado de máquina aplicados ao ECG têm acurácia diagnóstica suficiente para identificar cardiomiopatia hipertrófica na prática clínica?
- A inteligência artificial consegue identificar fibrilação atrial a partir de um ECG de ritmo sinusal basal?
- É possível prever a terminação espontânea da fibrilação atrial usando eletrocardiograma de superfície padrão?
- Como o aprendizado de máquina pode auxiliar no diagnóstico de doenças cardíacas e quais os desafios relacionados a dados desbalanceados?
Todas as perguntas sobre IA em cardiologia (ECG e ecocardiograma) · Todos os temas · Versão em markdown