# Algoritmos de aprendizado de máquina são precisos para detectar fibrilação atrial em eletrocardiogramas?

> Sim. Uma revisão sistemática com meta-análise de 14 estudos mostrou sensibilidade e especificidade agrupadas de 97% para detecção de fibrilação atrial por aprendizado de máquina em ECG. Algoritmos de aprendizado profundo, especialmente redes neurais convolucionais, superaram os tradicionais, com sensibilidade de 98,1% versus 91,5%.

Estudo citado: Xie C, Wang Z, Yang C, Liu J, Liang H. Machine Learning for Detecting Atrial Fibrillation from ECGs: Systematic Review and Meta-Analysis. Reviews in cardiovascular medicine. 2024. DOI: https://doi.org/10.31083/j.rcm2501008. PubMed: https://pubmed.ncbi.nlm.nih.gov/39077651/

## Resposta

A fibrilação atrial é uma arritmia comum e associada a desfechos cardiovasculares adversos, mas seu diagnóstico pode ser desafiador. Nesse contexto, algoritmos de aprendizado de máquina têm sido cada vez mais empregados para identificar a fibrilação atrial em sinais de eletrocardiograma. A revisão sistemática com meta-análise aqui resumida reuniu evidências sobre a acurácia diagnóstica desses algoritmos.

Foram incluídos 14 estudos, e a meta-análise de acurácia diagnóstica mostrou sensibilidade agrupada de 97% (intervalo de confiança de 95%: 0,94-0,99) e especificidade agrupada de 97% (IC 95%: 0,95-0,99). Esses resultados indicam que os algoritmos de aprendizado de máquina são eficazes para detectar fibrilação atrial a partir de eletrocardiogramas.

A comparação entre tipos de algoritmo mostrou desempenho superior do aprendizado profundo em relação ao aprendizado de máquina tradicional: a sensibilidade foi de 98,1% para aprendizado profundo e de 91,5% para o tradicional. Além disso, o uso de múltiplos conjuntos de dados e de conjuntos de dados públicos, isoladamente ou em combinação, apresentou desempenho ligeiramente melhor do que o uso de um único conjunto de dados e de conjuntos de dados proprietários.

Os autores concluem que os algoritmos de aprendizado de máquina são eficazes para detectar fibrilação atrial em eletrocardiogramas e que os algoritmos de aprendizado profundo, particularmente os baseados em redes neurais convolucionais, demonstram desempenho superior em comparação aos algoritmos tradicionais. A integração desses algoritmos pode auxiliar dispositivos vestíveis a diagnosticar fibrilação atrial mais precocemente.

## O que o estudo mostrou

Trata-se de uma revisão sistemática com meta-análise de acurácia diagnóstica que incluiu 14 estudos. A sensibilidade agrupada foi de 97% (IC 95%: 0,94-0,99) e a especificidade agrupada foi de 97% (IC 95%: 0,95-0,99). Algoritmos de aprendizado profundo tiveram sensibilidade de 98,1%, superior à dos algoritmos tradicionais (91,5%). O uso de múltiplos conjuntos de dados e de conjuntos públicos, isolados ou combinados, mostrou desempenho ligeiramente melhor que o de conjunto único ou proprietário.

## Limitações

O resumo não informa as características dos estudos incluídos, como população, tipo de eletrocardiograma ou critérios de referência para o diagnóstico de fibrilação atrial. Também não são descritas análises de viés de publicação, heterogeneidade ou qualidade metodológica. Os resultados se referem à acurácia diagnóstica em ambiente de pesquisa, e o resumo não permite concluir sobre desempenho em cenários clínicos reais ou em diferentes faixas de risco.

## Aplicação no consultório

Os achados sugerem que algoritmos de aprendizado de máquina, especialmente os de aprendizado profundo, podem ser úteis como ferramenta de apoio à detecção de fibrilação atrial em eletrocardiogramas, inclusive em dispositivos vestíveis. Na prática clínica, isso pode agilizar a triagem e o encaminhamento de pacientes com suspeita de arritmia. Para a gestão do consultório, a incorporação dessas tecnologias exige atenção à validação local, à integração com sistemas de laudo e à definição de fluxos de confirmação diagnóstica, sem substituir a avaliação médica.

## Perguntas para aprofundar

- Qual é o desempenho de algoritmos de aprendizado profundo na detecção de fibrilação atrial em dispositivos vestíveis?
- Como a qualidade dos conjuntos de dados influencia a acurácia dos algoritmos de aprendizado de máquina para fibrilação atrial?
- Quais são as limitações metodológicas das meta-análises sobre inteligência artificial em eletrocardiograma?

Tema: IA em cardiologia (ECG e ecocardiograma). Página: https://alphadoctor.com.br/ciencia/ia-cardiologia/algoritmos-de-aprendizado-de-maquina-sao-precisos-para-detectar-fibrilacao/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.