IA em cardiologia (ECG e ecocardiograma)

Modelos de aprendizado de máquina aplicados a sinais eletrofisiológicos são confiáveis para prever arritmias ventriculares malignas e morte súbita cardíaca?

Resposta

A revisão sistemática com meta-análise exploratória avaliou o estado da arte de modelos de aprendizado de máquina (ML) e aprendizado profundo (DL) aplicados a sinais eletrofisiológicos para predição personalizada de arritmias ventriculares malignas ou morte súbita cardíaca (SCD). Foram identificados 2194 estudos, dos quais 46 foram incluídos na revisão sistemática e 32 na meta-análise. A qualidade metodológica foi avaliada pela ferramenta PROBAST, e as estimativas foram agrupadas separadamente para estudos com conjuntos de dados públicos ad-hoc versus aquisição clínica direcionada.

Os resultados agrupados mostraram uma AUROC sumária de 0,856 (IC 95% 0,755-0,909) para predição de curto prazo (tempo até o evento de até 72 h) e AUROC de 0,876 (IC 95% 0,642-0,980) para predição de longo prazo (tempo até o evento de até anos). Modelos desenvolvidos em conjuntos ad-hoc apresentaram desempenho agrupado mais alto (AUROC 0,919, IC 95% 0,867-0,952), porém com alto risco de viés relacionado à reutilização e sobreposição de pequenos conjuntos de dados ad-hoc, escolhas de ferramentas de ML e ausência de validação externa dos modelos.

A interpretação dos autores é que modelos de ML e DL parecem predizer com acurácia arritmias ventriculares malignas e SCD. Contudo, a ampla heterogeneidade entre os estudos, em parte devido a pequenos conjuntos de dados ad-hoc e à escolha do modelo de ML, pode reduzir a capacidade de generalização. Os autores recomendam que estudos futuros abordem essas questões para aumentar a robustez e a aplicabilidade clínica dos modelos.

Para o médico que atua em cardiologia, os achados sugerem que a tecnologia tem potencial para auxiliar na estratificação de risco personalizada, mas ainda não está pronta para uso clínico rotineiro sem validação externa adequada. A heterogeneidade e o risco de viés destacam a necessidade de cautela na interpretação de desempenhos relatados, especialmente aqueles derivados de conjuntos de dados pequenos e reutilizados.

A aplicação prática no consultório deve considerar que a incorporação desses modelos na prática clínica requer validação em populações diversas e estudos prospectivos. A gestão do consultório pode se beneficiar do acompanhamento das evidências, mas a adoção precipitada de ferramentas não validadas pode levar a decisões inadequadas. O resumo não informa detalhes sobre custos ou implementação, limitando conclusões sobre viabilidade econômica.

O que o estudo mostrou

Revisão sistemática e meta-análise exploratória que identificou 2194 estudos, incluindo 46 na revisão e 32 na meta-análise. Modelos de ML/DL para predição de arritmias ventriculares malignas ou SCD apresentaram AUROC sumária de 0,856 (IC 95% 0,755-0,909) para predição de curto prazo (até 72 h) e 0,876 (IC 95% 0,642-0,980) para longo prazo (até anos). Modelos em conjuntos ad-hoc tiveram AUROC de 0,919 (IC 95% 0,867-0,952), mas com alto risco de viés por reutilização de dados, escolha de ferramenta e falta de validação externa.

Limitações

O resumo não informa detalhes sobre as características das populações incluídas, os tipos específicos de sinais eletrofisiológicos ou os algoritmos de ML/DL utilizados. A ampla heterogeneidade entre estudos e o alto risco de viés em modelos desenvolvidos em conjuntos ad-hoc limitam a generalização dos resultados. A ausência de validação externa em muitos estudos e a reutilização de pequenos conjuntos de dados podem superestimar o desempenho. O resumo não informa sobre análise de subgrupos por tipo de sinal ou contexto clínico.

Aplicação no consultório

Os achados indicam potencial dos modelos de ML/DL para predição de arritmias ventriculares malignas e SCD, mas a heterogeneidade e o risco de viés sugerem que esses modelos ainda não devem ser incorporados rotineiramente na prática clínica sem validação externa. No consultório, é prudente aguardar estudos com validação prospectiva em populações diversas antes de adotar tais ferramentas. A gestão do consultório pode considerar o acompanhamento das evidências e a avaliação crítica de tecnologias emergentes, evitando decisões baseadas apenas em desempenhos relatados em conjuntos ad-hoc.

Estudo citado

Machine learning of electrophysiological signals for the prediction of ventricular arrhythmias: systematic review and examination of heterogeneity between studies. EBioMedicine, 2023.
Autores: Kolk MZH, Deb B, Ruipérez-Campillo S, Bhatia NK, Clopton P, Wilde AAM, Narayan SM, Knops RE, Tjong FVY.
DOI: 10.1016/j.ebiom.2023.104462 · PubMed: PMID 36773349

Perguntas para aprofundar

• Quais são os principais vieses que afetam modelos de aprendizado de máquina para predição de arritmias ventriculares?
• Como a validação externa pode melhorar a generalização de modelos preditivos de morte súbita cardíaca?
• Qual o desempenho de modelos de aprendizado profundo em sinais de eletrocardiograma para predição de arritmias ventriculares malignas em comparação com modelos tradicionais?

Mais sobre IA em cardiologia (ECG e ecocardiograma)

• O aprendizado de máquina é útil na predição de morte súbita cardíaca para indicação de CDI?
• Modelos de aprendizado de máquina aplicados ao ECG têm acurácia diagnóstica suficiente para identificar cardiomiopatia hipertrófica na prática clínica?
• A inteligência artificial aplicada ao eletrocardiograma já pode ser usada para prever morte súbita cardíaca na prática clínica?
• Como a análise de estresse baseada em sinais fisiológicos pode ser aplicada na prática clínica e na gestão do consultório?
• Modelos de aprendizado de máquina baseados na variabilidade da frequência cardíaca no ECG têm boa acurácia para diagnosticar apneia obstrutiva do sono em adultos?

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