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

> A revisão sistemática e meta-análise exploratória sugere que modelos de aprendizado de máquina e profundo predizem arritmias ventriculares malignas e morte súbita cardíaca com bom desempenho, mas a ampla heterogeneidade entre estudos, vieses de reutilização de conjuntos ad-hoc e falta de validação externa limitam a generalização dos achados.

Estudo citado: Kolk MZH, Deb B, Ruipérez-Campillo S, Bhatia NK, Clopton P, Wilde AAM et al.. Machine learning of electrophysiological signals for the prediction of ventricular arrhythmias: systematic review and examination of heterogeneity between studies. EBioMedicine. 2023. DOI: https://doi.org/10.1016/j.ebiom.2023.104462. PubMed: https://pubmed.ncbi.nlm.nih.gov/36773349/

## 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.

## 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?

Tema: IA em cardiologia (ECG e ecocardiograma). Página: https://alphadoctor.com.br/ciencia/ia-cardiologia/modelos-de-aprendizado-de-maquina-aplicados-a-sinais-eletrofisiologicos-sao/

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