# Modelos de aprendizado de máquina baseados na variabilidade da frequência cardíaca no ECG têm boa acurácia para diagnosticar apneia obstrutiva do sono em adultos?

> Sim. Uma meta-análise bayesiana de nove estudos com 2.019 participantes mostrou sensibilidade agrupada de 79,0% e especificidade de 75,0% para modelos de aprendizado de máquina treinados na variabilidade da frequência cardíaca. A especificidade foi maior que a do STOP-BANG e o desempenho comparável ao dos testes domiciliares do sono.

Estudo citado: Hao Y, Tan NKW, Gao EY, Au JXY, Toh NEX, Yong CL et al.. Electrocardiogram heart rate variability for machine learning diagnosis of obstructive sleep Apnoea: A bayesian meta-analysis. Sleep & breathing = Schlaf & Atmung. 2025. DOI: https://doi.org/10.1007/s11325-025-03476-z. PubMed: https://pubmed.ncbi.nlm.nih.gov/41026252/

## Resposta

A apneia obstrutiva do sono é uma condição comum e subdiagnosticada, associada a riscos à saúde. Embora a polissonografia seja o padrão-ouro diagnóstico, ela é intensiva em recursos e inadequada para triagem em larga escala. Nesse contexto, a variabilidade da frequência cardíaca derivada do eletrocardiograma surge como uma alternativa acessível, e o aprendizado de máquina pode automatizar sua análise.

Esta meta-análise bayesiana avaliou a acurácia diagnóstica de modelos de aprendizado de máquina treinados na variabilidade da frequência cardíaca para detectar apneia obstrutiva do sono em adultos, comparando com o índice de apneia-hipopneia. Foram incluídos nove estudos com 2.019 participantes. A sensibilidade agrupada foi de 79,0% (95% CrI: 74,9%-82,7%) e a especificidade de 75,0% (95% CrI: 67,9%-82,3%).

A razão de chances diagnóstica foi de 11,3 (95% CrI: 7,21-19,0%). A meta-regressão mostrou que a especificidade variou com fatores demográficos, enquanto a arquitetura do modelo e os métodos de validação não tiveram impacto significativo. Não foi detectado viés de publicação. A certeza da evidência foi avaliada pelo GRADE, e o risco de viés pelo QUADAS-2.

Os autores concluem que os modelos de aprendizado de máquina treinados na variabilidade da frequência cardíaca apresentam boa acurácia diagnóstica para apneia obstrutiva do sono, com especificidade superior ao STOP-BANG e desempenho comparável aos testes domiciliares do sono. A escalabilidade e a potencial integração em dispositivos vestíveis oferecem uma opção de triagem prática e de custo efetivo.

Para o médico, esses achados sugerem que a análise automatizada da variabilidade da frequência cardíaca pode auxiliar na triagem de apneia obstrutiva do sono, especialmente em contextos com acesso limitado à polissonografia. No entanto, validação no mundo real é necessária antes da implementação clínica ampla.

## O que o estudo mostrou

Trata-se de uma meta-análise bayesiana de nove estudos com 2.019 participantes, que avaliou a acurácia de modelos de aprendizado de máquina treinados na variabilidade da frequência cardíaca para diagnosticar apneia obstrutiva do sono em adultos, comparando com o índice de apneia-hipopneia. A sensibilidade agrupada foi de 79,0% (95% CrI: 74,9%-82,7%) e a especificidade de 75,0% (95% CrI: 67,9%-82,3%). A razão de chances diagnóstica foi de 11,3 (95% CrI: 7,21-19,0%). A meta-regressão mostrou que a especificidade variou com fatores demográficos, sem impacto significativo da arquitetura do modelo ou dos métodos de validação. Não houve viés de publicação.

## Limitações

O resumo não informa as limitações do estudo, como heterogeneidade entre os estudos incluídos, características das populações ou detalhes sobre a validação dos modelos. Também não são fornecidos dados sobre o risco de viés pelo QUADAS-2 nem a certeza da evidência pelo GRADE. Os resultados se baseiam em estudos publicados até 20 de outubro de 2024, e a validação no mundo real ainda é necessária.

## Aplicação no consultório

A acurácia diagnóstica relatada sugere que a variabilidade da frequência cardíaca analisada por aprendizado de máquina pode ser uma ferramenta de triagem útil na prática clínica, especialmente quando a polissonografia é limitada. No consultório, isso pode orientar a solicitação de exames mais específicos e agilizar o encaminhamento de pacientes com suspeita de apneia obstrutiva do sono. A possibilidade de integração com dispositivos vestíveis pode facilitar o monitoramento remoto e a gestão de filas de espera, mas a implementação requer validação local e consideração de custos.

## Perguntas para aprofundar

- Qual é a acurácia da variabilidade da frequência cardíaca no ECG para triagem de apneia obstrutiva do sono em comparação com o STOP-BANG?
- Modelos de aprendizado de máquina baseados em variabilidade da frequência cardíaca podem substituir a polissonografia no diagnóstico de apneia obstrutiva do sono?
- Como a arquitetura do modelo de aprendizado de máquina influencia o desempenho diagnóstico da variabilidade da frequência cardíaca para apneia obstrutiva do sono?

Tema: IA em cardiologia (ECG e ecocardiograma). Página: https://alphadoctor.com.br/ciencia/ia-cardiologia/modelos-de-aprendizado-de-maquina-baseados-na-variabilidade-da-frequencia/

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