IA em cardiologia (ECG e ecocardiograma)

Modelos de aprendizado de máquina na interpretação do ECG de 12 derivações superam os médicos no diagnóstico de síndrome coronariana aguda?

Resposta

A revisão sistemática buscou estudos que comparassem algoritmos de aprendizado de máquina (ML) com médicos ou softwares não-ML na interpretação de ECG de 12 derivações para diagnóstico de síndrome coronariana aguda (SCA) em pacientes adultos com dor torácica ou sintomas sugestivos, atendidos em pronto-socorro ou ambiente pré-hospitalar. Foram incluídos 10 estudos, com cinco tipos de modelos testados, incluindo redes neurais, random forest e gradient boosting.

Nos cinco estudos com dados completos de desempenho, os modelos de ML foram mais sensíveis (sensibilidade variando de 0,59 a 0,98) do que os médicos (sensibilidade de 0,22 a 0,93), mas menos específicos (especificidade de 0,44 a 0,95 para ML versus 0,63 a 0,98 para médicos). Em quatro estudos que reportaram a área sob a curva ROC, os modelos de ML tiveram melhor discriminação (variação de 0,79 a 0,98) em comparação aos médicos (0,67 a 0,78).

Os autores destacam que a heterogeneidade metodológica e de relato impediu a realização de meta-análise. Vários estudos apresentaram alto risco de viés devido à seleção de pacientes, falta de validação externa e padrões de referência não confiáveis para o diagnóstico de SCA. Além disso, a revisão não informa o número total de pacientes incluídos nos estudos primários.

A conclusão principal é que os modelos de ML têm, em geral, maior discriminação e sensibilidade, porém menor especificidade do que médicos e softwares não-ML na interpretação do ECG para diagnóstico de SCA. Os autores sugerem que a interpretação de ECG baseada em ML pode potencialmente servir como uma 'rede de segurança', alertando os profissionais de emergência para um infarto agudo do miocárdio não diagnosticado. No entanto, mais pesquisas primárias rigorosas são necessárias para demonstrar definitivamente a capacidade do ML de superar os médicos na interpretação do ECG.

Para o médico brasileiro, esses achados indicam que a ferramenta de ML pode auxiliar na triagem, mas não substitui o julgamento clínico, dado o risco de falsos positivos devido à menor especificidade. A implementação requer validação local e consideração das limitações metodológicas dos estudos disponíveis.

O que o estudo mostrou

Revisão sistemática com busca em quatro bases de dados até maio de 2022, incluindo 10 estudos que compararam ML com médicos ou softwares não-ML na interpretação de ECG de 12 derivações para diagnóstico de SCA em adultos com dor torácica ou sintomas sugestivos, em pronto-socorro ou pré-hospitalar. Cinco tipos de modelos foram testados. Em cinco estudos com dados completos, ML teve maior sensibilidade (0,59-0,98) e menor especificidade (0,44-0,95) que médicos (sensibilidade 0,22-0,93; especificidade 0,63-0,98). Em quatro estudos, ML teve melhor discriminação (AUC 0,79-0,98) que médicos (AUC 0,67-0,78).

Limitações

O resumo não informa o número total de pacientes ou o desenho detalhado dos estudos primários. A heterogeneidade metodológica e de relato impediu meta-análise. Vários estudos tinham alto risco de viés devido à seleção de pacientes, falta de validação externa e padrões de referência não confiáveis para diagnóstico de SCA. Os resultados podem não ser generalizáveis para diferentes populações e contextos.

Aplicação no consultório

Na prática clínica, a interpretação de ECG por ML pode ser usada como ferramenta de apoio para aumentar a sensibilidade no diagnóstico de SCA, funcionando como alerta adicional. No entanto, a menor especificidade sugere que alertas falsos podem ocorrer, exigindo confirmação clínica e exames adicionais. Para gestão do consultório, considerar a implementação de sistemas de ML requer avaliação de custo-benefício, validação local e treinamento da equipe para interpretar os alertas adequadamente, sem substituir o julgamento médico.

Estudo citado

Machine learning for the diagnosis of acute coronary syndrome using a 12-lead ECG: a systematic review. CJEM, 2023.
Autores: Zworth M, Kareemi H, Boroumand S, Sikora L, Stiell I, Yadav K.
DOI: 10.1007/s43678-023-00572-5 · PubMed: PMID 37665551

Perguntas para aprofundar

• Qual o impacto da menor especificidade dos modelos de ML no diagnóstico de SCA em relação a exames adicionais e custos?
• Como a validação externa dos modelos de ML pode ser realizada em diferentes populações de pacientes com dor torácica?
• Quais são os critérios de referência mais confiáveis para o diagnóstico de SCA em estudos que avaliam modelos de ML?

Mais sobre IA em cardiologia (ECG e ecocardiograma)

• Modelos de aprendizado de máquina aplicados ao ECG têm acurácia diagnóstica suficiente para identificar cardiomiopatia hipertrófica na prática clínica?
• Modelos de aprendizado de máquina baseados na variabilidade da frequência cardíaca no ECG têm boa acurácia para diagnosticar apneia obstrutiva do sono em adultos?
• Algoritmos de aprendizado de máquina aplicados à interpretação do eletrocardiograma são viáveis e válidos para diagnosticar fibrilação atrial e síndrome do QT longo?
• Aprendizado de máquina detecta fibrilação atrial com mais acurácia que especialistas clínicos?
• 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