IA em cardiologia (ECG e ecocardiograma)

O aprendizado de máquina é útil na predição de morte súbita cardíaca para indicação de CDI?

Resposta

A revisão sistemática avaliou o uso de aprendizado de máquina para predição de risco de morte súbita cardíaca (MSC) e sua aplicação na indicação de cardioversores-desfibriladores implantáveis (CDI). Foram incluídos 11 estudos, com tamanhos amostrais variando de 122 a 124 097 participantes, utilizando fontes de dados demográficos, clínicos, eletrocardiográficos, eletrofisiológicos, de imagem e genéticos, com 4 a 72 variáveis por modelo.

Os resultados mostraram que a métrica de desempenho mais comum foi a área sob a curva ROC, variando de 0,71 a 0,96. Em seis estudos que compararam modelos de aprendizado de máquina com regressão, o aprendizado de máquina melhorou o desempenho em cinco. No entanto, nenhum estudo aderiu a um padrão de relato, e cinco apresentaram alto risco de viés.

Os autores concluíram que o aprendizado de máquina para predição de MSC tem sido subaplicado e implementado de forma incorreta, mas está maduro para investigações futuras. Pode haver utilidade incremental em relação aos modelos tradicionais, porém a heterogeneidade das populações, métodos e desfechos impediu a realização de meta-análise.

A revisão também destacou a necessidade de desenvolver padrões de relato para estudos de aprendizado de máquina, a fim de melhorar a qualidade das evidências. A avaliação de transparência e qualidade foi feita com as ferramentas TRIPOD e PROBAST, mas nenhum estudo seguiu um padrão de relato.

Para o médico brasileiro, os achados sugerem cautela na aplicação clínica imediata desses modelos, dado o alto risco de viés e a falta de padronização. No entanto, a área é promissora e pode, no futuro, auxiliar na estratificação de risco para indicação de CDI, especialmente em pacientes considerados de baixo risco pelos critérios convencionais.

O que o estudo mostrou

Revisão sistemática com busca em múltiplas bases de dados que identificou 11 estudos elegíveis, com amostras de 122 a 124 097 participantes. As fontes de dados incluíram variáveis demográficas, clínicas, eletrocardiográficas, eletrofisiológicas, de imagem e genéticas (4 a 72 variáveis por modelo). A área sob a curva ROC variou de 0,71 a 0,96. Em seis estudos comparando aprendizado de máquina com regressão, o aprendizado de máquina foi superior em cinco. Nenhum estudo aderiu a padrões de relato e cinco tinham alto risco de viés.

Limitações

A heterogeneidade das populações, métodos e medidas de desfecho impediu a realização de meta-análise. O resumo não informa detalhes sobre as limitações individuais dos estudos incluídos. Além disso, nenhum estudo seguiu um padrão de relato, e cinco apresentaram alto risco de viés, o que compromete a qualidade das evidências. O resumo também não fornece informações sobre a aplicabilidade clínica dos modelos.

Aplicação no consultório

Os achados indicam que, atualmente, os modelos de aprendizado de máquina para predição de morte súbita cardíaca não estão prontos para uso rotineiro na prática clínica, devido à falta de padronização e ao alto risco de viés. O médico deve manter os critérios convencionais para indicação de CDI. No entanto, a área é promissora e pode, no futuro, auxiliar na identificação de pacientes de baixo risco que poderiam se beneficiar do dispositivo. A gestão do consultório pode considerar o acompanhamento dessas pesquisas para incorporação futura.

Estudo citado

Machine learning in sudden cardiac death risk prediction: a systematic review. Europace : European pacing, arrhythmias, and cardiac electrophysiology : journal of the working groups on cardiac pacing, arrhythmias, and cardiac cellular electrophysiology of the European Society of Cardiology, 2022.
Autores: Barker J, Li X, Khavandi S, Koeckerling D, Mavilakandy A, Pepper C, Bountziouka V, Chen L, Kotb A, Antoun I, Mansir J, Smith-Byrne K, Schlindwein FS, Dhutia H, Tyukin I, Nicolson WB, Ng GA.
DOI: 10.1093/europace/euac135 · PubMed: PMID 36201237

Perguntas para aprofundar

• Quais são os critérios convencionais para indicação de CDI na prevenção primária?
• Como o aprendizado de máquina pode melhorar a estratificação de risco de morte súbita cardíaca?
• Quais padrões de relato são recomendados para estudos de aprendizado de máquina em cardiologia?

Mais sobre 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?
• 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?
• Algoritmos de aprendizado de máquina aplicados à interpretação do eletrocardiograma são viáveis e válidos para diagnosticar fibrilação atrial e síndrome do QT longo?

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