IA em cardiologia (ECG e ecocardiograma)

Qual é a acurácia dos modelos de aprendizado profundo baseados em ECG para o diagnóstico da síndrome da apneia obstrutiva do sono?

Resposta

A síndrome da apneia obstrutiva do sono (SAOS) é uma condição prevalente e subdiagnosticada. Métodos diagnósticos convencionais, como a polissonografia, são limitados por custo e complexidade. Nesse contexto, a aplicação de aprendizado profundo (deep learning) em imagens de eletrocardiograma (ECG) surge como uma alternativa promissora para detecção em tempo real.

Esta revisão sistemática e meta-análise avaliou a acurácia de métodos de aprendizado profundo baseados em imagens para o diagnóstico de SAOS. Foram incluídos 39 estudos originais que construíram imagens de aprendizado profundo derivadas de ECG. A qualidade dos estudos foi avaliada com a ferramenta QUADAS-2, e a meta-análise utilizou modelo bivariado de efeitos mistos, sintetizando apenas os resultados dos conjuntos de validação.

Os resultados mostraram que, no conjunto de validação abrangente, a sensibilidade foi de 0,93 (IC 95%: 0,90-0,96), a especificidade de 0,95 (IC 95%: 0,92-0,96), a razão de chances diagnóstica (DOR) de 252 (IC 95%: 116-549) e a área sob a curva SROC de 0,98 (IC 95%: 0,42-1,00). No conjunto de validação independente, a sensibilidade foi de 0,93 (IC 95%: 0,88-0,96) e a especificidade de 0,95 (IC 95%: 0,92-0,97). Já no conjunto de validação cruzada K-fold, a sensibilidade foi de 0,94 (IC 95%: 0,88-0,97), a especificidade de 0,94 (IC 95%: 0,89-0,96) e a razão de verossimilhança positiva de 15,0 (IC 95%: 8,1-27,6).

Os autores concluem que os modelos de aprendizado profundo baseados em ECG demonstram acurácia ideal para a detecção de SAOS e parecem ser um método viável para detecção em tempo real. No entanto, observou-se que a modelagem foi baseada na extração de segmentos de ECG, mas os segmentos extraídos variaram em duração. Como esse aspecto não foi submetido à análise de subgrupo, os autores planejam explorá-lo e validá-lo em pesquisas futuras.

Para o médico, esses achados sugerem que a inteligência artificial aplicada ao ECG pode vir a auxiliar no rastreamento da SAOS, mas a heterogeneidade dos segmentos de ECG e a necessidade de validação externa ainda são desafios. O resumo não informa detalhes sobre a população dos estudos ou limitações específicas além da variação na duração dos segmentos.

O que o estudo mostrou

Revisão sistemática e meta-análise que incluiu 39 estudos originais, todos construindo imagens de aprendizado profundo derivadas de ECG. A meta-análise sintetizou os resultados dos conjuntos de validação. No conjunto de validação abrangente, a sensibilidade foi de 0,93 (IC 95%: 0,90-0,96), especificidade de 0,95 (IC 95%: 0,92-0,96), DOR de 252 (IC 95%: 116-549) e área sob a curva SROC de 0,98 (IC 95%: 0,42-1,00). No conjunto de validação independente, sensibilidade de 0,93 (IC 95%: 0,88-0,96) e especificidade de 0,95 (IC 95%: 0,92-0,97). No conjunto de validação cruzada K-fold, sensibilidade de 0,94 (IC 95%: 0,88-0,97), especificidade de 0,94 (IC 95%: 0,89-0,96) e razão de verossimilhança positiva de 15,0 (IC 95%: 8,1-27,6).

Limitações

O resumo não informa as características da população incluída nos estudos, nem detalhes sobre o risco de viés individual. Os autores destacam que os segmentos de ECG extraídos variaram em duração e que esse aspecto não foi submetido à análise de subgrupo, o que pode introduzir heterogeneidade. Além disso, os intervalos de confiança da área sob a curva SROC são amplos, e não há informação sobre validação externa em diferentes contextos clínicos.

Aplicação no consultório

Os achados sugerem que modelos de aprendizado profundo aplicados ao ECG podem, no futuro, auxiliar no rastreamento da síndrome da apneia obstrutiva do sono em consultórios, especialmente pela facilidade de obtenção do ECG. No entanto, a implementação clínica ainda requer validação em diferentes populações e padronização dos segmentos de ECG utilizados. Para a gestão do consultório, é importante considerar que a tecnologia não substitui a avaliação clínica e que a incorporação dependerá de estudos adicionais que confirmem a reprodutibilidade e a segurança diagnóstica.

Estudo citado

Accuracy of deep learning in diagnosis of apnea syndrome: a systematic review and meta-analysis. Frontiers in neurology, 2025.
Autores: Saiyitijiang A, Nai Z, Gao Y, Fan P.
DOI: 10.3389/fneur.2025.1663851 · PubMed: PMID 41404457

Perguntas para aprofundar

• Como a duração dos segmentos de ECG influencia a acurácia dos modelos de aprendizado profundo para diagnóstico de apneia do sono?
• Quais são as limitações metodológicas dos estudos incluídos nesta meta-análise sobre aprendizado profundo e apneia do sono?
• A acurácia dos modelos de aprendizado profundo baseados em ECG se mantém em diferentes populações de pacientes com suspeita de apneia obstrutiva do sono?

Mais sobre IA em cardiologia (ECG e ecocardiograma)

• Algoritmos de aprendizado de máquina são precisos para detectar fibrilação atrial em eletrocardiogramas?
• A interpretação de eletrocardiograma por inteligência artificial é útil para detectar síndrome de Brugada na prática clínica?
• 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?
• Qual é a acurácia diagnóstica de algoritmos de eletrocardiograma baseados em inteligência artificial para estimar insuficiência cardíaca com fração de ejeção reduzida?

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