IA em cardiologia (ECG e ecocardiograma)

Qual é o desempenho dos ECGs com redes neurais convolucionais no diagnóstico de cardiomiopatia hipertrófica?

Resposta

A cardiomiopatia hipertrófica é uma causa importante de morte súbita cardíaca em indivíduos jovens, e o diagnóstico preciso é essencial para o manejo e para melhorar os desfechos dos pacientes. Nesse contexto, a aplicação de redes neurais convolucionais à análise do eletrocardiograma surge como uma via promissora para a detecção da doença. A revisão sistemática com meta-análise avaliou justamente a efetividade desses modelos no diagnóstico da cardiomiopatia hipertrófica por meio do ECG.

Os autores buscaram MEDLINE, Embase e Cochrane até 12 de agosto de 2024, focalizando modelos de detecção de cardiomiopatia hipertrófica baseados em ECG com redes neurais convolucionais. Os desfechos foram sensibilidade, especificidade e SROC. As proporções agrupadas foram calculadas com modelo de efeitos aleatórios e intervalos de confiança de 95 %, e a heterogeneidade foi avaliada pela estatística I2. O estudo foi registrado no PROSPERO sob o protocolo CRD42024581925.

A análise incluiu 16 estudos com dados de ECG de 513.972 pacientes. Os algoritmos de inteligência artificial empregaram redes neurais convolucionais para interpretação do ECG. Dezesseis estudos contribuíram para a análise qualitativa, enquanto sete estudos contribuíram para o SROC agrupado, com taxa de falso positivo de 11 %, sensibilidade de 89 % (IC 95 % 86-92 %) e especificidade de 88 % (IC 95 % 81-93 %).

Os autores concluem que a interpretação de ECG por inteligência artificial mostra alta acurácia e sensibilidade na detecção da cardiomiopatia hipertrófica, embora o valor preditivo positivo modesto sugira que a ferramenta deve ser integrada à avaliação clínica para aumentar a confiabilidade, particularmente em cenários de triagem.

Para o médico, o achado central é que o modelo não substitui o julgamento clínico: a combinação entre saída do algoritmo e avaliação clínica é o que os autores recomendam. O resumo não detalha subgrupos, características dos pacientes ou desempenho por faixa etária, o que limita a extrapolação para populações específicas.

O que o estudo mostrou

Revisão sistemática com meta-análise de 16 estudos, com dados de ECG de 513.972 pacientes, sobre modelos de redes neurais convolucionais para detecção de cardiomiopatia hipertrófica. Dezesseis estudos entraram na análise qualitativa e sete no SROC agrupado. A sensibilidade foi de 89 % (IC 95 % 86-92 %), a especificidade de 88 % (IC 95 % 81-93 %) e a taxa de falso positivo de 11 %.

Limitações

O resumo não informa as características dos pacientes incluídos, os critérios de referência diagnóstica de cada estudo, a distribuição geográfica nem o risco de viés. Também não detalha a heterogeneidade além do uso da estatística I2. O valor preditivo positivo modesto, citado pelos autores, limita o uso isolado da ferramenta em triagem.

Aplicação no consultório

A ferramenta pode apoiar a triagem e a priorização de pacientes com suspeita de cardiomiopatia hipertrófica, mas deve ser usada junto à avaliação clínica, como recomendam os autores. Na gestão do consultório, isso significa definir fluxos em que o resultado do algoritmo não substitua a consulta, o exame físico e a investigação adicional, além de comunicar ao paciente o papel complementar da tecnologia.

Estudo citado

A systematic review and meta-analysis on the performance of convolutional neural networks ECGs in the diagnosis of hypertrophic cardiomyopathy. Journal of electrocardiology, 2025.
Autores: Queiroz I, Defante MLR, Barbosa LM, Tavares AH, Pimentel T, Mendes BX.
DOI: 10.1016/j.jelectrocard.2025.153888 · PubMed: PMID 39919503

Perguntas para aprofundar

• Como integrar o resultado de um ECG com rede neural convolucional à avaliação clínica de suspeita de cardiomiopatia hipertrófica?
• Quais são as limitações do valor preditivo positivo desses modelos em cenários de triagem?
• O que falta na literatura para definir o uso rotineiro desses algoritmos na prática cardiológica?

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 inteligência artificial baseados em ECG têm bom desempenho diagnóstico para apneia obstrutiva do sono em nível de segmento?
• A interpretação de eletrocardiograma por inteligência artificial é útil para detectar síndrome de Brugada na prática clínica?
• A inteligência artificial aplicada ao eletrocardiograma melhora a predição de risco cardiovascular e mortalidade?
• A inteligência artificial aplicada ao ECG é eficaz no diagnóstico da síndrome de Brugada?

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