Novo modelo de IA pode ajudar a detectar defeitos cardíacos

Investigadores do Brigham and Women’s Hospital e da Keio University, no Japão, desenvolveram um modelo de inteligência artificial de aprendizado profundo para rastrear eletrocardiograma (ECG) em busca de sinais de defeitos do septo atrial (ASD). Esta condição pode causar insuficiência cardíaca e é subnotificada devido à falta de sintomas antes que surjam complicações irreversíveis. Seus resultados são publicados em eClinicalMedicine.

“Se pudermos implantar nosso modelo em uma triagem de ECG em nível populacional, seremos capazes de identificar muito mais desses pacientes antes que tenham danos irreversíveis”, disse Shinichi Goto, MD, Ph.D., autor correspondente do artigo e instrutor na Divisão de Medicina Cardiovascular do Brigham and Women’s Hospital.

O TEA é uma doença cardíaca congênita comum em adultos. É causada por um orifício no septo do coração que permite o fluxo de sangue entre os átrios esquerdo e direito. É diagnosticado em cerca de 0,1% a 0,2% da população, mas provavelmente é subnotificado, disse Goto. Os sintomas do TEA são tipicamente muito leves ou, em muitos casos, inexistentes até mais tarde na vida. Os sintomas incluem incapacidade de fazer exercícios extenuantes, afetar a frequência ou o ritmo dos batimentos cardíacos, palpitações cardíacas e aumento do risco de pneumonia.

Mesmo que o TEA não cause sintomas, ele pode estressar o coração e aumentar o risco de fibrilação atrial, acidente vascular cerebral, insuficiência cardíaca e hipertensão pulmonar. Nesse ponto, as complicações do TEA são irreversíveis, mesmo que o defeito seja corrigido posteriormente. Se descoberto precocemente, o TEA pode ser corrigido com cirurgia minimamente invasiva para melhorar a expectativa de vida e reduzir as complicações.

Existem várias maneiras de detectar o TEA. Primeiro, os maiores defeitos podem ser encontrados ouvindo o coração com um estetoscópio. Mas apenas cerca de 30% dos pacientes podem ser descobertos dessa maneira. Outra é por ecocardiograma, um exame demorado e trabalhoso que não é uma boa opção de triagem. Outro teste, eletrocardiografia ou ECG, leva apenas cerca de um minuto, tornando possível o uso como uma ferramenta de triagem. No entanto, quando os humanos analisam uma leitura de ECG em busca de anormalidades conhecidas associadas ao TEA, há uma sensibilidade limitada para detectar o TEA.

Para ver se um modelo de IA poderia detectar melhor o TEA a partir das leituras de ECG, a equipe do estudo alimentou um modelo de aprendizado profundo com dados de ECG de 80.947 pacientes com mais de 18 anos que foram submetidos a ECG e ecocardiograma para detectar TEA. Um total de 857 pacientes foram diagnosticados com TEA. Os dados foram coletados em três hospitais: duas grandes instituições de ensino — uma, BWH nos Estados Unidos; e o outro, Keio University no Japão, e Dokkyo Medical University, Saitama Medical Center no Japão, um hospital comunitário.

O modelo foi então testado usando varreduras do Dokkyo, que tem uma população mais geral e não está especificamente rastreando pacientes para TEA. O modelo foi mais sensível do que usar anormalidades conhecidas encontradas em ECGs para rastrear TEA. O modelo detectou corretamente o TEA em 93,7% das vezes, enquanto o uso de anormalidades conhecidas encontrou TEA em 80,6% das vezes.

“Ele detectou muito mais do que um especialista faz usando anormalidades conhecidas para identificar casos de TEA”, disse Goto. Uma limitação do estudo é que o modelo foi treinado com amostras de instituições acadêmicas, que lidam mais com doenças raras como TEA. Todos os pacientes usados ​​para treinar o modelo estavam sendo rastreados para ASD e receberam um ecocardiograma, então não está claro o quão bem o modelo funcionaria em uma população em geral, e é por isso que eles o testaram em Dokkyo. “O desempenho do modelo foi mantido mesmo na população geral do hospital comunitário, o que sugere que o modelo generaliza bem.”

Os autores também observam que mesmo o uso do ecocardiograma para detectar TEA não encontrará todos os defeitos. Alguns podem escapar tanto da triagem regular quanto do modelo de IA, embora esses defeitos menores tenham menos probabilidade de exigir fechamento cirúrgico. “O problema do aprendizado de máquina é que ele é uma caixa preta – não sabemos realmente quais recursos ele pegou”, disse Goto. Isso significa que também não podemos aprender quais recursos procurar nos ECGs do modelo.

Os resultados sugerem que a tecnologia pode ser usada na triagem em nível populacional para detectar TEA antes que leve a danos cardíacos irreversíveis. O ECG é de custo relativamente baixo e atualmente realizado em muitos contextos. “Talvez essa triagem possa ser integrada a uma consulta anual de PCP ou usada para triagem de ECGs feitos por outros motivos”, disse Goto.