Rastreio Eficaz de Hipertrofia e Dilatação Cardíaca: A Nova Era do ECG Simplificado com Deep Learning?

A eletrocardiografia (ECG) tem sido amplamente utilizada na prática clínica como uma ferramenta acessível para o rastreio de doenças cardíacas. No entanto, a sua eficácia no diagnóstico precoce de condições como a hipertrofia ventricular e a dilatação cardíaca tem sido historicamente limitada. Tradicionalmente, estas condições são diagnosticadas através de ecocardiografia, muitas vezes após o aparecimento de sintomas, o que pode atrasar a intervenção terapêutica. Um estudo recente propõe uma abordagem inovadora ao utilizar modelos de deep learning aplicados a ECG de 4 canais, possibilitando um diagnóstico mais precoce e eficaz destas condições com maior precisão.

Recentemente, Zhu et al.¹ realizaram estudo multicêntrico que analisou mais de 90 000 ECGs de 74 562 pacientes, com o objetivo de avaliar a viabilidade de utilizar apenas quatro canais (I, aVR, V1 e V5) para o diagnóstico de hipertrofia e dilatação cardíaca. A análise revelou que a aplicação de modelos de deep learning – especificamente o algoritmo ECG-Cor-Net – aumentou significativamente a sensibilidade diagnóstica em comparação com a interpretação manual tradicional. Em particular, a sensibilidade para o diagnóstico de hipertrofia cardíaca e dilatação mais que duplicou, aumentando de 0,270 para 0,586. Estes resultados destacam o potencial do ECG de 4 canais para ser utilizado como uma ferramenta de diagnóstico de primeira linha, reduzindo a necessidade de ecocardiografia para rastreio em populações de risco.

Os modelos ECG-Cor-Net foram treinados utilizando uma abordagem multi-marcação, o que lhes permite identificar simultaneamente múltiplas condições cardíacas, incluindo hipertrofia ventricular esquerda (HVE), dilatação ventricular direita (DVD) e dilatação atrial esquerda (DAE). A capacidade de realizar diagnósticos com apenas 4 canais, mantendo um desempenho comparável ao de um ECG de 12 canais, abre novas possibilidades para o desenvolvimento de dispositivos de ECG portáteis, que podem ser utilizados em contextos de cuidados de saúde primários ou em regiões com acesso limitado a tecnologia avançada de imagem.

O impacto clínico desta abordagem foi reforçado pela análise de dados de validação externa, que incluiu tanto um segundo hospital bem como o dataset público PTB-XL. Em ambos os casos, o modelo demonstrou robustez e generalização ao identificar hipertrofia ventricular e dilatação atrial com AUROCs de 0,898 e 0,929, respetivamente. Estes resultados superam significativamente as taxas de diagnóstico associadas à interpretação manual por especialistas, confirmando a eficácia do modelo para detetar alterações cardíacas estruturais a partir de sinais eletrofisiológicos subtis.

A escolha dos quatro canais – I, aVR, V1 e V5 – foi baseada numa análise detalhada de gradientes que revelou que estas leads fornecem a maior quantidade de informação diagnóstica relevante. Esta abordagem tem implicações diretas não apenas para a prática clínica, mas também para o desenvolvimento de futuros dispositivos de ECG, simplificando o hardware sem comprometer a precisão diagnóstica. Adicionalmente, a implementação desta tecnologia pode ser altamente vantajosa para o rastreio de doenças cardíacas em larga escala, particularmente em populações assintomáticas, onde o diagnóstico precoce pode prevenir a progressão para insuficiência cardíaca ou outros eventos adversos.

A capacidade do ECG-Cor-Net de integrar dados de múltiplos canais e produzir diagnósticos precisos a partir de um conjunto reduzido de dados representa um avanço significativo em termos de custo-efetividade e acessibilidade. Com uma sensibilidade de 95% para a previsão de eventos adversos, como insuficiência respiratória em pacientes com hipertrofia cardíaca, este modelo mostra-se promissor para a integração em sistemas de monitorização contínua em ambientes hospitalares e domiciliários.

No entanto, o estudo reconhece algumas limitações. A ausência de pacientes com menos de 18 anos pode restringir a generalização dos resultados a populações pediátricas, e a falta de segmentação etiológica dos dados limita a compreensão da contribuição de diferentes fatores etiológicos para a hipertrofia e dilatação cardíaca. Em acréscimo, o estudo não explora em profundidade as potenciais variações regionais ou culturais no rastreio e diagnóstico de doenças cardíacas, o que poderia ser relevante para a implementação global desta tecnologia.

Em conclusão, este estudo destaca o potencial dos modelos de deep learning aplicados a ECG de 4 canais como uma ferramenta poderosa para o diagnóstico precoce de hipertrofia e dilatação cardíaca. A utilização destes modelos não só melhora a sensibilidade e especificidade do diagnóstico, mas também facilita a implementação de sistemas de monitorização cardíaca portáteis, acessíveis e custo-efetivos. A sua capacidade de deteção precoce em cenários clínicos e de rastreio populacional posiciona o ECG-Cor-Net como uma tecnologia disruptiva no campo da cardiologia, com implicações profundas para a prática médica global.

¹ Zhu et al., Four-Channel ECG as a Single Source for Early Diagnosis of Cardiac Hypertrophy and Dilation – A Deep Learning Approach, NEJM AI (2024) 1 (10)

Artigo relacionado

A possível evidência da Inteligência Artificial como vantagem na avaliação cardíaca: Ensaio Clínico ID NCT05140642