Arq. Bras. Cardiol. 2025; 122(8): e20240843

Aplicabilidade de Algoritmos de Machine Learning no Diagnóstico de Fibrilação Atrial e SQTL por Interpretação de Eletrocardiograma: Uma Revisão Sistemática

Paulo Cainan Guimarães do Nascimento , Matthews Silva Martins, Alex Cleber Improta-Caria , Roque Aras Junior

DOI: 10.36660/abc.20240843

Este Artigo Original é referido pelo Minieditorial "Aplicabilidade de Algoritmos de Aprendizado de Máquina no Diagnóstico de Arritmias – Quanto Tempo Até a Máquina Começar a nos Ensinar?".

Resumo

Fundamento

Machine learning (ML) é um tipo de algoritmo que aprende de forma autônoma a reconhecer padrões complexos. No contexto diagnóstico de arritmias cardíacas, esses algoritmos demonstraram avanços significativos devido à sua capacidade de fornecer interpretação automatizada e reconhecimento de padrões em eletrocardiogramas (ECGs).

Objetivo

Analisar e identificar a aplicabilidade, validade e viabilidade de modelos de algoritmos de ML no processo diagnóstico de arritmias cardíacas por meio de interpretação eletrocardiográfica automatizada.

Métodos

Esta revisão sistemática da literatura foi relatada de acordo com as diretrizes PRISMA. As buscas foram realizadas na Biblioteca Cochrane, EMBASE, LILACS e PubMed entre fevereiro de 2022 e novembro de 2022. O período do estudo abrange artigos publicados entre 2017 e 2022.

Resultados

A busca no banco de dados gerou 119 resultados, abrangendo três subtemas: Síndrome do QT Longo (SQTL), intervalo QT corrigido (QTc) e fibrilação atrial (FA). A FA foi o tema mais prevalente. Os tamanhos das amostras foram bastante variáveis. Os resultados foram, em sua maioria, satisfatórios. No diagnóstico de SQTL usando Inteligência Artificial (IA), o algoritmo superou os métodos convencionais na distinção diagnóstica. Na avaliação do QTc, não houve diferença entre o ECG integrado à IA e o ECG convencional. No diagnóstico de FA, os algoritmos, modelos e dispositivos demonstraram alta sensibilidade e especificidade, além de maior acurácia.

Conclusão

Os modelos de ML no processo diagnóstico de arritmias cardíacas são viáveis e estão em rápido desenvolvimento. Apresentam valores de acurácia entre 96,4% e 98,2%, sensibilidade entre 92,8% e 99,4% e especificidade entre 95% e 98,1%, particularmente no diagnóstico de fibrilação atrial.