IA-ECG para Predição Resolvida no Tempo de HFrEF

A insuficiência cardíaca com fração de ejeção reduzida (ICFER) está associada a uma morbilidade e mortalidade substanciais em todo o mundo, e a identificação precoce de indivíduos em risco continua a ser um grande desafio clínico. Embora os modelos de risco e biomarcadores existentes possam fornecer informações prognósticas, a sua aplicação é frequentemente limitada pela necessidade de testes laboratoriais ou de imagem, bem como pela variabilidade no desempenho entre diferentes populações.

Neste estudo, desenvolvemos um modelo de sobrevivência baseado em aprendizagem profunda, utilizando dados brutos de eletrocardiograma (ECG) de 12 derivações para prever o início futuro de ICFER. O modelo foi concebido para gerar estimativas de risco individualizadas, tempo-para-evento, durante um período de seguimento de 5 anos, permitindo uma avaliação dinâmica das trajetórias de risco em vez de uma classificação estática.

O modelo foi treinado com dados do Hospital Zhongshan e validado externamente em coortes independentes do Hospital das Dez Pessoas de Xangai e do Centro Médico Beth Israel Deaconess. Estas coortes incluem um amplo espetro de doentes, desde indivíduos sem doença cardiovascular conhecida até àqueles com diversas condições clínicas, permitindo assim avaliar a generalização do modelo em diferentes sistemas de saúde e subgrupos demográficos.

O desempenho do modelo é avaliado de forma abrangente utilizando múltiplas métricas, incluindo o índice de concordância, a área dependente do tempo sob a curva de características operacionais do recetor, a área sob a curva de precisão-recuperação, a pontuação de Brier, a análise de calibração e a análise de curva de decisão. A capacidade de estratificação de risco é avaliada utilizando a análise de sobrevivência de Kaplan-Meier.

Para melhorar a interpretabilidade, são aplicados métodos complementares baseados em representação e em atenção. Estes incluem a análise de características latentes derivadas de autoencoder variacional, a correlação com parâmetros convencionais de ECG e técnicas de visualização baseadas em gradiente para identificar regiões da onda que contribuem para as previsões do modelo. Estas abordagens visam garantir que o modelo capte sinais fisiologicamente significativos associados ao remodelamento miocárdico e à disfunção cardíaca.

Este estudo é de natureza observacional e retrospetiva e não envolve qualquer intervenção. Os resultados visam apoiar o desenvolvimento de uma ferramenta não invasiva, económica e amplamente acessível para a deteção precoce de indivíduos em risco de ICFER, com potenciais implicações para estratégias preventivas e gestão clínica personalizada.