Detecção de disfunção sistólica ventricular esquerda em pacientes únicos

npj Digital Medicine volume 6, Número do artigo: 124 (2023) Citar este artigo

2352 Acessos

1 Citações

40 Altmétrico

Detalhes das métricas

A inteligência artificial (IA) pode detectar disfunção sistólica do ventrículo esquerdo (DSVE) a partir de eletrocardiogramas (ECGs). Dispositivos vestíveis podem permitir uma ampla triagem baseada em IA, mas frequentemente obtêm ECGs ruidosos. Relatamos uma nova estratégia que automatiza a detecção de doenças cardiovasculares ocultas, como DSVE, adaptada para ECGs ruidosos de derivação única obtidos em dispositivos vestíveis e portáteis. Utilizamos 385.601 ECGs para desenvolvimento de um modelo padrão e adaptado ao ruído. Para o modelo adaptado ao ruído, os ECGs são aumentados durante o treinamento com ruído gaussiano aleatório em quatro faixas de frequência distintas, cada uma emulando fontes de ruído do mundo real. Ambos os modelos apresentam desempenho comparável em ECGs padrão com um AUROC de 0,90. O modelo adaptado ao ruído tem um desempenho significativamente melhor no mesmo conjunto de testes, aumentado com quatro gravações distintas de ruído do mundo real em múltiplas relações sinal-ruído (SNRs), incluindo ruído isolado de um ECG de dispositivo portátil. Os modelos padrão e adaptado ao ruído apresentam AUROC de 0,72 e 0,87, respectivamente, quando avaliados em ECGs aumentados com ruído de dispositivo de ECG portátil com SNR de 0,5. Esta abordagem representa uma nova estratégia para o desenvolvimento de ferramentas adaptadas a dispositivos vestíveis a partir de repositórios clínicos de ECG.

A disfunção sistólica do ventrículo esquerdo (DSVE) está associada a um aumento de mais de 8 vezes no risco de insuficiência cardíaca e a um aumento de quase 2 vezes no risco de morte prematura1. O diagnóstico precoce pode efetivamente mitigar esse risco2,3,4, mas a DSVE é frequentemente diagnosticada somente depois que os pacientes desenvolvem doença sintomática devido à falta de estratégias de triagem eficazes5,6,7. A inteligência artificial (IA) pode detectar disfunção sistólica do ventrículo esquerdo (DSVE) a partir de eletrocardiogramas (ECG), um diagnóstico que tradicionalmente se baseia em ecocardiografia abrangente ou outras imagens cardíacas, que consome muitos recursos e é difícil de usar para estratégias de triagem generalizada8,9. Embora o AI-ECG seja uma ferramenta de triagem promissora para detectar DSVE, os algoritmos foram projetados em ECGs de 12 derivações obtidos clinicamente. Os avanços nas tecnologias vestíveis e portáteis agora permitem a aquisição no local de atendimento de sinais de ECG de derivação única, abrindo caminho para ferramentas de triagem mais eficientes e escaláveis ​​com essas tecnologias de AI-ECG10,11. Esta acessibilidade melhorada poderia permitir uma triagem mais ampla baseada em IA para DSVE, mas a confiabilidade de tais ferramentas é limitada pela presença de ruído nos dados coletados de dispositivos vestíveis e portáteis12,13. Consequentemente, o desempenho dos modelos para detecção de DSVE a partir de ECGs de dispositivos portáteis pode ser degradado no cenário do mundo real, com desempenho inferior ao observado nos derivados originais de derivação única dos estudos de desenvolvimento clínico14,15.

Na ausência de grandes conjuntos de dados rotulados de ECGs vestíveis, o desenvolvimento de algoritmos que possam detectar doenças cardíacas estruturais subjacentes em dispositivos vestíveis depende de informações de derivação única especificamente adaptadas de ECGs de 12 derivações extraídas de bibliotecas clínicas de ECG. No entanto, este processo não leva especificamente em conta os desafios únicos de aquisição de dados encontrados com o ECG vestível, possivelmente contribuindo para o seu desempenho diagnóstico inconsistente. Na verdade, existem diversas fontes de ruído em dados vestíveis, decorrentes de fatores como mau contato do eletrodo com a pele, movimento e contração muscular durante o ECG e interferência elétrica externa16,17,18,19. Este ruído tem implicações práticas, uma vez que os modelos demonstram um desempenho inferior quando testados em todos os dados de ECG vestíveis disponíveis, em oposição a subconjuntos selecionados de alta qualidade15. Esta diferença marcante no desempenho com base no ruído limitou os programas de triagem baseados em dispositivos vestíveis, com um estudo de triagem de fibrilação atrial baseado em dispositivos vestíveis desqualificando 22% dos pacientes devido à qualidade insuficiente do sinal12. A contabilização deste ruído é um pré-requisito para desenvolver modelos amplamente acessíveis que formarão a base de programas eficazes de rastreio da DSVE na comunidade.