Uso da inteligência artificial aplicada ao Eletrocardiograma para diagnóstico de Disfunção Sistólica Ventricular Esquerda / Use of artificial intelligence applied to the Electrocardiogram to diagnose Left Ventricular Systolic Dysfunction

INTRODUÇÃO: a insuficiência cardíaca (IC) é uma das três causas mais comuns de doenças cardiovasculares (DCV), grupo de enfermidades que é a principal causa de morbimortalidade no mundo. O eletrocardiograma (ECG) é um dos exames utilizados na avaliação da IC, sendo de baixo custo e amplamente acessível. Quando associado à inteligência artificial, o ECG pode ser uma poderosa ferramenta para triagem de indivíduos com maior probabilidade de IC. O objetivo foi avaliar o desempenho de um algoritmo de IA, aplicado ao ECG, para detecção de DSVE e compará-lo ao das alterações maiores ao ECG (AME), de acordo com o código de Minnesota. MÉTODOS: estudo transversal retrospectivo de acurácia diagnóstica que utilizou a população do Estudo Longitudinal da Saúde do Adulto (ELSA-Brasil). Foram avaliados 2567 indivíduos que possuíam ecocardiograma (ECO) e ECG válidos e valores de predição para disfunção sistólica do ventrículo esquerdo (DSVE) estimadas por um algoritmo de inteligência artificial (IA). A DSVE foi definida como Fração de Ejeção do Ventrículo Esquerdo (FEVE) menor que 40%, calculada utilizando o ECO. A prevalência de DSVE foi de 1,13% na população estudada (29 indivíduos). Foram calculados sensibilidade, especificidade, valor preditivo positivo (VPP), valor preditivo negativo (VPN), razão de verossimilhança positivo (RVP), razão de verossimilhança negativa (RVN), diagnostic odds ratio (DOR) para o algoritmo e para as AME. Calculou-se também a área sob a curva ROC (ASC-ROC) para o algoritmo. RESULTADOS: a população estudada possui mediana de 62 anos, sendo 47,2% do sexo masculino. A ASC-ROC do algoritmo para predição de IC foi de 0,947 (IC 95% 0,913 ­ 0,981). A sensibilidade, especificidade, VPP, VPN, RVP, RVN e DOR para o algoritmo foi de 0,690; 0,976; 0,244; 0,996; 27,6; 0,32 e 88,74, respectivamente. Para as AME foi 0,172; 0,837; 0,012; 0,989; 1,09; 0,990 e 1,07 respectivamente. CONCLUSÕES: A IA aplicada ao ECG é uma fermenta promissora para identificação de pacientes com maior probabilidade de IC e que devem ser priorizados para realização de ECO. Isso poderia aprimorar o diagnóstico de IC em nosso meio e, assim, permitir o início precoce do tratamento, com possível impacto na redução da morbidade e mortalidade.

INTRODUCTION: Heart failure (HF) is one of the three most common causes of cardiovascular diseases (CVD), which are the leading causes of morbidity and mortality worldwide. The electrocardiogram (ECG) is one of the tests used in the evaluation of HF, combining low-cost and wide accessibility. When combined with artificial intelligence, the ECG can be a powerful tool for screening individuals with a higher risk of HF. Our objective was to assess the performance of an AI algorithm applied to the ECG for the detection of left ventricular systolic dysfunction (LVSD) and compare it to the performance of major ECG abnormalities (MEA) according to the Minnesota code. METHODS: This was a retrospective cross-sectional diagnostic accuracy study using data from the Brazilian Longitudinal Study of Adult Health (ELSA-Brazil). A total of 2567 individuals with valid echocardiograms (ECO) and ECGs and probability values for left ventricular systolic dysfunction (LVSD) estimated by an artificial intelligence (AI) algorithm, were evaluated. LVSD was defined as a left ventricular ejection fraction (LVEF) less than 40%, calculated using ECO. The prevalence of LVSD was 1.13% in the studied population (29 individuals). Sensitivity, specificity, positive predictive value (PPV), negative predictive value (NPV), positive likelihood ratio (PLR), negative likelihood ratio (NLR), and diagnostic odds ratio (DOR) were calculated for the algorithm and MEA. The area under the ROC curve (AUC-ROC) was also calculated for the algorithm. RESULTS: The study population had a median age of 62 years, with 47.2% being male. The AUC-ROC for the algorithm to predict HF was 0.947 (95% CI 0.913 ­ 0.981). Sensitivity, specificity, PPV, NPV, PLR, NLR, and DOR for the algorithm were 0.690, 0.976, 0.244, 0.996, 27.6, 0.32, and 88.74, respectively. For MEA, it was 0.172, 0.837, 0.012, 0.989, 1.09, 0.990, and 1.07, respectively. CONCLUSIONS: AI applied to the ECG is a promising tool for identifying patients with a higher likelihood of HF who should be prioritized for ECO. This could improve the diagnosis capacity of HF in our setting and thus enable early treatment initiation, with possible impact on reducing morbidity and mortality.

Adaptação transcultural do CIS-R (Clinical Interview Schedule- Revised Version) para o português no Estudo Longitudinal De Saúde Do Adulto (ELSA) / Cross-cultural adaptation of CIS-R (Clinical Interview Schedule-Revised Version) for the portuguese in Longitudinal Study Of Adult Health (ELSA)

A importância crescente dos transtornos mentais motivou sua investigação no Estudo Longitudinal Saúde do Adulto (ELSA). Optou-se pelo instrumento CIS-R (Clinical Interview Schedule – Revised), validado na língua original inglesa, e que classifica sintomas depressivos e de ansiedade característicos dos transtornos mentais comuns (TMC). A maioria das seções do CIS-R foi previamente traduzida para o português e utilizada em uma amostra de pacientes hospitalizados em São Paulo. A maior abrangência da população no ELSA e a existência de seções não traduzidas para o português levaram a realização de uma nova tradução e adaptação de todo instrumento a partir da versão original em inglês. Para tanto, foram realizadas análises de equivalência conceitual, entre os itens, semântica e operacional. O instrumento foi considerado adequado para investigar transtornos mentais comuns e suas associações com outras doenças crônicas

The increasing importance of mental disorders motivated its investigation in the Estudo Longitudinal de Saúde do Adulto (ELSA). We chose the use of CIS-R, and instrument which had been previously validated in English for the classification of symptoms of anxiety and depression characteristics of common mental disorders. Most of its components had been previously translated and culturally adapted in Brazil for a specific population of a hospital setting. Given the broader nature of the ELSA sample, and because some sections had not been translated, we undertook a new translation and adaptation process. We analyzed conceptional, between items, semantic and operational equivalence. The instrument was considered appropriate to investigate common mental disorders and their associations with other chronic diseases