Desenvolvimento e aplicação de uma rede neural artificial para identificação de fibrilação atrial no eletrocardiograma: uma nova ferramenta para otimização diagnóstica / Development and application of an artificial neural network to identify atrial fibrillation on the electrocardiogram: a new tool for diagnostic optimization

RESUMO

INTRODUÇÃO: A fibrilação atrial (FA) é a arritmia cardíaca sustentada mais comum no mundo e está associada a alta morbidade e mortalidade. O diagnóstico precoce da FA é parte fundamental para o controle bem sucedido da carga global da doença e, infelizmente, muitos casos não são diagnosticados devido à dificuldade de identificação da arritmia por profissionais de saúde não especializados. Nesse contexto, o uso de inovações tecnológicas como a inteligência artificial no processo de investigação diagnóstica surge como uma potencial intervenção disruptiva. OBJETIVO: O objetivo do presente estudo foi desenvolver um modelo de redes neurais artificiais (RNAs) com utilização de imagens de eletrocardiograma (ECG) e extração de sinais com alta sensibilidade e especificidade em relação a laudos médicos. MÉTODOS: O modelo foi treinado com dados de 11.029 ECGs de janeiro a dezembro de 2022, que totalizaram 100.108 derivações para treinamento da rede neural, uma ResNet unidimensional, utilizada com uma camada de convolução inicial, quatro blocos de camadas residuais e um bloco de densa camada para classificação binária. A extração foi individual de acordo com a disposição e tamanho das derivações na imagem do ECG, que foram então transformadas em um sinal unidimensional. A partir dos dados brutos em forma de sinal, foi realizada uma reamostragem, padronizando todos os fabricantes para 300hz. Em seguida, os ruídos do sinal foram removidos por meio do filtro Savitzky-Golay. Em seguida, o sinal foi padronizado para ter mediana = 0 e desvio padrão = 1. Foi adicionado um padding para ter um tamanho padrão de 2048. O padding utilizado foi um valor constante igual a zero. Realizamos padronização e preenchimento no sinal original (não filtrado) para obter 2 dados de uma única derivação. RESULTADOS: O modelo apresentou, ao final, uma sensibilidade de 100% e uma especificidade de 94,5% para a identificação de FA no ECG. Esse resultado foi um ganho para a utilização de redes neurais, pois a tecnologia utilizada anteriormente, com apenas a extração de métricas de onda, apresentava uma precisão menor. CONCLUSÃO: Concluímos que modelos de RNA, que extraem sinais de imagens e os transformam em predições para tomada de decisão por médicos especialistas, podem ser incluídos no arsenal de métodos preditivos para triagem com alta sensibilidade e trazer laudos médicos mais rápidos e confiáveis.