Inteligência artificial pode diagnosticar síndrome do QT longo

Mais pessoas foram corretamente identificadas como portadoras da síndrome do QT longo (LQTS) quando seus eletrocardiogramas foram analisados ​​com inteligência artificial (IA) em vez da métrica QTc sozinha, relataram pesquisadores.

A tarefa de diferenciar pessoas com LQTS de pares, avaliados para a condição, mas não diagnosticados, foi realizada melhor por uma rede neural convolucional – com uma área sob a curva característica de operação do receptor de 0,900 – do que por QTc derivado de ECG classificação, de acordo com Michael Ackerman, MD, PhD, da Mayo Clinic em Rochester, Minnesota, e colegas.

Da mesma forma, IA superou o QTc na distinção de LQTS oculta, ou casos com síndrome do QT longo geneticamente confirmada,  apesar de um intervalo QT de repouso normal , de casos rejeitados como normais, o grupo de Ackerman relatou em um estudo publicado online no JAMA Cardiology.

“Este modelo pode ajudar na detecção de LQTS em pacientes que se apresentam a uma clínica de arritmia e, com validação, pode ser o trampolim para ferramentas semelhantes a serem desenvolvidas para uso na população em geral”, disseram os autores.

Sua rede neural teve uma precisão geral de 78,7% e foi até capaz de distinguir entre os três principais subgrupos genotípicos de síndrome do QT longo.

O problema de diagnosticar LQTS hoje é que, embora o prolongamento do QT seja a característica marcante da doença, cerca de 40% dos pacientes com LQTS geneticamente confirmados terão um QT de aparência normal em um ECG de repouso. Este grupo permanece em risco de arritmias associadas a LQTS graves, mas seu QTc normal não o qualifica para uma avaliação posterior.

“Embora os indivíduos com valores de QTc dentro dos limites normais corram risco significativamente menor de tais arritmias, a identificação desses pacientes ainda é importante para, no mínimo, implementar a medida potencialmente salvadora de evitar drogas que prolongam o intervalo QT e talvez instituir β- profilático terapia com bloqueadores (recomendação de classe IIa) e ajuda a identificar os membros da família que podem estar em risco (possivelmente maior)”, de acordo com Ackerman e colegas.

Características do estudo

Seu estudo de caso-controle diagnóstico incluiu todos os ECGs de 12 derivações de 2.059 pacientes avaliados para LQTS em uma clínica especializada em ritmo cardíaco genético de 1999 a 2018. Os participantes eram 57% homens, com idade média no primeiro ECG de 21,6 anos.

A coorte foi dividida entre os 967 diagnosticados com síndrome do QT longo e 1.092 demitidos por não apresentarem LQTS.

O grupo de Ackerman treinou seu IA em 60% dos pacientes, validou-o em 10% dos pacientes e testou-o nos 30% restantes.

“Este estudo contribui para o importante corpo de trabalho que demonstra como algoritmos de aprendizado de máquina, devidamente aplicados, podem expandir a utilidade de fontes de dados médicos existentes, como ECGs, para extrair novos insights e melhorar o desempenho, em muitos casos sem invasão ou custo adicional significativo”, de acordo com Geoffrey Tison, MD, MPH, da University of California San Francisco, escrevendo em um editorial anexo.

“A maioria das abordagens algorítmicas anteriores não podiam aceitar dados de ECG brutos completos como sua entrada, forçando os investigadores a derivar resumos usando restrições a priori, como o cálculo das características da onda T ou medição do intervalo QT. Em vez disso, um CNN [rede neural convolucional] pode derivar qualquer uma dessas características resumidas e inúmeras outras, já que estão todas contidas nos dados de tensão bruta”, observou Tison.

Uma rede neural devidamente treinada pode, portanto, fazer o que os humanos não podem.

“Esse objetivo poderia ser alcançado por meio do uso de recursos ainda não reconhecidos ou elementos sutis e visualmente imperceptíveis da forma de onda de ECG. O CNN neste estudo parece ter alcançado isso, pois identificou LQTS ocultos de ECGs que, de outra forma, pareciam normais para cardiologistas especialistas “, disse o editorialista.

Limitar a generalização dos resultados do estudo foi sua natureza unicêntrica, bem como a seleção de pacientes com suspeita de possível SQTL, mas com alta sem esse diagnóstico, Ackerman e colegas advertiram. Eles observaram que suas descobertas requerem validação interna adicional dentro da clínica do estudo, bem como validação externa e calibração em um centro diferente ou população maior não selecionada.

Anteriormente, o grupo de Ackerman anunciou que havia treinado um modelo de IA para detectar LQTS oculto de uma única derivação de ECG em uma colaboração com a AliveCor.

“Em última análise, a utilidade clínica do mundo real alcançada pela interpretação de ECG baseada em rede neural será amplamente ditada pelo sucesso de sua integração no fluxo de trabalho clínico e a escala de sua adoção: direções-chave que requerem colaboração entre os investigadores que desenvolvem essas tecnologias e o clínicos interpretando e implantando-os na prática médica diária”, de acordo com Tison.

____________________________

O estudo original foi pulicado no JAMA Cardiology

* “Use of Artificial Intelligence and Deep Neural Networks in Evaluation of Patients With Electrocardiographically Concealed Long QT Syndrome From the Surface 12-Lead Electrocardiogram” – 2021

Autores do estudo: J. Martijn Bos, MD, PhD, Zachi I. Attia, PhD, David E. Albert, MD, Peter A. Noseworthy, MD, Paul A. Friedman, MD, Michael J. Ackerman, MD, PhD – 10.1001/jamacardio.2020.7422