Dynamical Predictive Modelling of Cardiovascular Disease Progression Post-Myocardial Infarction via ECG-Trained Artificial Intelligence Model

Resumo Técnico: Modelagem Preditiva Dinâmica da Progressão da Doença Cardiovascular Pós-Infarto do Miocárdio via Modelo de IA Pré-treinado em ECG

Declaração do Problema
O infarto do miocárdio (IM) permanece uma das principais causas de mortalidade e morbidade a longo prazo. Embora o eletrocardiograma (ECG) seja uma ferramenta padrão e não invasiva para estratificação inicial do IM, atualmente não desempenha nenhum papel no manejo de pacientes pós-IM. Os autores identificam uma lacuna crítica: modelos de aprendizado profundo (DL) para prognóstico baseado em ECG apresentam desempenho inferior em ambientes clínicos porque dependem de grandes conjuntos de dados rotulados, que são escassos na medicina. Em regimes de dados limitados, estratégias padrão de DL frequentemente falham em extrair informações clinicamente relevantes, dependendo em vez disso de "atalhos" que levam a uma generalização pobre. Além disso, modelos de base existentes que utilizam aprendizado auto-supervisionado frequentemente falham em incorporar contexto temporal ao nível do paciente, o que é essencial para capturar a progressão da doença.

Metodologia
A solução proposta é um modelo de inteligência artificial pré-treinado que aprende representações específicas do paciente e conscientes da dinâmica, combinando aprendizado contrastivo com objetivos supervisionados de múltiplas tarefas.

• Fontes de Dados: O modelo foi pré-treinado com 800.035 registros de ECG de 12 derivações de 161.352 pacientes únicos, provenientes do banco de dados MIMIC-IV. Para avaliação a jusante, duas coortes específicas pós-IM foram utilizadas: uma coorte de mortalidade (8.499 pacientes, 3.097 óbitos) e uma coorte de insuficiência cardíaca (852 pacientes, 552 eventos).
• Estratégia de Pré-treinamento:
  • Aprendizado Contrastivo: O núcleo do pré-treinamento é uma abordagem auto-supervisionada onde pares de sinais de ECG do mesmo paciente, registrados dentro de uma janela temporal de 60 dias ($T_w$), são tratados como pares positivos. Sinais de pacientes diferentes ou fora dessa janela são tratados como pares negativos. Isso força o modelo a aprender representações sensíveis a mudanças relevantes para a doença ao longo do tempo, permanecendo invariante ao ruído de aquisição.
  • Aumento de Dados: Aumentações estocásticas de dados (ruído gaussiano, escalonamento de amplitude, deslocamentos temporais, queda de derivação, etc.) são aplicadas para criar visões distorcidas do mesmo sinal, prevenindo o aprendizado de atalhos.
  • Arquitetura: Um codificador convolucional 1D (ResNet1D) processa os sinais aumentados, seguido por uma cabeça de projeção. O modelo otimiza uma perda de Entropia Cruzada Normalizada e Escalonada por Temperatura (NT-Xent) para maximizar a similaridade entre pares positivos.
  • Supervisão Multitarefa: Para garantir relevância clínica, o codificador é treinado simultaneamente com cabeças de tarefas lineares para classificação de ritmo (fibrilação atrial, elevação do segmento ST) e regressão de forma de onda (intervalos de onda P, QRS, T e RR). Essas tarefas supervisionadas atuam como regularizadores, ponderadas por incerteza homoscedástica aprendida para lidar com diferentes escalas de tarefas.
• Ajuste Fino: O codificador ResNet1D pré-treinado é transferido para tarefas a jusante. Os pesos do codificador são congelados ou ajustados finamente, e uma nova rede de camada densa é treinada para classificar mortalidade e insuficiência cardíaca usando instâncias únicas de ECG pós-IM.

Principais Contribuições

1. Aprendizado Contrastivo Dinâmico: O artigo reestrutura o aprendizado contrastivo como um problema de modelagem dinâmica, definindo pares positivos com base na identidade do paciente e em uma janela temporal clinicamente significativa (60 dias), em vez de apenas visões aumentadas de uma única instância.
2. Objetivo de Treinamento Híbrido: A integração de aprendizado contrastivo auto-supervisionado com cabeças de múltiplas tarefas supervisionadas (ritmo e morfologia) garante que os embeddings aprendidos capturem tanto a dinâmica temporal específica do paciente quanto características estruturadas clinicamente.
3. Desempenho em Regimes de Baixa Quantidade de Dados: O estudo demonstra que essa estratégia de pré-treinamento melhora significativamente o desempenho prognóstico em pequenos conjuntos de dados pós-IM rotulados, comparado ao treinamento a partir do zero.

Resultados
O estudo avaliou o modelo pré-treinado contra uma linha de base ResNet1D treinada a partir do zero nas mesmas tarefas a jusante. O desempenho foi medido usando a Área Sob a Curva Característica Operatória do Receptor (AUC):

• Predição de Mortalidade: O modelo pré-treinado alcançou uma AUC de 0,794, comparado a 0,608 para o modelo treinado a partir do zero (uma melhoria de 19%).
• Predição de Insuficiência Cardíaca: O modelo pré-treinado alcançou uma AUC de 0,781, comparado a 0,602 para a linha de base (uma melhoria de 18%).

Significado e Alegações
Os autores afirmam que este trabalho serve como uma prova de conceito para o uso de modelos de IA pré-treinados "clinicamente inteligentes" em regimes de baixa quantidade de dados típicos da previsão de desfechos cardiovasculares. Eles afirmam que, ao estruturar a modelagem de ECG para levar em conta o contexto temporal ao nível do paciente e a progressão da doença, o modelo aprende representações que são mais robustas e clinicamente significativas do que aquelas derivadas do treinamento a partir do zero. Os resultados sugerem que tais estratégias de aprendizado de representação podem melhorar efetivamente a previsão de desfechos a longo prazo para pacientes pós-IM, potencialmente permitindo o uso de ECGs para o manejo contínuo de pacientes onde atualmente são limitados.