Leveraging the wearable 1-lead ECG signal: From cardiac rhythm to cardiac function assessment

Resumo Técnico: Aproveitando ECGs de 1 Derivação Usáveis para Avaliação da Função Cardíaca

Definição do Problema
As doenças cardiovasculares permanecem como a principal causa de mortalidade global, necessitando de ferramentas diagnósticas acessíveis. Embora o eletrocardiograma (ECG) de 12 derivações seja o padrão ouro clínico para avaliar a atividade elétrica cardíaca e anormalidades estruturais, sua utilidade é restrita a ambientes clínicos devido aos requisitos de equipamento e pessoal. Por outro lado, os ECGs de 1 derivação usáveis (ex: smartwatches) oferecem portabilidade e permitem o monitoramento remoto, mas historicamente foram otimizados primariamente para análise de ritmo (como a detecção de fibrilação atrial) em vez de avaliação estrutural ou funcional. Embora estudos recentes sugiram que ECGs de 1 derivação podem detectar disfunção ventricular esquerda (DVE), há uma falta de comparações diretas, frente a frente, entre ECGs de 1 derivação baseados no pulso e ECGs padrão de 12 derivações adquiridos dos mesmos pacientes, particularmente dentro da população pós-infarto do miocárdio (IM). Além disso, a aplicação de IA explicável para interpretar como sinais de derivação única se correlacionam com a função ventricular esquerda (FV) neste coorte específico permanece subexplorada.

Metodologia
O estudo utilizou um coorte pareado de pacientes tratados por síndrome coronária aguda no Centro Médico da Universidade de Leiden (2018–2023). O conjunto de dados compreendeu:

• ECGs de 1 Derivação: 63.950 sinais brutos de 30 segundos registrados em casa usando Smartwatches ECG da Withings (300 Hz) de 708 pacientes.
• ECGs de 12 Derivações: 77.005 sinais brutos de 10 segundos registrados em hospital (500 Hz) de 6.703 pacientes.

Pré-processamento e Rotulagem de Dados:
Os sinais foram segmentados em batimentos cardíacos individuais (intervalos de 800 ms centrados no pico R). A detecção do pico R utilizou uma CNN baseada em U-Net. Para abordar problemas de qualidade de dados inerentes às gravações domésticas (ex: erros de orientação do dispositivo, estados de não repouso), um filtro baseado em autocorrelação foi aplicado para excluir sinais de 1 derivação de baixa qualidade. Os rótulos de FV foram derivados de relatórios de ecocardiograma obtidos dentro de sete dias da gravação do ECG, classificados em quatro categorias ordinais (normal, comprometimento leve, moderado, grave) utilizando um Modelo de Linguagem de Grande Escala (LLM).

Arquitetura do Modelo:
O estudo empregou um autoencoder variacional (VAE) $\beta$-parcial com sete blocos convolucionais recorrentes tanto no codificador quanto no decodificador. A arquitetura foi projetada para separar representações latentes em um componente de sinal não linear ($z_{nls}$) e um componente de sinal linear ($z_{ls}$) diretamente ligado à previsão de FV. Quatro configurações distintas de modelos foram treinadas e avaliadas:

1. Modelo de 12 derivações: Treinado em ECGs completos de 12 derivações.
2. Modelo de Derivação I: Treinado na Derivação I extraída dos ECGs de 12 derivações.
3. Modelo de 1 derivação pré-treinado: Pré-treinado na Derivação I de ECGs de 12 derivações, depois ajustado (fine-tuned) em ECGs de 1 derivação usáveis.
4. Modelo de 1 derivação: Treinado exclusivamente em ECGs de 1 derivação usáveis.

Para entradas de 1 derivação, o canal único foi duplicado ao longo da dimensão da derivação para corresponder à forma de entrada esperada pelo modelo ($12 \times 400$).

Interpretabilidade:
Para garantir a transparência, o estudo utilizou manipulação de atributos. Ao manipular o vetor latente $z_{ls}$ para representar estados hipotéticos de FV (do comprometimento grave ao normal), o modelo reconstruiu formas de onda de ECG hipotéticas. Isso permitiu a visualização de mudanças morfológicas específicas (ex: amplitude do pico R, área da onda T) associadas a diferentes níveis de comprometimento da FV.

Principais Resultados

• Desempenho Preditivo: O modelo de 12 derivações completo alcançou o maior desempenho (AUC = 0,897). O modelo de 1 derivação usável alcançou uma AUC de 0,863, enquanto o modelo de 1 derivação pré-treinado alcançou uma AUC de 0,883. Estes resultados indicam que ECGs de 1 derivação podem prever a FV com uma precisão que quase iguala a dos ECGs de 12 derivações.
• Trocas de Sensibilidade/Especificidade (Trade-offs): Em uma sensibilidade de 0,90, as especificidades foram de 0,64 para o modelo de 12 derivações, 0,71 para o modelo de 1 derivação pré-treinado e 0,65 para o modelo de 1 derivação padrão.
• Benefícios da Agregação: As previsões ao nível do batimento cardíaco foram agregadas através da média dentro de cada sinal. Esta agregação temporal melhorou significamente o desempenho dos modelos de 1 derivação, sugerindo que o cancelamento de ruído e a disponibilidade de mais batimentos em gravações mais longas de 30 segundos compensam a redução da resolução espacial.
• Consistência: Todos os modelos demonstraram altos escores de consistência de batimento cardíaco (HBC > 0,95 para a maioria), indicando estabilidade intra-gravação robusta.
• Achados de Interpretabilidade: A manipulação de atributos revelou que o modelo de 12 derivações aproveitou um conjunto diversificado de características em múltiplas derivações (ex: picos R entalhados em derivações específicas). Em contraste, os modelos de 1 derivação basearam-se em características semelhantes à Derivação I (ex: amplitude do pico R, morfologia da onda T), confirmando que, embora os modelos de derivação única capturem anormalidades globais, eles carecem da diversidade espacial dos sistemas de múltiplas derivações.

Significância e Alegações
O artigo alega que os ECGs de 1 derivação usáveis, quando combinados com aprendizado profundo explicável, possuem a capacidade de ir além da análise de ritmo para avaliar a função cardíaca estrutural, especificamente a função ventricular esquerda em pacientes pós-IM. O estudo demonstra que:

1. Viabilidade Clínica: ECGs de 1 derivação podem fornecer insights clinicamente significativos sobre a FV, alcançando um desempenho comparável aos de 12 derivações, particularmente quando as previsões são agregadas ao longo do tempo.
2. A Explicabilidade como Facilitadora: O uso de IA explicável (manipulação de atributos) fornece uma visão transparente do raciocínio do modelo, destacando componentes específicos da forma de onda (como a morfologia da onda T) que impulsionam as previsões. Esta transparência é crucial para escalar estas ferramentas para ambientes com recursos limitados ou cuidados domiciliares onde a expertise cardiológica pode estar ausente.
3. Aplicação Estratégica: Embora os ECGs de 1 derivação não pretendam substituir os ECGs de 12 derivações, eles servem como uma ferramenta prática e escalável para triagem e monitoramento longitudinal, podendo atuar como um sistema de alerta precoce para sinalizar pacientes para revisão médica.

Os autores mantêm uma postura modesta, reconhecendo que os modelos de 1 derivação exibem uma lacuna de desempenho em comparação aos de 12 derivações e que sua eficácia pode variar dependendo da localização do infarto do miocárdio (ex: anormalidades globais vs. regionais). Eles enfatizam que trabalhos futuros são necessários para validar estes achados em subtipos clínicos mais amplos e para refinar o controle de qualidade de dados para aquisições baseadas em domicílio.