Resumo Técnico: Utilizando Aprendizado de Máquina para Classificar o Tipo de Batimento Cardíaco em Atletas a partir de Dados de Eletrocardiograma

Declaração do Problema

Eventos cardíacos súbitos em atletas, embora raros, acarretam consequências graves, necessitando de métodos de triagem precisos e escaláveis. A análise de eletrocardiograma (ECG) é o padrão para avaliação cardíaca; no entanto, sua implementação generalizada na triagem atlética é dificultada pela carga de trabalho clínica e pela dificuldade de distinguir arritmias clinicamente significativas de variações normais. Modelos de aprendizado profundo existentes para análise de ECG frequentemente enfrentam limitações na generalização entre pacientes e interpretabilidade, e frequentemente falham em capturar adaptações fisiológicas específicas do esporte. Além disso, conjuntos de dados padrão carecem da granularidade necessária para mapear anotações clínicas complexas para estruturas de avaliação padronizadas. Este estudo aborda a necessidade de um framework de aprendizado de máquina automatizado e interpretável capaz de identificar com precisão arritmias raras, mas clinicamente significativas — especificamente batimentos ectópicos supraventriculares (SVEB) e batimentos ectópicos ventriculares (VEB) — para apoiar a triagem cardíaca em populações atléticas.

Metodologia

Fonte de Dados e Pré-processamento

O estudo utilizou o PhysioNet ECG Arrhythmia Database, um repositório de larga escala contendo 45.152 registros de ECG de pacientes. Cada registro é um sinal de 12 derivações de 10 segundos amostrado a 500 Hz.

• Seleção de Derivações: Três derivações clinicamente informativas (I, II e V1) foram extraídas para equilibrar a informação diagnóstica com a eficiência da triagem.
• Pré-processamento: Os sinais foram reamostrados para 256 Hz. As etapas de pré-processamento incluíram remoção de oscilação de linha de base (filtro Butterworth passa-alta de segunda ordem, corte de 0,5 Hz), detrending linear, normalização z-score e clipping de amplitude para ±8,0 mV. Registros com segmentos de linha plana ou valores ausentes foram excluídos, resultando em uma forma de entrada padronizada de (2560, 3).

Mapeamento de Rótulos: SNOMED-CT para AAMI

Para garantir a interpretabilidade clínica e o alinhamento com métricas de avaliação padrão, as anotações detalhadas do SNOMED-CT foram mapeadas para o padrão da Association for the Advancement of Medical Instrumentation (AAMI).

• Classes Mantidas: Normal (N), Batimento Ectópico Supraventricular (SVEB) e Batimento Ectópico Ventricular (VEB).
• Classes Excluídas: As classes de Fusão (F) e Desconhecido/Estimulado (Q) foram excluídas conforme os critérios de avaliação padrão.
• Distribuição: O conjunto de dados resultante compreendeu 69,3% de Normal, 22,0% de SVEB e 7,1% de VEB, destacando um desequilíbrio significativo de classes.

Divisão de Dados e Aumento de Dados

O conjunto de dados foi particionado via amostragem estratificada em 70% de treinamento (30.411 registros), 10% de validação (4.345 registros) e 20% de teste (8.690 registros).

• Aumento de Dados (Augmentation): Um gerador de dados balanceado amostrou números iguais de registros por classe. O aumento em tempo real consciente do domínio incluiu deslocamentos temporais aleatórios (±12 amostras), escalonamento de amplitude (0,98–1,02), ruído Gaussiano aditivo (σ 0,01–0,03) e modulação de linha de base de baixa amplitude.

Arquiteturas de Modelos

Dois modelos de aprendizado profundo foram desenvolvidos e treinados usando focal loss (γ=2,0) com pesos de classe (0,15, 0,35, 0,50) para lidar com o desequilíbrio de classes.

1. CNN Residual com Atenção de Derivação:

   • Arquitetura: Uma camada convolucional 1D (64 filtros) seguida por um mecanismo de atenção de derivação customizado (inspirado em squeeze-and-excitation) aplicando pooling de média global e camadas densas. O núcleo consistia em três blocos residuais (128, 256, 512 filtros) com projeções 1×1.
   • Saída: Três camadas totalmente conectadas (256, 128, 64 unidades) e uma saída softmax.

2. Unidade Recorrente de Portão Bidirecional (BiGRU):

   • Arquitetura: Uma camada convolucional 1D (32 filtros) e uma camada de max-pooling precedendo duas camadas empilhadas de BiGRU bidirecional (128 e 64 unidades ocultas).
   • Regularização: Dropout (0,3) dentro das camadas recorrentes e camadas densas (0,4 e 0,3).
   • Saída: Duas camadas densas e uma saída softmax.

Estratégia de Ensemble

Um ensemble ponderado combinou as saídas da CNN e da BiGRU. Os pesos de fusão foram derivados do desempenho de validação usando uma fórmula de pontuação: 0,3 × macro-F1 + 0,7 × VEB-F1. Esta ponderação priorizou a classificação de VEB devido à sua associação com o risco de morte cardíaca súbita. O ajuste de limiar (threshold tuning) foi aplicado ao limite de probabilidade de VEB do ensemble no conjunto de validação.

Principais Resultados

Os modelos foram avaliados no conjunto de teste mantido utilizando precisão, recall, pontuação F1, acurácia e F1 macro-média.

• CNN Residual: Alcançou uma acurácia geral de 90,5% e um F1 macro-médio de 0,820. Teve um desempenho forte nas classes Normal (F1=0,954) e SVEB (F1=0,848), mas mostrou um desempenho inferior em VEB (F1=0,659) com uma tendência a superprever eventos de VEB (334 falsos positivos).
• BiGRU: Superou a CNN em todas as classes, alcançando 93,0% de acurácia e um F1 macro-médio de 0,844. Melhorou a precisão de VEB (0,637 vs. 0,585) enquanto mantinha alto recall, reduzindo o total de falsos positivos para 252.
• Ensemble Ponderado: O ensemble alcançou o melhor desempenho com 93,5% de acurácia geral e um F1 macro-médio de 0,855.
  • Desempenho de VEB: O ensemble atingiu um F1 score de 0,696 para a classe crítica VEB, classificando corretamente 462 instâncias enquanto reduziu os falsos positivos para 241.
  • Normal/SVEB: Os F1 scores melhoraram para 0,975 (Normal) e 0,894 (SVEB).

Significância e Alegações

O artigo afirma que o framework de aprendizado de máquina proposto demonstra que a análise automatizada de ECG pode fornecer suporte de triagem preciso, interpretável e escalável para populações atléticas.

• Padronização: Ao mapear o SNOMED-CT para os padrões AAMI, o estudo permite uma classificação clinicamente interpretável que se alinha aos protocolos de avaliação estabelecidos.
• Eficácia do Ensemble: A estratégia de ensemble ponderado aproveita com sucesso os pontos fortes da extração de características espaciais (CNN) e temporais (BiGRU), superando os modelos individuais e, especificamente, melhorando a detecção de VEBs de alto risco.
• Utilidade Clínica: Os autores propõem a integração desses modelos como ferramentas de suporte à decisão em exames físicos de pré-temporada. O sistema é projetado para destacar segmentos de ECG que exigem revisão de um cardiologista, melhorando assim a eficiência e a segurança da triagem de atletas sem substituir o julgamento clínico.
• Limitações: O estudo reconhece modestamente que a detecção de VEB continua sendo um desafio, com a persistência de falsos positivos. Observa-se que os modelos foram treinados em um conjunto de dados de pesquisa e ainda não foram validados contra ECGs clínicos coletados prospectivamente de populações atléticas específicas, o que limita as alegações imediatas de generalização no mundo real.

O trabalho conclui que combinar testes de ECG com classificação de batimentos cardíacos baseada em aprendizado de máquina oferece um caminho para uma identificação mais precisa de atividade cardíaca anormal, garantindo que os atletas recebam avaliação clínica oportuna e apropriada.