Artificial intelligence-enabled electrocardiographic detection of acute occlusive myocardial infarction

Resumo Técnico: Detecção de Infarto Agudo do Miocárdio Oclusivo Mediante Inteligência Artificial Aplicada ao Eletrocardiograma

Definição do Problema
O infarto agudo do miocárdio oclusivo (IMAO), definido por uma oclusão coronária completa ou quase completa que causa isquemia transmural, requer revascularização oportuna para prevenir lesão irreversível. Embora a angiografia coronária (AC) seja a ferramenta diagnóstica definitiva, ela é invasiva e consome muitos recursos. Os fluxos clínicos atuais dependem fortemente dos critérios de infarto do miocárdio com supradesnivelamento do segmento ST (IAMCSDT) para acionar a AC de emergência; no entanto, apenas 65–75% dos pacientes com IMAO confirmado por angiografia apresentam supradesnivelamentos de ST diagnósticos. Os 25–35% restantes (frequentemente classificados como IAM sem supradesnivelamento do segmento ST - IAMsST) possuem artérias agudamente ocluídas, mas carecem de marcadores eletrocardiográficos específicos, o que leva ao atraso no reconhecimento e tratamento. Além disso, a interpretação visual de padrões sutis de ECG em casos sem supradesnivelamento de ST é propensa à variabilidade inter e intraobservador. Os modelos de aprendizado profundo (DL) existentes para detecção de infarto do miocárdio foram amplamente treinados em conjuntos de dados pequenos e publicamente disponíveis, carecendo de confirmação angiográfica sistemática, o que pode introduzir viés de espectro e falhar em capturar o continuum diagnóstico observado em ambientes de emergência do mundo real.

Metodologia
Este estudo de caso-controle retrospectivo utilizou um conjunto de dados de grande escala, vinculado a registros, para desenvolver e validar um modelo de fundação para detecção de IMAO.

• Coleta e Curadoria de Dados: O estudo analisou 17.165 ECGs padrão de 12 derivações de 11.338 pacientes registrados entre 2016 e 2022 no Hospital Universitário de Akershus e serviços de ambulância afiliados. Os ECGs foram vinculados ao Registro Nacional de Cardiologia Invasiva da Noruega (NORIC) para obter desfechos angiográficos.

  • Definição de IMAO: Os casos foram rotulados como IMAO se envolvessem uma lesão culpada aguda com grau de fluxo TIMI 0–2 tratada por intervenção coronária percutânea (ICP).
  • Grupos de Controle: A população de controle incluiu pacientes sem ICP, pacientes com achados angiográficos normais e aqueles com lesões não oclusivas (fluxo TIMI >2) ou lesões antigas. Para garantir a robustez, o grupo de controle foi estratificado em "controles saudáveis", "Angio <24 horas" (pacientes submetidos à angiografia por razões não urgentes) e "avaliação clínica urgente" (pacientes que requeriam monitoramento próximo, mas não reperfusão imediata).
  • Critérios de Exclusão: Procedimentos eletivos, intervenções secundárias (a menos que critérios específicos fossem atendidos) e ECGs registrados fora da janela de 0–72 horas em relação ao procedimento foram excluídos. Pacientes com dados de troponina ausentes ou níveis de troponina ≥14 ng/L no grupo de controle também foram excluídos para minimizar falsos negativos.

• Arquitetura e Treinamento do Modelo:

  • Modelo de Fundação: O estudo empregou o modelo ECGFounder, uma arquitetura de aprendizado profundo pré-treinada em mais de 10 milhões de registros de ECG, que foi ajustada (fine-tuning) no conjunto de dados do estudo.
  • Pré-processamento: As formas de onda digitais brutas foram reamostradas para 500 Hz, truncadas para 10 segundos e processadas com remoção de oscilação da linha de base (passa-alta de 0,5 Hz), filtragem de notch (50 Hz) e escalonamento min-max.
  • Estratégia de Treinamento: O modelo utilizou uma fase de pré-treinamento contrastivo supervisionado seguida de classificação ordinal. Esta abordagem tratou os quatro grupos de desfechos clínicos (Emergência/IMAO, Urgente, Angio <24h, Saudável) como uma hierarquia ordenada de urgência clínica, em vez de categorias independentes.
  • Funções de Perda: Para lidar com o severo desequilíbrio de classes, o estudo implementou uma perda focal assimétrica para classificação binária e uma perda ordinal focal para a tarefa multiclasse, enfatizando amostras de difícil classificação.
  • Validação: O conjunto de dados foi dividido em um conjunto de desenvolvimento de 80% (usado para validação cruzada de 5 dobras) e um conjunto de teste retido de 20%, com separação por nível de paciente para evitar vazamento de dados (data leakage).

• Métricas de Avaliação: O desempenho foi avaliado utilizando a Área Sob a Curva ROC (AUROC) e a Área Sob a Curva de Precisão-Recall (AUPRC). O modelo também foi comparado com a prática clínica atual usando o tempo "porta-procedimento" (<30 minutos) como um surrorgado pragmático para o reconhecimento de IMAO.

Principais Resultados

• Desempenho Geral: O modelo ECGFounder ajustado alcançou uma AUROC de 0,93 (IC 95%, 0,90–0,95) e uma AUPRC de 0,72 (IC 95%, 0,65–0,79) para distinguir casos de IMAO de casos de não-IMAO e controles. Este desempenho excedeu significativamente a linha de base sem habilidade baseada na prevalência (AUPRC ~0,10).
• Supra ST vs. Sem Supra ST:
  • IAMCSDT (com supradesnivelamento de ST): O modelo demonstrou desempenho excepcional com uma AUROC de 0,98 e AUPRC de 0,82.
  • IAMsST (sem supradesnivelamento de ST): O desempenho foi moderado, mas clinicamente relevante, com uma AUROC de 0,84 e AUPRC de 0,20. A AUPRC mais baixa reflete a dificuldade inerente de detectar oclusões sem supradesnivelamento em um conjunto de dados desequilibrado.
• Estratificação de Fluxo TIMI: O modelo manteve uma forte discriminação entre os graus de fluxo TIMI (0, 0–1, 0–2), com AUROCs variando de 0,93 a 0,95 para todos os casos de IMAO. O desempenho melhorou ao restringir o subgrupo sem supradesnivelamento de ST para pacientes com troponina ≥500 ng/L, sugerindo que o modelo captura isquemia hemodinamicamente relevante.
• Comparação com a Prática Clínica: Quando comparado ao benchmark de "porta-procedimento <30 minutos":
  • Para casos de IAMCSDT, o modelo identificou 93% dos casos (vs. 83% pelo tempo clínico).
  • Para casos de IAMsST, o modelo identificou 43% dos casos (vs. 11% pelo tempo clínico), destacando seu potencial para detectar oclusões de alto risco atualmente perdidas pelo triagem padrão.
• Correlações Demográficas e de Biomarcadores:
  • O modelo apresentou desempenho ligeiramente superior em homens do que em mulheres, potencialmente ligado a níveis medianos de troponina mais altos em homens.
  • As probabilidades previstas correlacionaram-se positivamente com os níveis de pico de troponina e inversamente com os graus de fluxo TIMI, indicando que o modelo captura a gravidade da lesão miocárdica e a redução do fluxo.
  • Erros de classificação foram mais frequentes em oclusões da artéria Circunflexa Esquerda (LCx), um desafio diagnóstico conhecido no ECG.

Significância e Alegações
Os autores afirmam que este estudo demonstra a viabilidade do uso de um modelo de fundação de ECG ajustado para detectar IMAO agudo diretamente de ECGs padrão de 12 derivações com alta precisão discriminativa. As principais alegações incluem:

1. Detecção de Oclusões "Ocultas": O modelo supera significativamente os fluxos de trabalho clínicos atuais na identificação de IMAO em pacientes sem supradesnivelamento de ST (IAMsST), um grupo onde atrasos diagnósticos são comuns.
2. Utilidade do Modelo de Fundação: O estudo valida a utilidade de modelos de fundação de grande escala (ECGFounder) ajustados com dados do mundo real confirmados por registro, superando as limitações de conjuntos de dados menores e publicamente disponíveis.
3. Integração Clínica: O modelo foi desenhado como uma ferramenta de suporte à decisão para complementar, não substituir, o julgamento clínico. Ele opera em ECGs padrão de 10 segundos sem exigir perícia técnica adicional.
4. Correlação de Biomarcadores: As probabilidades previstas pelo modelo alinham-se com biomarcadores biológicos de lesão (troponina) e gravidade angiográfica (fluxo TIMI), sugerindo que o modelo aprende características fisiopatológicas clinicamente relevantes em vez de artefatos espúrios.

Os autores mantêm-se modestos quanto à implementação clínica imediata, observando a necessidade de validação externa prospectiva em diferentes sistemas de saúde e fluxos de trabalho de ambulâncias antes da implementação. Eles enfatizam que, embora o modelo melhore as taxas de detecção, particularmente para IAMsST, ele não elimina a necessidade de confirmação angiográfica.