Physiology-augmented deep representations improve cross-database electrocardiogram beat classification under unseen-domain shift

O coração humano bate com um ritmo que é tanto biológico quanto elétrico, enviando sinais através do peito que os médicos têm lido há mais de um século usando uma máquina chamada eletrocardiograma, ou ECG. Essas máquinas produzem uma linha serrilhada em uma tela, um registro visual da atividade elétrica do coração que revela se o órgão está batendo normalmente ou lutando contra uma arritmia. Por décadas, a tarefa de interpretar essas linhas coube a especialistas humanos, mas o volume colossal de dados provenientes de dispositivos vestíveis e monitores hospitalares tornou necessário ensinar os computadores a realizar o trabalho. Nos últimos anos, a inteligência artificial tornou-se a ferramenta de escolha, com sistemas de aprendizado profundo (deep learning) treinados para reconhecer padrões nos batimentos cardíacos que poderiam ser invisíveis ao olho nu. No entanto, um problema persistente permanece: um programa de computador que aprende a ler batimentos cardíacos perfeitamente em um hospital frequentemente falha quando lhe é solicitado que leia batimentos de um hospital diferente, de uma máquina diferente ou de um grupo de pessoas diferente. Isso acontece porque os dados de diferentes fontes parecem ligeiramente distintos, criando um abismo que o computador não consegue atravessar facilmente sem retreinamento.

Pesquisadores da Universidade de Ciência e Tecnologia Kwame Nkrumah, em Gana, decidiram verificar se poderiam ajudar esses modelos de inteligência artificial a atravessar esse abismo sem a necessidade de ver os novos dados previamente. Eles fizeram uma pergunta simples: se um computador aprende a reconhecer um batimento cardíaco observando a forma bruta da onda, ele também se beneficiaria se lhe fossem ditados os fatos específicos e mensuráveis sobre esse batimento, como a duração da onda ou a distância entre os batimentos? Para testar isso, eles construíram um sistema que combinava duas formas de observar o coração. Uma parte do sistema utilizou uma rede neural poderosa e moderna para aprender padrões complexos diretamente do sinal bruto, de forma muito semelhante a um estudante memorizando milhares de exemplos. A outra parte do sistema utilizou um método tradicional baseado em regras para medir intervalos e formas específicas, extraindo um conjunto de quarenta fatos numéricos claros sobre o ritmo e o tempo do batimento. Eles treinaram este sistema combinado em dados cardíacos de um banco de dados grande e bem conhecido e, em seguida, testaram-no em um banco de dados completamente diferente, que o sistema nunca havia visto antes, garantindo que nenhuma informação do novo conjunto de teste fosse usada para ajustar o modelo durante o treinamento.

Os resultados mostraram que adicionar os fatos explícitos e medidos ao modelo de aprendizado profundo fez uma diferença real. Quando o sistema foi testado no banco de dados externo inédito, a versão que utilizava apenas o reconhecimento de padrões brutos teve dificuldades para classificar os batimentos cardíacos corretamente, alcançando uma pontuação que refletia uma dificuldade significativa com os novos dados. No entanto, a versão que combinou os padrões brutos com os quarenta fatos medidos teve um desempenho visivelmente superior. A melhoria não foi uma flutuação ínfima; a análise estatística confirmou que o ganho era real e não devido ao acaso. O sistema híbrido, que utilizou tanto os padrões de aprendizado profundo quanto as medições explícitas, identificou corretamente o tipo de batimento cardíaco com mais frequência do que o sistema de aprendizado profundo sozinho. Isso sugere que os dois métodos estão olhando para o coração de ângulos diferentes. O modelo de aprendizado profundo era bom em reconhecer a forma geral de um único batimento, mas perdia o contexto do que acontecia antes e depois desse batimento. Os fatos medidos, que incluíam o tempo entre os batimentos e o ritmo, forneceram esse contexto ausente, agindo como uma ponte que ajudou o computador a compreender os novos dados, mesmo sem tê-los visto antes.

Os pesquisadores descobriram que a peça de informação mais valiosa que o sistema obteve dos fatos medidos foi o próprio ritmo. Quando eles bloquearam temporariamente o acesso do sistema à temporização entre os batimentos, o desempenho caiu mais do que quando bloquearam qualquer outro tipo de informação. Isso faz sentido porque o modelo de aprendizado profundo foi treinado em janelas isoladas de um segundo dos batimentos cardíacos, portanto, não sabia naturalmente quão rápido o coração estava batendo no geral ou quão regular era o ritmo. As medições explícitas preencheram essa lacuna, dando ao sistema uma visão mais ampla do comportamento do coração. Embora o modelo de aprendizado profundo sozinho pudesse lidar com a maioria dos batimentos normais, ele enfrentou dificuldades com os tipos mais complexos e raros de ritmos irregulares ao lidar com o novo banco de dados. A adição dos fatos medidos ajudou o sistema a lidar melhor com esses casos difíceis, melhorando sua capacidade de distinguir entre diferentes tipos de arritmias.

É importante notar que esta melhoria foi específica para o desafio de transitar de um banco de dados para outro. Quando os pesquisadores testaram o sistema em dados do mesmo hospital onde ele foi treinado, o benefício de adicionar os fatos medidos foi muito menor e não foi estatisticamente significativo. Isso nos diz que a informação extra não é apenas um impulsionador geral para todas as situações, mas sim uma ferramenta específica que ajuda o computador a se adaptar quando os dados mudam de maneiras inesperadas. O estudo não alegou ter resolvido o problema do diagnóstico de doenças cardíacas, nem sugeriu que esses modelos estejam prontos para uso imediato em todas as clínicas. Os pesquisadores foram cuidadosos ao apontar que seu sistema ainda tinha dificuldades com os tipos mais raros de batimentos cardíacos, simplesmente porque havia poucos exemplos deles nos dados de teste para aprender. Além disso, o sistema dependia de uma única derivação (lead) do sinal cardíaco, enquanto dispositivos médicos do mundo real frequentemente utilizam múltiplas derivações para obter um quadro mais completo.

Apesar dessas limitações, o trabalho oferece um caminho claro a seguir. Ele demonstra que não precisamos escolher entre o poderoso reconhecimento de padrões da inteligência artificial moderna e as medições confiáveis e interpretáveis da medicina tradicional. Em vez disso, os dois podem trabalhar juntos. Ao alimentar um modelo de aprendizado profundo tanto com o sinal bruto quanto com um conjunto de fatos claros e validados sobre o tempo e a forma do coração, os pesquisadores podem criar sistemas que sejam mais robustos e capazes de lidar com a realidade desordenada dos dados de diferentes fontes. Esta abordagem sugere que o futuro do monitoramento cardíaco automatizado pode não residir na substituição do conhecimento humano por máquinas, mas em ensinar as máquinas a respeitar e utilizar as verdades específicas e mensuráveis nas quais os médicos humanos confiaram por gerações. O estudo conclui que, embora o modelo de aprendizado profundo forneça uma base sólida, a adição de fatos fisiológicos proporciona uma camada complementar de compreensão que ajuda o sistema a enxergar o coração com mais clareza, mesmo quando a perspectiva muda.