Causal Filter Phase Sensitivity in Deep Electrocardiographic Classifiers: Multi-Cohort Evaluation, Confound Decoupling, and Phase Augmentation

No hospital moderno, o coração de um paciente é frequentemente monitorado por máquinas que escutam o seu ritmo elétrico. Esses dispositivos capturam um sinal chamado eletrocardiograma, ou ECG, que se parece com uma linha irregular traçando o batimento do coração. Por décadas, os médicos leram essas linhas a olho nu, procurando por formas específicas que indicam um coração saudável ou um problema perigoso. Hoje, programas de computador poderosos estão aprendendo a ler essas mesmas linhas, muitas vezes com maior velocidade e consistência do que os humanos. Esses programas são construídos sobre o aprendizado profundo (deep learning), um tipo de inteligência artificial que encontra padrões em dados estudando milhares de exemplos. Para tornar esses sinais claros, as máquinas que os registam devem primeiro limpar o ruído, removendo o zumbido da interferência elétrica ou o desvio lento da respiração do paciente. Este processo de limpeza utiliza filtros digitais, ferramentas matemáticas que suavizam o sinal.

Durante muito tempo, os engenheiros acreditaram que, desde que um filtro removesse o ruído sem alterar o volume do sinal do coração, o computador veria a mesma coisa. Eles assumiram que o tempo dos picos e vales do sinal importava menos do que a forma geral. No entanto, um novo estudo desafia essa suposição. Ele sugere que a maneira como um filtro desloca o tempo de diferentes partes do sinal pode enganar até mesmo os programas de computador mais inteligentes. Se o filtro atrasar as partes de alta frequência do batimento cardíaco ligeiramente de forma diferente das partes de baixa frequência, o computador poderá deixar de reconhecer uma condição cardíaca perigosa, embora o sinal pareça quase idêntico ao olho humano. Esta descoberta é importante porque revela uma fraqueza oculta na forma como a IA médica é construída, mostrando que as ferramentas usadas para preparar os dados são tão importantes quanto a inteligência que os analisa.

Os investigadores por trás deste estudo, liderados por Álvaro García-Casas, da Universidade Carlos III de Madrid, procuraram testar se estes modelos de aprendizagem profunda eram verdadeiramente robustos ou se dependiam secretamente das peculiaridades de tempo dos filtros usados durante o seu treino. Eles concentraram-se num tipo específico de filtro chamado filtro causal, que é necessário para a monitorização em tempo real porque só pode olhar para dados passados e presentes, não para dados futuros. Embora estes filtros sejam necessários, eles frequentemente introduzem uma resposta de fase não linear. Em termos simples, isto significa que o filtro atrasa diferentes frequências do sinal do coração em quantidades de tempo distintas. Um pico de alta frequência pode ser empurrado para a frente por uma fração de segundo, enquanto uma onda de baixa frequência é empurrada para trás por um valor diferente. Isto estica e distorce o alinhamento preciso do pacote de ondas elétricas do coração.

Para isolar este efeito, a equipa desenhou um experimento inteligente utilizando uma ferramenta matemática especial chamada filtro passa-tudo (all-pass filter). Imagine um filtro que altera o tempo do sinal sem alterar o seu volume de forma alguma. Esta ferramenta permitiu aos investigadores desordenar o tempo do sinal do batimento cardíaco mantendo a sua energia e volume exatamente iguais. Eles testaram os seus modelos de computador em três coleções massivas e independentes de dados cardíacos da Alemanha e da China, totalizando mais de 36.000 registos de pacientes. Estes registos cobriam uma vasta gama de condições cardíacas, desde ritmos normais a defeitos de condução complexos, onde o sinal elétrico viaja demasiado lentamente pelo coração.

Os resultados foram impressionantes. Quando os investigadores aplicaram este filtro que distorce o tempo aos sinais antes de os fornecerem aos modelos de computador treinados, a capacidade dos modelos para diagnosticar condições cardíacas diminuiu significamente. A queda não foi pequena; para algumas condições difíceis, a precisão do computador caiu de uma pontuação quase perfeita para um nível pouco melhor do que o acaso. Os modelos tiveram mais dificuldade com defeitos de condução, como os bloqueios de ramo, que dependem de formas muito específicas e nítidas no sinal elétrico do coração. O estudo mostrou que o computador aprendeu a reconhecer estas formas com base no alinhamento temporal exato fornecido pelo filtro com o qual foi treinado. Quando esse alinhamento foi deslocado, mesmo que ligeiramente, o computador já não conseguiu encontrar o padrão necessário para fazer um diagnóstico.

Os investigadores também investigaram se esta falha era causada pelo início abrupto do filtro no começo de uma gravação, criando um breve erro (glitch). Eles realizaram um teste separado para ver se deixar o filtro estabilizar antes de medir o sinal resolveria o problema. Não resolveu. A queda de desempenho permaneceu a mesma, provando que o problema não era um erro temporário, mas sim uma sensibilidade fundamental à forma como o tempo do sinal era alterado. Isto confirmou que os modelos de computador não tinham aprendido as regras gerais da doença cardíaca, mas tinham, em vez disso, memorizado a assinatura de fase específica do filtro usado no seu treino.

Para resolver este problema, a equipa desenvolveu um novo método de treino chamado Aumentação de Fase Estocástica de Passa-Tudo (Stochastic All-Pass Phase Augmentation). Em vez de treinar o computador com sinais limpos e inalterados, eles ensinaram-no a esperar uma grande variedade de distorções temporais. Durante o treino, o computador recebia o mesmo sinal cardíaco várias vezes, mas cada vez com um ligeiro e aleatório deslocamento no tempo das suas frequências. Isto forçou o computador a aprender a forma subjacente da onda elétrica do coração, independentemente de como o tempo era esticado ou comprimido. Quando testaram estes novos modelos treinados contra os filtros que distorcem o tempo, os resultados melhoraram drasticamente. Os modelos recuperaram a maior parte da sua precisão perdida, recuperando mais de 90 por cento do seu poder de diagnóstico em alguns casos.

Este estudo não sugere que o aprendizado profundo esteja quebrado, mas sim que é mais frágil do que se pensava anteriormente no que diz respeito aos detalhes invisíveis do processamento de sinais. Os investigadores descobriram que os modelos de computador se adaptam à "impressão digital" específica do filtro com o qual são treinados. Se essa impressão digital mudar no mundo real — talvez porque um hospital diferente utilize uma marca diferente de equipamento de monitorização — o modelo pode falhar. A solução não é construir melhores filtros, mas sim ensinar os modelos a serem flexíveis. Ao expô-los a muitas variações de tempo durante o treino, os modelos aprendem a focar-se nas verdadeiras características médicas do coração, em vez de nos artefactos da máquina.

As implicações para o futuro da tecnologia médica são claras. À medida que os hospitais avançam para o uso de inteligência artificial para monitorização em tempo real e triagem de emergência, devem garantir que as etapas de preparação de dados sejam robustas. O estudo conclui que as características de fase dos filtros usados para limpar os sinais cardíacos são um fator vital para a fiabilidade destes sistemas. Tal como um músico deve afinar o seu instrumento para tocar em harmonia com os outros, uma IA médica deve ser treinada para reconhecer ritmos cardíacos mesmo quando o tempo está ligeiramente desalinhado. Sem esta adaptação, a promessa do diagnóstico automatizado poderá ser minada pelas próprias ferramentas utilizadas para tornar os dados legíveis. O trabalho serve como um lembrete de que, no complexo mundo da engenharia biomédica, os menores desvios no tempo podem ter as maiores consequências para o cuidado ao paciente.