CODE – Clinical Outcomes in Digital Electrocardiography

Apresentação

Saúde digital é um conceito amplo e multidisciplinar na interseção entre tecnologia e saúde que se refere à aplicação da transformação digital ao campo da saúde, incorporando software, hardware e serviços. As plataformas de telemedicina têm sido poderosas ferramentas para melhoria da atenção às doenças cardiovasculares. No Hospital das Clínicas da UFMG, criamos e consolidamos, desde 2006, um serviço de telecardiologia que foi implementado em mais de 1.100 municípios em diferentes regiões do país, como parte da Rede de Telessaúde de Minas Gerais (RTMG), hoje atuando nacionalmente. Esse sistema oferece exames de ECG, com rapidez e de baixo custo, para casos urgentes e eletivos em unidades básicas de saúde e pequenos hospitais, realizando mais de 3.000 ECG por dia (Alkmim et al., 2012, Alkmim et al., 2019). 

A inteligência artificial (IA), definida como a tentativa de reproduzir aspectos da inteligência humana em máquinas, incluindo o aprendizado, raciocínio e percepção, e as tecnologias relacionadas, é uma inovação disruptiva na área da saúde e da medicina. A expectativa é que as soluções de IA sejam capazes de auxiliar os indivíduos e pacientes no autocuidado, aos médicos e profissionais de saúde no diagnóstico e tratamento das doenças, otimizando a utilização de recursos e melhorando a saúde das pessoas e das populações. A RTMG possui uma base de ECGs com mais de 5 milhões de exames, citada recentemente numa revisão da Nature Medicine como maior do mundo em uso para estudos de IA em eletrocardiografia (Siontis et al., 2021). Os resultados dos estudos realizados na RTMG têm sido apresentados em eventos internacionais e publicados em periódicos internacionais de alto impacto, como a Nature Communications.

O objetivo geral do projeto é pesquisar, desenvolver, validar e implementar métodos, técnicas e estratégias de saúde digital e IA para reconhecimento de anormalidades eletrocardiográficas e para predição do prognóstico de indivíduos ou grupos de indivíduos, com acuidade, segurança e transparência. Pretende-se, especificamente:

I – Desenvolver, validar e implementar na RTMG algoritmo de classificação automática do eletrocardiograma, baseado em métodos de inteligência artificial, de modo a permitir o reconhecimento acurado do conjunto das alterações eletrocardiográficas maiores ou significativas.

II – Aprimorar, validar e testar prospectivamente algoritmo, baseado em métodos de inteligência artificial, de predição do aparecimento de novo episódio de fibrilação atrial em pacientes em ritmo sinusal, sem fibrilação atrial no traçado de base.

III – Desenvolver, validar e testar prospectivamente algoritmo, baseado em métodos de inteligência artificial, para permitir o reconhecimento de pacientes com doença de Chagas a partir da realização do eletrocardiograma.

Será utilizada a base de dados do Projeto CODE (Clinical Outcomes in Digital Electrocardiography), com 2.470.424 ECGs, referentes a 1.773.689 pacientes, citada recentemente numa revisão da Nature Medicine como maior do mundo em uso para estudos de IA em eletrocardiografia. Duas outras coortes nas quais o ECG encontra-se sob a responsabilidade deste pesquisador serão utilizadas para validação nos estudos em questão: o Centro de Pesquisas em Medicina Tropical São Paulo-Minas Gerais (NIH SaMi-Trop), de pacientes com doença de Chagas, e o Estudo Longitudinal da Saúde do Adulto (ELSA-Brasil), de servidores públicos brasileiros, em quais traçados de ECG brutos da linha de base e acompanhamento com mortalidade total como ponto final estão disponíveis. Os projetos já obtiveram aprovação ética.

Serão utilizados traçados eletrocardiográficos de 12 derivações, além de medidas automáticas, e códigos de classificação, confirme o código de Minnesota. Aqueles sem anormalidades maiores ou menores de acordo com os critérios foram considerados normais. Como co-variáveis, serão utilizados os fatores de risco clínicos cardiovasculares e a co-morbidades, disponíveis nas 3 coortes. Pretendemos utilizar redes neurais profundas para o diagnóstico e avaliação de risco a partir do eletrocardiograma, com preferência em redes convolucionais do tipo ResNet, que foi recentemente usada com sucesso pelo nosso grupo para detectar anormalidades no ECG. Os resultados dos estudos realizados na RTMG têm sido apresentados em eventos internacionais (Paixao et al., 2018, Paixao et al., 2020; Ribeiro et al., 2020a; Pedrosa et al., 2020) e publicados em periódicos internacionais de alto impacto, como Nature Communications e European Heart Journal Digital Health. (Ribeiro et al., 2019, Ribeiro et al., 2020b; Meira et al., 2020; Biton et al., 2021; Lima et al., 2021) 

Publicações relacionadas:

Ribeiro AH, Ribeiro MH, Paixão GMM, Oliveira DM, Gomes PR, Canazart JA, Ferreira MPS, Andersson CR, Macfarlane PW, Meira W Jr, Schön TB, Ribeiro ALP. Automatic diagnosis of the 12-lead ECG using a deep neural network. Nat Commun. 2020 Apr 9;11(1):1760. doi: 10.1038/s41467-020-15432-4. Erratum in: Nat Commun. 2020 May 1;11(1):2227. PMID: 32273514; PMCID: PMC7145824. Link.

Lima EM, Ribeiro AH, Paixão GMM, Ribeiro MH, Pinto-Filho MM, Gomes PR, Oliveira DM, Sabino EC, Duncan BB, Giatti L, Barreto SM, Meira W Jr, Schön TB, Ribeiro ALP. Deep neural network-estimated electrocardiographic age as a mortality predictor. Nat Commun. 2021 Aug 25;12(1):5117. doi: 10.1038/s41467-021-25351-7. PMID: 34433816; PMCID: PMC8387361. Link.

Links relacionados:

IATS. Estudo inédito comprova ser possível estimar a idade de uma pessoa pelo eletrocardiograma (ECG): https://www.iats.com.br/estudo-inedito-comprova-ser-possivel-estimar-a-idade-de-uma-pessoa-pelo-eletrocardiograma-ecg/

CAPES. Inteligência artificial pode ler eletrocardiogramas: https://www.gov.br/capes/pt-br/assuntos/noticias/inteligencia-artificial-pode-ler-eletrocardiogramas

Status: Em Andamento

Início: Janeiro/2018 Conclusão Prevista: a definir

Eixo temático: Doenças Cardiovasculares e Fatores de Risco Serviços de Saúde e Políticas Públicas Eixo metodológico: Pesquisas Epidemiológicas

Instituição coordenadora: UFMG Instituições participantes: Uppsala University (Suécia) École Polytechnique Fédérale de Lausanne (Suíça) Glasgow University (Escócia)

Coordenação:  Antonio Luiz P. Ribeiro (UFMG/IATS) Integrantes: Emilly M. Lima (UFMG/IATS) Antônio H. Ribeiro (UFMG/Uppsala University) Gabriela M. M. Paixão (UFMG/IATS) Manoel Horta Ribeiro (École Polytechnique Fédérale de Lausanne) Marcelo M. Pinto-Filho (UFMG) Paulo R. Gomes (UFMG) Derick M. Oliveira (UFMG) Ester C. Sabino (USP) Bruce B. Duncan (UFRGS/IATS) Luana Giatti, Faculdade de Medicina, Universidade Federal de Minas Gerais (UFMG) Sandhi M. Barreto (UFMG/IATS) Wagner Meira Jr. (UFMG) Thomas B. Schön (Uppsala University) Peter W. Macfarlane (University of Glasgow)