A inteligência artificial é capaz de predizer disfunção sistólica do ventrículo esquerdo através do eletrocardiograma em pacientes com doença de Chagas

Resenha do artigo:

Brito BOdF, Attia ZI, Martins LNA, Perel P, Nunes MCP, et al. (2021) Left ventricular systolic dysfunction predicted by artificial intelligence using the electrocardiogram in Chagas disease patients–The SaMi-Trop cohort. PLOS Neglected Tropical Diseases 15(12): e0009974. https://doi.org/10.1371/journal.pntd.0009974

A doença de Chagas é causada pelo protozoário Trypanosoma cruzi e, a despeito do controle de sua transmissão vetorial, ela continua a ser um problema de saúde pública. A Organização Mundial de Saúde estima haver seis milhões de pessoas infectadas no mundo, particularmente na América Latina onde a doença é endêmica. Ela é uma condição heterogênea com grande variação no seu curso clínico e prognóstico. Embora a maioria dos pacientes permaneça assintomática ao longo da vida, ela pode evoluir para apresentações muito graves sendo a insuficiência cardíaca uma das maiores causas de morte. Entretanto, medicamentos de relativo baixo custo podem reduzir a mortalidade e melhorar a qualidade de vida dos portadores da insuficiência cardíaca causada pela doença de Chagas.

O diagnóstico da insuficiência cardíaca demanda exames diagnósticos como ecocardiograma que são de difícil acesso para a maioria dos portadores da doença de Chagas que mora nas áreas endêmicas. A fração de ejeção menor que 40% medida pelo ecocardiograma é um dos principais parâmetros para o diagnóstico da insuficiência cardíaca. O eletrocardiograma é uma ferramenta de diagnóstico amplamente disponível e de baixo custo. Entretanto, pelo conhecimento médico previamente estabelecido, não se consegue predizer disfunção sistólica do ventrículo esquerdo através de suas alterações.

O Aprendizado de Máquina é um campo da Inteligência Artificial baseado em algoritmos de computador que permite o computador aprender diretamente de dados a ele fornecidos sem ser explicitamente programado. Dessa forma, após treinamento adequado das redes neurais, o computador consegue reconhecer padrões digitais que não são ainda disponíveis ao conhecimento médico. Recentemente, sinais digitais de eletrocardiograma foram reconhecidos pela Inteligência Artificial que, após treinamento de redes neurais, identificou com excelente acurácia Fração de Ejeção menor que 40% na população norte americana geral e estabeleceu um algoritmo.

No estudo “Left ventricular systolic dysfunction predicted by artificial intelligence using the electrocardiogram in Chagas disease patients–The SaMi-Trop cohort” publicado na revista PLOS Neglected Tropical Diseases dia 6 de dezembro de 2021, foi testada a capacidade desse algoritmo de Inteligência Artificial de reconhecer fração de ejeção menor que 40% em 1.304 pacientes portadores da doença de Chagas do Estudo SaMi-Trop. O algoritmo teve uma capacidade de discriminação elevada e identificou com grande acurácia e especificidade fração de ejeção menor que 40% através do eletrocardiograma. Houve incremento dos resultados ao se considerar nos modelos da análise estatística sexo masculino, duração do QRS e NT-proBNP elevado que são variáveis reconhecidamente associadas a insuficiência cardíaca na doença de Chagas. O diagnóstico precoce da disfunção sistólica do ventrículo esquerdo pela análise do eletrocardiograma por algoritmo de inteligência artificial é um grande avanço no diagnóstico e manejo da insuficiência cardíaca na doença de Chagas. Uma vez que a doença de Chagas está associada a pobreza e a populações sem acesso a assistência médica avançada, a avaliação do eletrocardiograma pela inteligência artificial permite o rápido diagnóstico e tratamento da insuficiência cardíaca. Ela pode ser usada como uma poderosa ferramenta de saúde pública e transformar a vida de seis milhões de pessoas com doença de Chagas no mundo todo.

Elaborada por
Bruno Oliveira de Figueiredo Brito
Data da Resenha
09/12/2021
Eixo Temático
Doenças Cardiovasculares e Fatores de Risco
Doenças Infecciosas e Tropicais
Serviços de Saúde e Políticas Públicas
Eixo Metodológico
Pesquisas Epidemiológicas