Como a Inteligência Artificial no ECG pode estimar a fração de ejeção do ventrículo esquerdo

A inteligência artificial aplicada ao ECG (AI-ECG) inaugurou uma nova possibilidade clínica: estimar a probabilidade de fração de ejeção do ventrículo esquerdo (FEVE) reduzida a partir de um exame que, tradicionalmente, nunca mediu função sistólica.

O ECG convencional não calcula fração de ejeção. Ele registra atividade elétrica. No entanto, remodelamento ventricular, fibrose, alterações de condução e heterogeneidade de repolarização deixam assinaturas elétricas difusas. Modelos de deep learning conseguem capturar essas assinaturas de forma integrada, identificando padrões que escapam à interpretação humana tradicional.

A mudança conceitual é importante: não estamos transformando o ECG em um ecocardiograma, mas utilizando aprendizado estatístico avançado para estimar probabilidade de disfunção sistólica.

Como a IA consegue inferir fração de ejeção a partir do ECG

Modelos de AI-ECG utilizam, em geral, redes neurais convolucionais treinadas com milhares ou milhões de pares ECG–ecocardiograma. Durante o treinamento, o algoritmo aprende a mapear padrões elétricos complexos à presença ou ausência de FE reduzida.

Diferentemente da análise clássica baseada em critérios isolados, o modelo não procura apenas QRS largo, bloqueio de ramo esquerdo ou baixa voltagem. Ele analisa o traçado bruto como um sinal contínuo, incluindo:

• Morfologia completa das 12 derivações
• Relações temporais sutis entre ondas e segmentos
• Microvariações na repolarização
• Distribuição espacial dos vetores elétricos
• Padrões globais compatíveis com remodelamento ventricular

A saída do algoritmo não é um valor numérico de FE. O que se obtém é uma probabilidade de disfunção sistólica (por exemplo, FE < 40% ou ≤ 35%, dependendo do limiar adotado no estudo).

Portanto, o AI-ECG não substitui o ecocardiograma. Ele atua como ferramenta de triagem probabilística, capaz de sinalizar pacientes com maior chance de apresentar disfunção ventricular esquerda.

Evidência clínica: além do estudo pioneiro

O estudo pioneiro de Attia et al. demonstrou que uma rede neural aplicada ao ECG de 12 derivações foi capaz de detectar FE ≤ 35% com excelente desempenho diagnóstico.

Resultados principais do estudo original:

• Área sob a curva (AUC) ~0,93
• Sensibilidade ~86%
• Especificidade ~85%

Esses números colocaram o AI-ECG em um patamar comparável a muitos testes diagnósticos utilizados na prática clínica.

Após essa publicação inicial, diversas investigações ampliaram e refinaram o conceito:

• Validações externas em populações distintas, mantendo AUC entre 0,85 e 0,95.
• Estudos prospectivos demonstrando capacidade do AI-ECG em identificar disfunção ventricular assintomática antes do diagnóstico clínico formal de insuficiência cardíaca.
• Aplicações em ambientes ambulatoriais e atenção primária, com desempenho preservado mesmo quando o ECG era considerado “normal” pela interpretação convencional.

Além da acurácia diagnóstica, análises subsequentes mostraram que o escore contínuo gerado pelo algoritmo pode ter valor prognóstico incremental, associando-se a hospitalização por insuficiência cardíaca e mortalidade cardiovascular.

Esses achados sugerem que o AI-ECG não apenas detecta FE reduzida estabelecida, mas pode funcionar como marcador elétrico precoce de remodelamento ventricular.

Aplicações clínicas potenciais

Do ponto de vista assistencial, o principal papel do AI-ECG é ampliar a capacidade de triagem. Em cenários com grande volume de pacientes e acesso limitado a métodos de imagem, essa ferramenta pode ajudar a priorizar quem realmente precisa de ecocardiograma.

Possíveis aplicações incluem:

• Triagem oportunística em pacientes ambulatoriais submetidos a ECG por qualquer motivo
• Identificação precoce de disfunção ventricular assintomática
• Seleção de pacientes para ecocardiograma prioritário
• Rastreamento populacional em regiões com acesso restrito à imagem cardíaca

Estudos sugerem que o uso seriado do AI-ECG pode detectar elevação progressiva do risco antes da manifestação clínica evidente de insuficiência cardíaca. Isso abre espaço para estratégias de intervenção mais precoce.

PMcardio e a tradução comercial do AI-ECG

Entre as plataformas comerciais que incorporam inteligência artificial ao eletrocardiograma, o PMcardio é um dos exemplos mais conhecidos na Europa. Desenvolvido pela Powerful Medical, utiliza algoritmos proprietários de deep learning aplicados ao ECG de 12 derivações, incluindo um módulo voltado para estimativa de probabilidade de fração de ejeção reduzida (LVsense™).

A proposta é traduzir o conceito acadêmico do AI-ECG para o ponto de cuidado, gerando em segundos um alerta de risco para disfunção sistólica. Dados divulgados pela empresa relatam AUC superior a 0,90 para detecção de FE reduzida, embora parte dessas informações derive de relatórios técnicos e estudos patrocinados.

A plataforma possui certificação CE como dispositivo médico em determinadas jurisdições, o que indica conformidade regulatória, mas não substitui validação clínica independente e avaliação de desempenho na população local.

O principal impacto dessas soluções não está apenas na acurácia do algoritmo, mas na integração ao fluxo assistencial: o AI-ECG pode funcionar como gatilho para solicitação de ecocardiograma ou estratificação adicional de risco. A incorporação racional exige análise crítica de desempenho, prevalência local de doença e impacto potencial de falsos-positivos.

Limitações técnicas e desafios

Apesar do desempenho robusto em estudos iniciais, o AI-ECG apresenta limitações relevantes.

• Generalização: modelos treinados em centros terciários podem ter desempenho inferior em populações com características distintas.
• Viés de base de dados: prevalência elevada de FE reduzida na coorte de treinamento pode superestimar desempenho quando aplicado a populações de baixo risco.
• Interpretabilidade: muitos modelos funcionam como “caixa-preta”, dificultando compreensão mecanística do resultado.
• Dependência de confirmação por imagem: o diagnóstico definitivo de fração de ejeção reduzida continua sendo realizado por ecocardiograma ou outros métodos de imagem.

Portanto, o AI-ECG deve ser entendido como ferramenta de apoio à decisão, e não como substituto do método padrão.

Conclusão

A inteligência artificial aplicada ao ECG representa uma mudança conceitual relevante: utilizar um exame elétrico simples para inferir probabilidade de disfunção sistólica do ventrículo esquerdo.

O AI-ECG consegue estimar risco de FE reduzida com desempenho consistente em múltiplos estudos e validações externas. Seu maior valor está na triagem e na detecção precoce, especialmente em contextos onde o ecocardiograma não é prontamente disponível.

O ecocardiograma permanece o padrão para mensuração da fração de ejeção. A IA, nesse cenário, amplia a capacidade clínica de suspeitar antes e encaminhar melhor.

Referências

1. Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac dysfunction using artificial intelligence–enabled electrocardiography . Circulation. 2019;139(11).

2. Attia ZI, Noseworthy PA, Lopez-Jimenez F, Asirvatham SJ, Deshmukh AJ, Gersh BJ, et al. An artificial intelligence–enabled ECG algorithm for the identification of patients with left ventricular systolic dysfunction in diverse populations . Circulation. 2022.

3. Attia ZI, Friedman PA, Noseworthy PA, Lopez-Jimenez F, Ladewig DJ, Satam G, et al. Artificial intelligence–enabled electrocardiography for early detection of left ventricular systolic dysfunction and future heart failure . Nat Med. 2019;25(1):70-74.

4. Kwon JM, Kim KH, Jeon KH, Lee SY, Kim HM, Lee Y, et al. Artificial intelligence algorithm for predicting left ventricular systolic dysfunction from electrocardiogram . J Am Heart Assoc. 2020;9(16):e016042.