Uso da inteligência artificial aplicada ao eletrocardiograma para diagnóstico de disfunção sistólica ventricular esquerda

Abstract

Fundamento: A insuficiência cardíaca é uma doença associada a importante morbimortalidade. O eletrocardiograma (ECG), um dos exames utilizados na avaliação da IC, é de baixo custo e amplamente disponível. Objetivo: Avaliar o desempenho de um algoritmo de inteligência artificial (IA) aplicado ao ECG na detecção de IC e o comparamos ao poder preditivo das alterações eletrocardiográficas maiores (AME). Métodos: Estudo transversal de acurácia diagnóstica. Todos os participantes são oriundos do Estudo Longitudinal da Saúde do Adulto (ELSA-Brasil), e possuíam ECG e ecocardiograma (ECO) válidos além de valores de probabilidade para disfunção sistólica do ventrículo esquerdo (DSVE) estimados pelo algoritmo. O desfecho avaliado foi fração de ejeção do ventrículo esquerdo (FEVE) < 40% ao ECO. Foram calculados sensibilidade, especificidade, valor preditivo positivo (VPP), valor preditivo negativo (VPN), razão de verossimilhança positivo (RVP), razão de verossimilhança negativa (RVN), diagnostic odds ratio (DOR) para o algoritmo e para as AME e área sob a curva ROC (ASC-ROC) para o algoritmo. Resultados: Na amostra final de 2567 indivíduos, a prevalência de FEVE < 40% foi de 1,13% (29 indivíduos). Os valores obtidos de sensibilidade, especificidade, VPP, VPN, RVP, RVN e DOR para o algoritmo foram de 0,690; 0,976; 0,244; 0,996; 27,6; 0,32 e 88,74, respectivamente. Para as AME, 0,172; 0,837; 0,012; 0,989; 1,09; 0,990 e 1,07, respectivamente. A ASC-ROC do algoritmo para predição de FEVE < 40% foi de 0,947 (IC 95% 0,913 – 0,981). Conclusão: A IA apresentou bom desempenho para detecção de DSVE e pode ser usada como ferramenta de triagem de DSVE.

Background: Heart failure (HF) is a disease associated with an important type of morbidity and mortality. The electrocardiogram (ECG), one of the tests used to evaluate HF, is low-cost and widely available. Objective: To evaluate the performance of an artificial intelligence (AI) algorithm applied to ECG to detect HF and compare it with the predictive power of major electrocardiographic alterations (MEA). Methods: This work is a diagnostic accuracy cross-sectional study. All participants were from the Longitudinal Study of Adult Health (Estudo Longitudinal da Saúde do Adulto - ELSA-Brasil) and presented a valid ECG and echocardiogram (ECHO). The algorithm estimated probability values for left ventricular systolic dysfunction (LVSD). The assessed endpoint was left ventricular ejection fraction (LVEF) <40% in the ECHO. Sensitivity, specificity, positive predictive value (PPV), negative predictive value (NPV), positive likelihood ratio (LR+), negative likelihood ratio (LR-), and diagnostic odds ratio (DOR) were determined for both the algorithm and the MEA. The area under the ROC curve (AUC-ROC) for the algorithm was calculated. Results: In the analytical sample of 2,567 individuals, the prevalence of LVEF <40% was 1.13% (29 individuals). The values obtained for sensitivity, specificity, PPV, NPV, LR+, LR-, and DOR for the algorithm were 0.690, 0.976, 0.244, 0.996, 27.6, 0.32, and 88.74, respectively. For the MEA, the values were 0.172, 0.837, 0.012, 0.989, 1.09, 0.990, and 1.07, respectively. The AUC-ROC of the algorithm to predict the LVEF <40% was 0.947 (95% CI: 0.913 – 0.981). Conclusion: The AI algorithm performed well in detecting LVSD and can be used as a screening tool for LVSD.