.
Um novo modelo de aprendizado de máquina usa leituras de eletrocardiograma (ECG) para diagnosticar e classificar ataques cardíacos com mais rapidez e precisão do que as abordagens atuais, de acordo com um estudo liderado por pesquisadores da Universidade de Pittsburgh, publicado hoje em Medicina da Natureza.
“Quando um paciente chega ao hospital com dor no peito, a primeira pergunta que fazemos é se o paciente está tendo um ataque cardíaco ou não. Parece que deve ser simples, mas quando não está claro no ECG, pode demorar a 24 horas para completar os testes adicionais”, disse o principal autor Salah Al-Zaiti, Ph.D., RN, professor associado da Pitt School of Nursing e de medicina de emergência e cardiologia na School of Medicine. “Nosso modelo ajuda a enfrentar esse grande desafio, melhorando a avaliação de risco para que os pacientes possam receber cuidados adequados sem demora”.
Entre os altos e baixos de um eletrocardiograma, os médicos podem reconhecer facilmente um padrão distinto que indica o pior tipo de ataque cardíaco chamado STEMI. Esses episódios graves são causados pelo bloqueio total de uma artéria coronária e requerem intervenção imediata para restaurar o fluxo sanguíneo.
O problema é que quase dois terços dos ataques cardíacos são causados por bloqueio grave, mas não apresentam o padrão de ECG revelador. A nova ferramenta ajuda a detectar indícios sutis no ECG que são difíceis de serem detectados pelos médicos e melhora a classificação de pacientes com dor no peito.
O modelo foi desenvolvido pelo co-autor Ervin Sejdic, Ph.D., professor associado do Departamento Edward S. Rogers de Engenharia Elétrica e de Computação da Universidade de Toronto e da Cadeira de Pesquisa em Inteligência Artificial para Resultados de Saúde no North York General Hospital em Toronto, com ECGs de 4.026 pacientes com dor no peito em três hospitais em Pittsburgh. O modelo foi então validado externamente com 3.287 pacientes de um sistema hospitalar diferente.
Os pesquisadores compararam seu modelo com três padrões de ouro para avaliar eventos cardíacos: interpretação clínica experiente de ECG, algoritmos comerciais de ECG e o escore HEART, que considera a história na apresentação – incluindo dor e outros sintomas – interpretação de ECG, idade, fatores de risco – – como tabagismo, diabetes, colesterol alto – e níveis sanguíneos de uma proteína chamada troponina.
O modelo superou todos os três, reclassificando com precisão 1 em cada 3 pacientes com dor torácica como baixo, intermediário ou alto risco.
“Em nossos sonhos mais loucos, esperávamos igualar a precisão do HEART, mas ficamos surpresos ao descobrir que nosso modelo de aprendizado de máquina baseado apenas em ECG excedido esse placar”, disse Al-Zaiti.
De acordo com o co-autor Christian Martin-Gill, MD, MPH, chefe da divisão de Serviços Médicos de Emergência (EMS) da UPMC, o algoritmo ajudará o pessoal do EMS e os provedores do departamento de emergência a identificar pessoas com ataque cardíaco e aquelas com fluxo sanguíneo reduzido para o coração de uma forma muito mais robusta em comparação com a análise de ECG tradicional.
“Esta informação pode ajudar a orientar as decisões médicas do EMS, como iniciar certos tratamentos no campo ou alertar hospitais de que um paciente de alto risco está chegando”, acrescentou Martin-Gill. “Por outro lado, também é empolgante poder ajudar a identificar pacientes de baixo risco que não precisam ir a um hospital com instalações cardíacas especializadas, o que pode melhorar a triagem pré-hospitalar”.
Na próxima fase desta pesquisa, a equipe está otimizando como o modelo será implantado em parceria com o City of Pittsburgh Bureau of Emergency Medical Services. Al-Zaiti disse que está desenvolvendo um sistema baseado em nuvem que se integra aos centros de comando do hospital que recebem leituras de ECG do EMS. O modelo analisará o ECG e enviará uma avaliação de risco do paciente, orientando as decisões médicas em tempo real.
Outros autores que contribuíram para esta pesquisa foram Zeineb Bouzid, Stephanie Helman, MSN, RN, Nathan Riek, Karina Kraevsky-Phillips, MA, RN, Gilles Clermont, MD, Murat Akcakaya, Ph.D., Susan Sereika, Ph.D. , Samir Saba, MD, e Clifton Callaway, MD, Ph.D., todos de Pitt; Jessica Zègre-Hemsey, Ph.D., RN, da Universidade da Carolina do Norte; Ziad Faramand, MD, do Sistema de Saúde do Nordeste da Geórgia; Mohammad Alrawashdeh, Ph.D., da Harvard Medical School; Richard Gregg, MS, da Philips Healthcare; Peter Van Dam, do University Medical Center Utrecht; Stephen Smith, MD, da Hennepin Healthcare e da Universidade de Minnesota; e Yochai Birnbaum, MD, do Baylor College of Medicine.
Esta pesquisa foi financiada pelo Instituto Nacional do Coração, Pulmão e Sangue, pelo Centro Nacional de Ciências Translacionais Avançadas e pelo Instituto Nacional de Pesquisa em Enfermagem por meio dos subsídios R01HL137761, UL1TR001857, K23NR017896 e KL2TR002490.
.
