Em resumo
Um exame rápido do coração pode conter sinais de que uma pessoa corre maior risco de sofrer uma parada cardíaca súbita, mesmo quando os exames habituais não apontam perigo. Um sistema de inteligência artificial aprendeu a reconhecer esses sinais em centenas de milhares de exames. No futuro, isso poderá ajudar os médicos a decidir quem precisa de acompanhamento mais cuidadoso.
Sinais elétricos escondidos num exame de rotina
Um eletrocardiograma, também conhecido pelas siglas EKG ou ECG, registra os sinais elétricos que coordenam os batimentos do coração. O resultado costuma aparecer como uma sequência de ondas, picos e descidas. Mas o traçado não é apenas um conjunto de linhas isoladas: as relações entre elas e suas pequenas variações podem revelar informações que passam despercebidas numa leitura convencional.
O estudo ensinou um programa de computador a procurar padrões nesses sinais associados, mais tarde, à morte cardíaca súbita. Os pesquisadores não se limitaram a comparar exames de pessoas saudáveis com os de pacientes que já tinham um diagnóstico cardíaco. Também relacionaram os registros a informações de certidões de óbito, para que o sistema aprendesse a identificar padrões presentes em pessoas que morreram posteriormente de forma súbita por causas cardíacas.
A pesquisa foi liderada por Ziad Obermeyer, professor associado da School of Public Health da University of California, Berkeley e médico de emergência. Seu trabalho combina medicina, inteligência artificial e políticas de saúde. Os resultados foram publicados na revista Nature. Obermeyer também participa do programa Computational Precision Health, uma iniciativa conjunta da University of California, Berkeley, e da University of California, San Francisco.
O sinal aprendido pelo sistema não depende necessariamente de uma alteração evidente que um médico consiga identificar com facilidade no eletrocardiograma. O programa analisa um conjunto de características elétricas e pode encontrar, nas relações entre elas, um padrão associado a um risco maior. Ainda não se sabe exatamente quais mudanças biológicas dão origem a esse padrão.
Parada cardíaca não é o mesmo que ataque cardíaco
Para entender por que é importante prever esse risco, é preciso distinguir um ataque cardíaco de uma parada cardíaca súbita. O ataque acontece quando o fluxo de sangue para uma parte do músculo cardíaco diminui ou é interrompido por um bloqueio. Já a parada cardíaca ocorre quando há uma falha no sistema elétrico que coordena os batimentos, impedindo o coração de bombear sangue de maneira eficaz.
A parada cardíaca pode acontecer sem aviso claro, o que torna difícil observar e estudar os momentos que a antecedem. Segundo as informações apresentadas no estudo, cerca de 90% das pessoas que sofrem uma parada cardíaca súbita fora do hospital morrem em poucos minutos. A reanimação cardiopulmonar e o uso de um desfibrilador externo podem restabelecer o ritmo normal, mas a oportunidade de agir diminui muito quando o risco não é previsto ou o tratamento não está disponível a tempo.
A morte súbita também costuma impedir que os pesquisadores acompanhem o que acontece no coração pouco antes da parada. Uma autópsia pode revelar um bloqueio nos vasos sanguíneos, cicatrizes ou outras alterações estruturais, mas não permite reconstruir a atividade elétrica do coração nos minutos anteriores à morte. Encontrar sinais precoces em pessoas vivas continua, por isso, a ser um importante desafio médico.
Há ainda outro fator que dificulta a previsão: os casos podem ter causas e características diferentes, e algumas pessoas que morrem talvez nunca tenham passado por uma avaliação cardíaca especializada. Se forem analisados em grande escala, os registros de rotina podem ajudar a descobrir sinais que já estavam presentes nos dados médicos, embora ninguém os estivesse procurando diretamente.
O que os métodos habituais podem não detectar?
Para estimar alguns riscos de morte cardíaca súbita, os médicos medem quanto sangue o coração bombeia a cada contração. Essa informação ajuda a avaliar a capacidade de bombeamento e é considerada ao decidir se certos pacientes podem se beneficiar de um desfibrilador implantável. O aparelho, colocado no corpo, pode aplicar um choque elétrico quando detecta uma alteração perigosa no ritmo cardíaco.
Em geral, porém, essa avaliação da capacidade de bombeamento exige mais do que um eletrocardiograma de rotina. Muitas pessoas talvez nem façam esse tipo de exame, sobretudo se não tiverem sintomas ou fatores conhecidos que levem o médico a suspeitar de algum risco. Assim, sinais importantes podem passar despercebidos em pessoas que nunca chegam a ser encaminhadas para uma avaliação especializada.
Por outro lado, saber que um paciente pertence a um grupo de maior risco não significa que o aparelho implantado vá necessariamente aplicar um choque. De acordo com os dados apresentados no estudo, cerca de dois terços dos pacientes que receberam um desfibrilador não chegam a precisar de um choque do dispositivo. Como o implante é um procedimento invasivo e caro, identificar com mais precisão quem tem maior probabilidade de se beneficiar dele pode evitar tratamentos desnecessários sem deixar de atender quem precisa.
É nesse ponto que surge o dilema da triagem. Se os critérios forem restritos demais, algumas pessoas em risco podem não ser identificadas. Se, ao contrário, a lista de candidatos a tratamento for ampliada com base em sinais incertos, outras pessoas poderão passar por um procedimento de que não precisam. O valor da inteligência artificial, portanto, não está em dar uma resposta definitiva, mas em talvez melhorar a seleção de pacientes e indicar quem merece uma avaliação adicional.
De centenas de milhares de exames a um teste internacional
O sistema foi treinado com registros de eletrocardiograma reunidos ao longo de seis anos no sistema integrado de saúde da Suécia. A base de treinamento continha mais de 440.000 exames. Ao relacionar os registros às informações das certidões de óbito, os pesquisadores puderam comparar os padrões elétricos de diferentes grupos, incluindo pessoas que morreram posteriormente de forma súbita por causas cardíacas.
O programa aprendeu a analisar milhares de detalhes dos traçados, como o formato e a sequência das ondas e as relações entre seus componentes. Esse tipo de análise não exige que os pesquisadores escolham antecipadamente uma característica isolada como possível sinal de risco. O sistema pode procurar combinações de características que aparecem repetidamente junto ao resultado que se pretende prever.
Depois do treinamento, a equipe testou a ferramenta com dados independentes, obtidos fora da Suécia. Isso é importante para avaliar se a capacidade do sistema se limita ao grupo de pacientes usado na aprendizagem. Os testes incluíram milhares de registros adicionais dos Estados Unidos e de Taiwan. Os dados norte-americanos continham eletrocardiogramas reunidos ao longo de dois anos num sistema hospitalar de San Diego, além de um conjunto separado de registros de pacientes de Taipei.
A diversidade de países e sistemas de saúde ajuda a verificar se os resultados podem ser aplicados a outros contextos, mas não prova, por si só, que o desempenho será igual em todas as populações ou grupos de pacientes. Diferenças entre as pessoas atendidas, os métodos de coleta dos registros e os cuidados disponíveis podem afetar o funcionamento de qualquer modelo. Por isso, é importante fazer testes em mais de um local antes de considerar uma aplicação clínica em larga escala.
Segundo Obermeyer, a coleta e a organização dos dados levaram cerca de dez anos. Participaram do trabalho duas organizações que ele ajudou a fundar: Dandelion Health e Nightingale Open Science. Esse prazo mostra que desenvolver uma ferramenta médica não significa apenas escrever um programa. Conseguir acesso aos registros, relacioná-los de forma confiável e prepará-los para a pesquisa também pode ser um processo longo.
O que significa a taxa de 7%?
Na comparação dos resultados, os métodos tradicionais identificaram um grupo de pacientes com uma taxa anual de morte cardíaca súbita de 4,6%. Já no grupo classificado pelo sistema de inteligência artificial como de maior risco, essa taxa foi de 7%. Assim, o sistema identificou um grupo cuja taxa de mortes registradas era superior à do grupo selecionado pelos métodos habituais.
Esses números descrevem taxas anuais observadas em grupos; não significam que o sistema consiga prever com certeza o que acontecerá com uma pessoa específica. A diferença entre 4,6% e 7% não transforma a previsão em certeza, nem prova que todas as pessoas do grupo de maior risco precisem receber um aparelho implantado. O resultado sugere que pode ser possível classificar as pessoas segundo o risco com mais precisão e, assim, ajudar o médico a escolher o próximo passo.
Outro resultado que chamou a atenção foi a identificação de um grupo mais amplo de pessoas com risco elevado, incluindo milhares de pessoas que, segundo as orientações médicas atuais, normalmente não seriam consideradas de alto risco. A maioria seria classificada pelos métodos tradicionais entre as pessoas de risco relativamente baixo. Isso levanta a possibilidade de que alguns casos de risco estejam escondidos em registros de rotina, sem chamar a atenção quando são analisados pelos métodos habituais.
Mas ampliar o grupo de pessoas sob suspeita não deve levar automaticamente a mais intervenções. Um exame adicional, o acompanhamento contínuo e a decisão de implantar um aparelho são etapas diferentes, e cada uma exige evidências mais sólidas. Por isso, o primeiro uso prático da ferramenta talvez seja encaminhar alguns pacientes para uma observação mais cuidadosa, e não passar diretamente do resultado do algoritmo para uma cirurgia.
Como transformar um alerta em acompanhamento?
Obermeyer e sua equipe trabalham com sistemas de saúde da Suécia, de Taiwan e dos Estados Unidos para integrar o algoritmo às bases de dados de eletrocardiogramas dos hospitais. A proposta é analisar registros que já existem em busca de sinais que mereçam atenção e, em seguida, entrar em contato com os pacientes identificados como de risco elevado para oferecer acompanhamento adicional.
Uma das possibilidades em estudo é pedir a alguns pacientes que usem um pequeno adesivo capaz de monitorar continuamente a atividade elétrica do coração. Diferentemente de um eletrocardiograma feito durante um período curto, o monitoramento prolongado pode detectar alterações intermitentes ou mudanças que não aparecem num registro breve. Esses dados também podem dar a médicos e pesquisadores uma visão mais clara do sinal identificado pela inteligência artificial.
Se o acompanhamento prolongado revelar padrões relevantes, poderá ajudar a compreender quais condições elétricas ou biológicas tornam o coração mais vulnerável a uma alteração fatal. Depois que houver evidências suficientes, essas informações poderão apoiar decisões médicas sobre tratamentos preventivos, incluindo o uso de um desfibrilador para as pessoas que mais provavelmente se beneficiariam dele.
Essas etapas ainda fazem parte do desenvolvimento de uma aplicação clínica. Não se trata de anunciar um exame disponível para todos nem de afirmar que um tratamento é adequado a todas as pessoas classificadas pelo sistema no grupo de maior risco. Para transformar uma ferramenta de previsão em cuidados que realmente melhorem os resultados, será preciso confirmar a precisão das previsões, definir o que fazer quando o risco for elevado e medir, na prática, os benefícios e os riscos para os pacientes.
O mistério que a inteligência artificial revelou
A importância do trabalho não se limita à triagem de pacientes. O algoritmo encontrou padrões elétricos que os pesquisadores associam ao risco, mas ainda não se sabe completamente o que eles significam do ponto de vista biológico. Isso abre uma questão científica: o que acontece no coração para deixar uma marca detectável num eletrocardiograma comum antes de uma alteração fatal?
Compreender esses padrões pode levar à descoberta de mudanças que ainda não eram conhecidas ou aperfeiçoar as formas de avaliar o coração. Se os pesquisadores conseguirem relacionar um sinal específico a um mecanismo determinado, poderão ir além da observação de que certos traçados ajudam a prever o risco. Poderão explicar por que esses sinais aparecem e, talvez, buscar novas formas de prevenção.
Essa possibilidade destaca um papel diferente da inteligência artificial na medicina. Ela não serve apenas para acelerar a leitura de um resultado ou automatizar uma tarefa rotineira: também pode ajudar a encontrar relações complexas em grandes volumes de dados, que os cientistas podem depois investigar com experimentos e observações clínicas. Ainda assim, o algoritmo é uma ferramenta para detectar padrões. Uma associação encontrada pelo programa não basta, por si só, para confirmar uma explicação médica.
Para que essa abordagem seja confiável, os médicos precisam entender o que o resultado significa para cada paciente, e as etapas de acompanhamento devem ser claras e proporcionais ao nível de risco. Também é necessário confirmar que o sistema funciona bem em diferentes grupos e evitar que seu uso gere falsa tranquilidade, preocupação desnecessária ou exames sem necessidade.
Conclusão
O estudo da University of California, Berkeley, mostra que um eletrocardiograma de rotina pode conter sinais discretos de maior risco de morte cardíaca súbita. Um sistema de inteligência artificial aprendeu com mais de 440.000 exames realizados na Suécia ao longo de seis anos e foi testado depois com milhares de registros adicionais dos Estados Unidos e de Taiwan. O grupo de maior risco identificado pelo sistema teve uma taxa anual de morte de 7%, em comparação com 4,6% no grupo identificado pelos métodos tradicionais. A ferramenta também apontou pessoas que os exames habituais provavelmente não classificariam como de alto risco.
Os resultados não permitem prever com certeza o que acontecerá com cada pessoa, nem justificam implantar um desfibrilador em todos os pacientes classificados pelo programa como de alto risco. Mas podem oferecer aos médicos uma maneira melhor de escolher quem precisa de acompanhamento mais detalhado, por exemplo, com um adesivo que registre a atividade cardíaca durante mais tempo. Se pesquisas futuras confirmarem que a abordagem é útil e segura, ela poderá ajudar a prevenir algumas mortes e, ao mesmo tempo, revelar mais sobre os sinais que antecedem uma alteração cardíaca fatal.