Pesquisadores da Mayo Clinic usaram inteligência artificial para avaliar eletrocardiogramas de pacientes em uma estratégia direcionada para examinar a fibrilação atrial, um transtorno de ritmo cardíaco comum. A fibrilação atrial é um batimento cardíaco irregular que pode provocar a formação de coágulos de sangue que podem se mover até o cérebro e causar um AVC, entretanto, ela é altamente subdiagnosticada. No estudo descentralizado e habilitado digitalmente, a inteligência artificial identificou novos casos de fibrilação atrial que não teriam despertado a atenção clínica durante os cuidados de rotina.

Uma pesquisa prévia já havia desenvolvido um algoritmo de inteligência artificial para identificar pacientes com alta probabilidade de fibrilação atrial previamente desconhecida. O algoritmo para detecção da fibrilação atrial no ritmo sinusal normal de um eletrocardiograma é licenciado pela Anumana Inc., uma empresa de tecnologia de saúde orientada por inteligência artificial, pela nference e pela Mayo Clinic.

 

“Temos a convicção de que os exames para fibrilação atrial têm um grande potencial, mas o rendimento é muito baixo e o custo é muito alto atualmente para fazer com que a triagem generalizada seja uma realidade,” afirma Peter Noseworthy, eletrofisiologista cardíaco na Mayo Clinic e autor principal do estudo. “Esse estudo demonstra que um algoritmo de inteligência artificial para eletrocardiograma pode ajudar a direcionar a triagem para pacientes com maior probabilidade de se beneficiar.”

O estudo inscreveu 1.003 pacientes para monitoramento contínuo e utilizou outros 1.003 pacientes de cuidados rotineiros como controles do mundo real. As descobertas foram publicadas na revista The Lancet e demonstraram que a inteligência artificial pode de fato identificar um subgrupo de pacientes de alto risco que seriam mais beneficiados pelo monitoramento intensivo do coração para detectar a fibrilação atrial, apoiando uma estratégia de triagem direcionada e orientada por IA.

Os eletrocardiogramas são comumente realizados para obter uma variedade de diagnósticos, mas como a fibrilação atrial pode ser passageira, a chance de detectar um episódio em um único eletrocardiograma de 10 segundos é baixa. Os pacientes podem ser submetidos a abordagens de monitoramento cardíaco contínuo ou intermitente que possuem taxas de detecção mais altas, porém, exigem muitos recursos para serem empregadas em todas as pessoas e podem ser difíceis e caras para os pacientes.

É aqui que o eletrocardiograma orientado por inteligência artificial pode ser útil. O algoritmo de inteligência artificial pode identificar pacientes que, mesmo estando com o ritmo normal no dia do eletrocardiograma, podem ter um aumento no risco de episódios de subdetecção de fibrilação atrial em outros momentos. Esses pacientes podem ser submetidos ao monitoramento adicional para confirmar o diagnóstico.

“Os programas tradicionais de triagem selecionam pacientes de acordo com a idade (65 anos ou mais) ou com a presença de condições, como pressão arterial elevada. Essas abordagens são razoáveis, uma vez que a idade avançada é um dos fatores de risco mais importantes para a fibrilação atrial. Entretanto, não é viável conduzir monitoramento cardíaco intensivo repetidamente em mais de 50 milhões de adultos idosos em todo o país”, afirma Xiaoxi Yao, Ph.D., pesquisadora dos resultados em saúde no Departamento de Medicina Cardiovascular e no Centro para Ciência da Prestação de Serviços de Saúde Robert D. Kern e Patricia E. Kern da Mayo Clinic. Yao é a autora sênior do estudo.

“O estudo demonstra que o algoritmo de inteligência artificial pode selecionar um subgrupo de adultos idosos que poderiam ser mais beneficiados com o monitoramento intensivo. Se a nova estratégia for amplamente empregada, isso poderia reduzir a fibrilação atrial subdiagnosticada, prevenir AVCs e a morte de milhões de pacientes ao redor do mundo”, afirma Yao.

O próximo passo nesta pesquisa será um estudo híbrido multicêntrico concentrado na eficácia da implementação do fluxo de trabalho de inteligência artificial-eletrocardiograma em diversos ambientes clínicos e populações de pacientes.

“Esperamos que essa abordagem seja particularmente valiosa nos ambientes com recursos restritos nos quais a taxa de fibrilação atrial subdetectada possa ser particularmente alta e os recursos para detecção possam ser limitados. No entanto, mais trabalho será necessário para superar as barreiras de implementação, e estudos adicionais devem avaliar as estratégias de triagem direcionada nesses ambientes”, afirma Noseworthy.

“Agora que demonstramos que a triagem de fibrilação atrial orientada por inteligência artificial é possível, também precisaremos demonstrar que pacientes com fibrilação atrial detectada na triagem são beneficiados com o tratamento para prevenir AVCs,” afirma Noseworthy. “Nosso objetivo final é prevenir AVCs. Tenho a convicção de que o estudo atual nos deixou mais próximos disso.”