Um modelo de ECG por deep learning para identificação e localização de infarto por oclusão

Por que isso importa para ataques cardíacos

Quando alguém tem um ataque cardíaco, cada minuto sem tratamento pode matar músculo cardíaco. Os médicos geralmente dependem de um traçado rápido do coração chamado ECG e de exames de sangue para decidir quem precisa de uma ida urgente ao centro cirúrgico. Mas essas ferramentas muitas vezes deixam passar obstruções perigosas ou sinalizam pessoas que na verdade não precisam de um procedimento emergencial. Este estudo mostra como a inteligência artificial pode ler ECGs para identificar e até localizar obstruções graves com mais precisão, o que pode ajudar a levar os pacientes certos ao tratamento que salva vidas mais rapidamente.

Procurando canos entupidos no coração

Nem todos os ataques cardíacos são iguais. Alguns são causados por uma artéria coronária totalmente ou quase totalmente bloqueada, situação que os autores chamam de infarto por oclusão. Esses são os pacientes que mais urgentemente necessitam de um procedimento para reabrir a artéria. O problema é que o manual padrão foca em um padrão chamado supradesnivelamento de ST no ECG, que aparece em apenas uma fração desses casos perigosos e pode ser causado por outras condições. Como resultado, alguns pacientes são perdidos enquanto outros se submetem a procedimentos invasivos desnecessários. Os pesquisadores se propuseram a construir um modelo computacional capaz de analisar o sinal bruto do ECG e reconhecer tanto a presença de uma obstrução aguda quanto qual das principais artérias do coração está envolvida.

Treinando um modelo com centenas de milhares de ECGs

A equipe usou dados do Swedish Emergency Department Database, que vincula atendimentos de emergência, gravações de ECG e resultados detalhados de procedimentos de cateterismo cardíaco. Eles reuniram mais de 540.000 ECGs de cerca de 226.000 pacientes adultos que foram atendidos em emergências da região de Estocolmo entre 2005 e 2016. Para cada caso de infarto, os médicos que realizaram a angiografia já haviam determinado se havia uma obstrução completa recente e qual vaso principal era o responsável. Usando esses achados objetivos do procedimento como verdade de referência, os pesquisadores treinaram um modelo de deep learning, um tipo de rede neural capaz de reconhecer padrões complexos em sinais, para classificar ECGs em múltiplas categorias, incluindo infartos com e sem oclusão e o vaso culpado específico.

Quão bem o modelo detecta o perigo

Nos dados de teste suecos retidos, o modelo mostrou capacidade muito forte de distinguir obstruções agudas de outros pacientes. Sua medida de desempenho, a estatística C, alcançou pelo menos 0,95 na detecção de infartos por oclusão e pelo menos 0,87 para infartos sem oclusão. Com uma baixa taxa de alarme falso de 5%, o modelo identificou corretamente cerca de 87% dos casos de oclusão. Também teve bom desempenho ao indicar qual das três principais artérias cardíacas estava bloqueada, embora separar duas localizações arteriais particulares — que são difíceis mesmo para especialistas humanos — tenha permanecido desafiador. Em diferentes idades, sexos, tipos de aparelho de ECG e anos do calendário, o desempenho manteve-se amplamente semelhante, com precisão um pouco melhor em pacientes mais jovens e naqueles sem certos problemas crônicos de condução cardíaca.

Testando o modelo em outros países

Para verificar se a ferramenta se manteria fora da Suécia, os autores a testaram em três coleções adicionais de ECGs da Europa e do Brasil. Em uma coorte de emergência brasileira com rótulos baseados em angiografia, o modelo ainda separou bem infartos por oclusão dos controles, especialmente nos casos que mostravam o clássico supradesnivelamento de ST. Em dois grandes bancos de dados onde estavam disponíveis apenas rótulos mais amplos, como infarto com supradesnivelamento de ST e um bloqueio de condução comum, o modelo também teve desempenho forte. De fato, ao prever infartos com supradesnivelamento de ST em um desses conjuntos, o modelo sueco superou outro modelo que havia sido treinado diretamente nesses rótulos locais atribuídos por humanos, sugerindo que treinar com resultados objetivos de cateterismo pode dar ao sistema uma compreensão mais profunda da doença subjacente.

O que isso pode significar para os pacientes

Este trabalho mostra que um modelo computacional pode usar ECGs comuns, além de informações básicas como idade e sexo, para identificar rapidamente quais pacientes provavelmente têm uma artéria coronária recém-bloqueada e onde essa obstrução está localizada. Como o método não depende de exames de sangue ou do consenso dos médicos sobre padrões sutis do ECG, ele poderia reduzir o tempo entre o primeiro contato médico e a reabertura da artéria e diminuir procedimentos emergenciais desnecessários. Os autores enfatizam que a ferramenta ainda precisa ser testada em ensaios clínicos que acompanhem os desfechos dos pacientes antes de ser usada na prática rotineira, mas aponta para um futuro em que análises inteligentes de ECG ajudam a garantir que as pessoas certas cheguem ao laboratório de cateterismo no momento adequado.

Citação: Gustafsson, S., Ribeiro, A.H., Gedon, D. et al. A deep learning ECG model for identification and localization of occlusion myocardial infarction. Nat Commun 17, 4336 (2026). https://doi.org/10.1038/s41467-026-73023-1

Palavras-chave: eletrocardiograma, deep learning, infarto do miocárdio, oclusão coronária, IA médica