MEETI: Um conjunto de dados multimodal de ECG do MIMIC-IV-ECG com sinais, imagens, características e interpretações

Por que isso importa para a saúde do coração e o atendimento cotidiano

Cada ano, milhões de pessoas têm a atividade elétrica do coração registrada como linhas onduladas chamadas eletrocardiogramas, ou ECGs. Esses testes ajudam os médicos a detectar ritmos perigosos e outras condições cardíacas, mas sua leitura consome tempo e exige anos de treinamento. Ao mesmo tempo, a inteligência artificial evoluiu notavelmente em tarefas como interpretar radiografias e resumir anotações médicas, mas progressos semelhantes em ECGs têm sido mais lentos. Este artigo apresenta o MEETI, um novo tipo de conjunto de dados de ECG que reúne várias visões do mesmo exame — sinais, imagens, números e explicações — para que computadores possam aprender a “entender” ECGs de maneiras que façam sentido tanto para médicos quanto para pacientes.

Uma nova visão tudo‑em‑um do batimento cardíaco

Bancos de dados tradicionais de ECG geralmente oferecem apenas um tipo de informação: ou o sinal elétrico bruto, ou uma imagem do ECG que se assemelha a papel quadriculado, ou um breve laudo escrito. MEETI (abreviação de MIMIC‑IV‑Ext ECG‑Text‑Image) é o primeiro grande recurso público a alinhar cuidadosamente quatro componentes para cada ECG: o sinal original de 10 segundos em 12 derivações, uma imagem em alta resolução que imita a impressão de um hospital, um conjunto de medições precisas batimento a batimento e uma interpretação escrita detalhada gerada por um modelo de linguagem moderno. Tudo isso é construído sobre a grande coleção MIMIC‑IV‑ECG de um importante centro médico dos EUA, cobrindo mais de três quartos de milhão de registros de ECG de mais de 160.000 pacientes. Ao vincular essas peças por identificadores compartilhados, o MEETI transforma cada ECG em um retrato rico e multilayer da atividade cardíaca.

Como a equipe transformou sinais em dados ricos

Para construir o MEETI, os autores primeiro baixaram e verificaram cerca de 800.000 registros de ECG, garantindo que cada um estivesse devidamente anonimizado e tecnicamente adequado. Usando ferramentas open‑source, eles renderizaram cada sinal de 12 derivações em um layout clínico padrão em alta resolução, preservando os detalhes finos dos quais os cardiologistas dependem. Em seguida, processaram cada ECG com o FeatureDB, um conjunto de ferramentas que detecta automaticamente as porções familiares P, QRS e T de cada batimento. A partir disso, o sistema calcula medições-chave como a frequência cardíaca, o intervalo entre batimentos, a duração das diferentes partes do ciclo cardíaco e a altura ou amplitude de ondas específicas. Esses números são armazenados para cada batimento em cada derivação, oferecendo uma visão incomumente detalhada de como o batimento de uma pessoa se comporta ao longo desses 10 segundos.

Ensinando modelos de linguagem a falar sobre ritmos cardíacos

Laudos humanos curtos frequentemente são vagos e perdem oportunidades de explicar como um diagnóstico se relaciona com características mensuráveis no traçado. Para preencher essa lacuna, a equipe projetou prompts cuidadosos para um modelo de linguagem de ponta de modo que ele pudesse gerar interpretações longas e clinicamente fundamentadas. Para cada ECG, o modelo recebe tanto o laudo original do clínico quanto os parâmetros extraídos — por exemplo, sequências de durações de QRS ao longo de múltiplos batimentos — e é instruído a permanecer fiel às conclusões do especialista, usando as medições como evidência. Cardiologistas ajudaram a projetar e revisar esse processo, confirmando em casos de amostra que as explicações resultantes capturam os mesmos achados dos laudos originais enquanto incorporam números concretos. O resultado é uma descrição em texto que conecta o que o olho vê no gráfico a medições objetivas e reproduzíveis.

O que há dentro do recurso e como ele pode ser usado

O MEETI está organizado de modo que pesquisadores possam navegar facilmente da pasta de um paciente para todos os seus estudos, e de cada estudo para sua imagem correspondente, sinais, parâmetros por batimento e explicação gerada pelo modelo de linguagem. Estatísticas resumidas em todo o conjunto mostram que medições-chave, como o tempo médio entre batimentos ou a duração do complexo QRS, estão dentro das faixas clínicas esperadas e têm quase nenhum valor ausente, ressaltando a qualidade e a completude do conjunto de dados. Os autores fornecem código de exemplo para carregar os dados e ler as imagens e textos, e liberam todos os scripts usados para extração de parâmetros e criação de imagens como ferramentas open‑source. Essa estrutura permite que cientistas treinem modelos que analisem conjuntamente formas de onda, imagens e linguagem, e explorem questões que vão desde a classificação automática de ritmos até a geração de relatórios compreensíveis para estudantes e pacientes.

O que isso significa para a IA voltada ao coração no futuro

Os autores concluem que o MEETI remove um gargalo chave na construção de IAs úteis e confiáveis para ECGs. Ao combinar sinais brutos, imagens no estilo clínico, medições de alta resolução e explicações ricas em um único recurso público, o conjunto de dados torna possível treinar sistemas que fazem mais do que simplesmente rotular um traçado como “normal” ou “anormal”. Em vez disso, modelos futuros podem ser solicitados a raciocinar sobre como mudanças específicas na forma de onda sustentam um diagnóstico, ou a mostrar quais batimentos e derivações embasaram suas conclusões. Para pacientes, isso pode significar relatórios mais claros e detecção precoce de problemas sutis; para clínicos, oferece ferramentas que não só alcançam desempenho de especialistas, mas também conseguem se explicar. Em suma, o MEETI lança a base para a próxima geração de IA focada no coração que vê, mede e explica o batimento cardíaco de uma só vez.

Citação: Zhang, D., Lan, X., Geng, S. et al. MEETI: A Multimodal ECG Dataset from MIMIC-IV-ECG with Signals, Images, Features and Interpretations. Sci Data 13, 527 (2026). https://doi.org/10.1038/s41597-026-06796-1

Palavras-chave: conjunto de dados de eletrocardiograma, IA médica multimodal, diagnósticos cardiovasculares, interpretação de ECG, aprendizado de máquina médico