Classificação da fibrilação atrial paroxística usando eletrocardiogramas em ritmo sinusal pelo método Symmetric Projection Attractor Reconstruction

Por que este estudo sobre ritmo cardíaco é importante

A fibrilação atrial é um problema de ritmo cardíaco comum que pode aumentar silenciosamente o risco de AVC e de morte prematura. Uma forma enigmática, chamada fibrilação atrial paroxística, surge e desaparece em rajadas curtas, de modo que as pessoas podem apresentar um traçado cardíaco com aparência perfeitamente normal quando consultam o médico. Este estudo faz uma pergunta provocativa: mesmo quando o eletrocardiograma (ECG) parece normal, ele ainda carrega uma impressão digital sutil de um problema rítmico oculto que computadores podem detectar — e isso poderia poupar aos pacientes semanas de monitoramento cardíaco desconfortável?

Pistas ocultas em um exame cardíaco comum

Os médicos normalmente diagnosticam a fibrilação atrial captando um episódio no ECG que registra a atividade elétrica do coração. Para pessoas cujos episódios são breves e pouco frequentes, exames padrão — e até monitores portáteis de 30 dias — frequentemente deixam de detectar o problema. Os pesquisadores deste trabalho investigaram se um ECG curto de 10 segundos, tomado enquanto o coração bate normalmente, ainda poderia revelar quem tem histórico de fibrilação atrial paroxística. Se isso fosse possível, um exame de rotina em clínica ou departamento de emergência poderia sinalizar pacientes em risco sem esperar pelo próximo ataque.

Transformando batimentos em formas geométricas

Para buscar essas pistas ocultas, a equipe usou uma abordagem de processamento de sinal chamada Symmetric Projection Attractor Reconstruction. Em vez de focar em marcos familiares do ECG — os picos e ondas que os médicos costumam inspecionar — esse método trata o batimento cardíaco repetido como um padrão no tempo. Ele amostra cada batimento em vários pontos e plota esses valores entre si, transformando o sinal unidimensional em uma imagem geométrica bidimensional chamada atrator. Mudanças sutis em como o sinal elétrico do coração sobe, cai e varia de batida para batida aparecem como diferenças na forma, tamanho e densidade desses padrões de atrator, mesmo quando o ECG original parece normal a olho nu.

Treinando computadores para identificar padrões de risco

Os investigadores utilizaram um grande banco de dados aberto de ECGs que incluía pessoas com episódios documentados de fibrilação atrial e sujeitos controle cuidadosamente pareados sem problemas de ritmo conhecidos, equilibrando por idade e sexo. Para cada traçado de 10 segundos em ritmo normal, eles geraram imagens de atrator a partir de todas as 12 derivações do ECG e converteram essas formas em resumos numéricos que descreviam como os pontos se agrupavam em diferentes direções e distâncias do centro. Esses resumos foram então alimentados em duas abordagens padrão de aprendizado de máquina: uma que classifica um novo caso com base em seus vizinhos mais próximos no conjunto de dados e outra que constrói uma árvore de decisão com regras do tipo se-então. A equipe também testou questões práticas importantes para uso real, como qual derivação do ECG funciona melhor e se taxas de amostragem mais baixas — comuns em máquinas de clínica — prejudicam o desempenho.

Desempenho do método

Em várias combinações de configurações, a melhor configuração usou características do atrator que descrevem quão densamente os pontos estavam dispostos em torno do círculo, extraídas de ECGs amostrados a 125 hertz e classificadas pelo método dos vizinhos mais próximos. Nessas condições, o sistema distinguiu corretamente pessoas com e sem fibrilação atrial paroxística em cerca de 81% das vezes. Foi altamente confiável ao identificar controles realmente saudáveis (aproximadamente 95% de especificidade), mas mais modesto ao detectar todos os pacientes afetados (cerca de 67% de sensibilidade). Uma abordagem por árvore de decisão elevou a sensibilidade para cerca de 73%, mas sacrificou um pouco da capacidade de evitar alarmes falsos. Importante: o método precisava apenas de 10 segundos de dados em ritmo normal, porém sua sensibilidade foi aproximadamente o dobro da relatada para monitoramento cardíaco de longo prazo de 30 dias em trabalhos anteriores.

Quem se beneficia e o que ainda precisa ser melhorado

Os pesquisadores constataram que o desempenho foi relativamente estável entre diferentes faixas etárias, mas um pouco melhor em homens do que em mulheres, provavelmente refletindo desequilíbrios no conjunto de dados subjacente. Outras doenças cardíacas presentes em alguns pacientes tendiam a reduzir a acurácia, e o intervalo entre o episódio documentado de fibrilação e o ECG em ritmo normal também pareceu influenciar. Esses achados sugerem que estudos futuros com grupos de pacientes maiores e mais diversos — e acompanhamento cuidadoso de outros diagnósticos e dos tempos de gravação — podem refinar ainda mais a ferramenta e esclarecer onde ela funciona melhor, como em clínicas, pronto-socorros ou dispositivos vestíveis.

Um passo rumo à detecção mais precoce e acessível

Para o leitor não especializado, a mensagem principal é que um exame cardíaco padrão e rápido pode conter mais informação do que os médicos conseguem ver atualmente. Ao converter batimentos com aparência normal em padrões geométricos e permitir que algoritmos comparem essas formas entre muitos pacientes, este estudo mostra que é possível sinalizar pessoas com histórico de fibrilação atrial paroxística usando apenas alguns segundos de ritmo normal. Embora o método ainda não seja perfeito, ele oferece um caminho promissor para triagens mais rápidas e confortáveis que podem ajudar a identificar pessoas em risco de AVC mais cedo e orientar quem deve receber acompanhamento mais próximo ou tratamento preventivo.

Citação: Creasy, S., Lip, G.Y.H., Tse, G. et al. Classification of paroxysmal atrial fibrillation using sinus rhythm electrocardiograms using the symmetric projection attractor reconstruction method. Sci Rep 16, 9705 (2026). https://doi.org/10.1038/s41598-026-37491-1

Palavras-chave: fibrilação atrial, eletrocardiograma, aprendizado de máquina, ritmo cardíaco, detecção precoce