Abordagem multimodal explicável para descobrir os principais preditores de risco de AVC a partir de sinais de ECG, EMG, pressão arterial e respiratórios

Por que os sinais da respiração e do coração importam para o AVC

O AVC atinge rapidamente, mas geralmente se desenvolve de forma silenciosa ao longo de anos. Os médicos sabem que pressão arterial alta, problemas do ritmo cardíaco e hábitos de vida elevam o risco, mas prever quem está em perigo real continua difícil. Este estudo mostra que a maneira como respiramos – especialmente como o corpo lida com o dióxido de carbono – carrega pistas ocultas sobre o risco de AVC. Ao combinar sinais respiratórios, cardíacos, musculares e de pressão arterial em um modelo de inteligência artificial (IA) explicável, os autores revelam novas formas de identificar pacientes de alto risco e ajudar os clínicos a entender por que um algoritmo toma determinada decisão.

Escutando os sinais silenciosos do corpo

Em vez de usar imagens cerebrais, que são caras e não servem para monitoramento contínuo, os pesquisadores recorreram a medições elétricas e de pressão simples obtidas de 64 voluntários, alguns que haviam sofrido um AVC isquêmico e outros que não. Eles registraram sete sinais enquanto as pessoas estavam sentadas e depois em pé: atividade cardíaca (duas vias de ECG), atividade muscular da perna (duas vias de EMG), pressão arterial por um manguito no dedo e dois sinais respiratórios na boca – dióxido de carbono no ar exalado e a taxa de fluxo de ar. Essas medições são semelhantes às que poderiam ser coletadas por monitores hospitalares de cabeceira ou wearables avançados, tornando a abordagem potencialmente prática para check‑ups regulares.

Transformando ondas brutas em padrões que o computador pode ler

A equipe cortou a gravação de 10 minutos de cada pessoa em muitas fatias de 14 segundos com sobreposição parcial, tempo suficiente para capturar várias respirações e batimentos cardíacos repetidos. Para cada fatia, calcularam uma ampla gama de descritores numéricos simples – médias, variabilidade, quantas vezes os sinais cruzavam o zero e como sua energia se espalhava por diferentes frequências. Essas características resumem o “estilo” de cada sinal sem armazenar as formas de onda completas, reduzindo custo computacional e ruído. Todas as características dos sete sinais foram então empilhadas para representar uma única amostra de como o corpo daquela pessoa se comportava naquele breve período.

Um modelo simples inspirado no cérebro que supera redes mais profundas

Em vez de usar uma rede neural profunda e complexa, os autores escolheram uma muito simples: um perceptron de camada única. Esse modelo recebe todas as características numéricas, multiplica cada uma por um peso aprendido, soma-as e passa o resultado por uma função de compressão para produzir uma probabilidade de “AVC” ou “sem AVC”. Apesar da simplicidade, esse modelo alcançou uma acurácia de cerca de 85–88%, superando métodos mais sofisticados como redes recorrentes e convolucionais, redes de reservatório em conjunto e classificadores populares de aprendizado de máquina quando todos foram testados nos mesmos dados. Crucialmente, quando os sinais respiratórios (dióxido de carbono e fluxo de ar) foram removidos, a acurácia caiu para cerca de 59%, um declínio estatisticamente significativo, mostrando que os dados respiratórios acrescentam informação crítica que os outros sinais isoladamente não capturam.

Abrindo a caixa‑preta: quais sinais realmente importam

Os médicos desconfiam legitimamente de IA em caixa‑preta, então a equipe usou três ferramentas de explicação – SHAP, LIME e Anchors – para ver em quais características o modelo mais se apoiava. As três apontaram para características respiratórias, especialmente as derivadas do dióxido de carbono, como principais motores das previsões. O SHAP, um explicador baseado em teoria dos jogos, classificou o nível médio de dióxido de carbono exalado, sua variabilidade e a pressão arterial média como os três maiores contribuintes para decidir se uma amostra parecia vir de um paciente com AVC. Altos níveis médios de dióxido de carbono e pressão arterial elevada tendiam a empurrar o modelo para “AVC”, enquanto padrões de dióxido de carbono mais irregulares sugeriam risco menor. Para avaliar qual explicador confiar mais, os autores usaram um teste especial: remover as principais características indicadas por cada método e ver quanto o desempenho do modelo piorava. O SHAP causou a maior queda, dando‑lhe o título de interpretador mais confiável.

O que isso significa para pacientes e clínicos

Para não especialistas, a conclusão é direta: como você respira e como elimina dióxido de carbono pode ser tão revelador sobre o risco de AVC quanto sua pressão arterial ou batimentos cardíacos. Este trabalho sugere que monitores rotineiros que capturem gases respiratórios, pressão arterial, sinais cardíacos e musculares poderiam ser ligados a IA simples e transparente para sinalizar pessoas que merecem atenção mais próxima muito antes de um AVC ocorrer. Como o modelo é ao mesmo tempo preciso e explicável, os clínicos podem ver quais aspectos da fisiologia do paciente estão impulsionando a estimativa de risco, favorecendo confiança e tratamentos direcionados. Estudos maiores ainda são necessários, mas os resultados destacam medidas respiratórias relacionadas ao dióxido de carbono como promissores novos marcadores para prevenção de AVC.

Citação: Krayem, J., Wong, L., Tham, L.K. et al. Explainable multi-modal approach for uncovering key predictors of stroke-risk from ECG, EMG, blood pressure, and respiratory signals. Sci Rep 16, 6906 (2026). https://doi.org/10.1038/s41598-026-37777-4

Palavras-chave: risco de AVC, sinais respiratórios, dióxido de carbono, IA explicável, ECG e pressão arterial