Uma arquitetura conjunta CNN-Bi-LSTM-transformer com explicações SHAP para detecção multi-rótulo de arritmias a partir de ECGs de 12 derivações

Por que o rastreamento do ritmo cardíaco importa para todos

Problemas de ritmo cardíaco, ou arritmias, são uma das principais causas de morte súbita cardíaca, mas o principal exame usado para detectá‑los — o eletrocardiograma (ECG) de 12 derivações — ainda depende muito de especialistas humanos com pouco tempo. Este estudo apresenta um sistema de inteligência artificial capaz de analisar ECGs padrão para muitos problemas de ritmo simultaneamente, explicar suas descobertas em termos que os médicos compreendem e rodar rápido o bastante para ser integrado a dispositivos vestíveis ou plataformas de telemedicina. Para pacientes, isso pode significar aviso antecipado de ritmos perigosos; para clínicos, promete um assistente incansável que não apenas sinaliza problemas, mas também mostra por quê.

Ouvindo o coração com muitos ouvidos

Um ECG de 12 derivações captura a atividade elétrica do coração de múltiplos pontos de vista, usando eletrodos no peito e nos membros. Cada batimento produz um padrão característico de ondas que revela como os sinais percorrem as câmaras cardíacas. Pequenas distorções nesses padrões podem indicar condições que variam de variações benignas a perturbações potencialmente fatais. Interpretar essas mudanças sutis através de várias derivações e em gravações longas é exigente, e as leituras humanas podem divergir de um especialista para outro. Ao mesmo tempo, o cuidado moderno depende cada vez mais de monitoramento contínuo em hospitais, em casa e em dispositivos vestíveis, gerando mais dados do que os clínicos podem realisticamente revisar a olho nu.

Ensinando um assistente digital a ler sinais cardíacos complexos

Os pesquisadores construíram um modelo de aprendizado profundo que recebe segmentos brutos de ECG de 12 derivações como entrada e aprende a reconhecer 27 problemas clínicos importantes de ritmo e condução. Primeiro, eles pré-processaram mais de 43.000 gravações rotuladas por especialistas da grande coleção PhysioNet/Computing in Cardiology 2020. Sinais de diferentes hospitais usavam taxas de amostragem variadas e continham ruído, valores faltantes e outliers ocasionais. A equipe reamostrou todos os ECGs para uma taxa comum, removeu drift de linha de base e interferência elétrica, preencheu lacunas usando regras estatisticamente apropriadas e segmentou os dados em janelas sobrepostas de quatro segundos. Esse comprimento de janela mostrou‑se longo o bastante para capturar padrões rítmicos chave, mantendo‑se curto e eficiente para análise em tempo real.

Como o modelo em camadas vê espaço, tempo e contexto

O núcleo do sistema é uma cadeia de três módulos de rede neural complementares. Camadas convolucionais atuam como detectores de padrão, varrendo cada derivação do ECG em busca de formas como picos agudos, complexos alargados ou segmentos distorcidos. Em seguida, camadas bidirecionais de long short‑term memory acompanham como essas características evoluem ao longo do tempo, observando o ritmo tanto para frente quanto para trás para capturar intervalos irregulares e transições entre batimentos. Por fim, um bloco transformer aplica um mecanismo de atenção capaz de focalizar fragmentos de sinal distantes mas relacionados em todas as derivações ao mesmo tempo, traçando conexões que podem indicar condições sobrepostas. Juntas, essas camadas convertem cada janela curta de ECG em uma representação compacta a partir da qual a rede estima a presença de cada uma das 27 categorias de arritmia e condução em um formato multi‑rótulo.

Abrindo a caixa‑preta com realces significativos

Para tornar as decisões do sistema compreensíveis, os autores integraram uma técnica chamada SHAP, que calcula quanto cada porção do ECG contribuiu para uma determinada predição. Após o treinamento, eles usaram o SHAP para gerar “mapas de importância” visuais que destacam segmentos específicos de onda e derivações nos quais o modelo se apoiou em cada caso. Esses mapas frequentemente corresponderam ao raciocínio cardiológico padrão: por exemplo, o sistema enfatizou ausência de ondas P e intervalos irregulares entre batimentos ao identificar fibrilação atrial, ou complexos QRS alargados e pausas compensatórias ao reconhecer batimentos ventriculares prematuros. Esse alinhamento sugere que a IA não está meramente memorizando padrões, mas focalizando as mesmas pistas fisiológicas que especialistas humanos utilizam.

Desempenho no mundo real e promessas futuras

Em um grupo de teste independente de pacientes, o modelo classificou corretamente os ritmos com uma acurácia geral de aproximadamente 91% e manteve um forte equilíbrio entre detectar problemas reais e evitar alarmes falsos, tanto para condições comuns quanto raras. Para arritmias perigosas como batimentos ventriculares prematuros e fibrilação atrial, sua capacidade de distinguir anormal de normal foi extremamente alta. Notavelmente, o modelo completo ocupa menos de dois megabytes de memória e pode analisar uma janela de ECG em menos de dez milissegundos, tornando‑o adequado para implantação em monitores de cabeceira, gravadores ambulatoriais ou mesmo dispositivos vestíveis inteligentes. Em termos simples, este trabalho mostra que uma IA compacta e explicável pode ajudar a ler ECGs padrão em uma ampla gama de problemas de ritmo cardíaco, oferecendo aos clínicos justificativas visuais claras enquanto abre caminho para um monitoramento cardíaco mais seguro e acessível.

Citação: Al-Bairmani, M.T., Yazdchi, M. & Nasimi, F. A joint CNN-Bi-LSTM-transformer architecture with SHAP explanations for multi-label arrhythmia detection from 12-lead ECGs. Sci Rep 16, 11123 (2026). https://doi.org/10.1038/s41598-026-40925-5

Palavras-chave: eletrocardiograma, arritmia cardíaca, aprendizado profundo, IA explicável, monitoramento cardíaco