xGNN4MI: explicabilidade de redes neurais de grafos em eletrocardiografia de 12 derivações para classificação de doenças cardiovasculares

Por que isso importa para a saúde do coração

Infartos e outras doenças cardíacas continuam sendo causas principais de morte no mundo, e o exame padrão para detectar problemas é a familiar linha ondulada do eletrocardiograma, ou ECG. Médicos recorrem cada vez mais à inteligência artificial para auxiliar na leitura desses sinais, mas muitas ferramentas de IA funcionam como caixas-pretas opacas, entregando um veredito sem mostrar seu raciocínio. Este estudo apresenta uma nova abordagem chamada xGNN4MI que busca manter o poder da IA moderna ao mesmo tempo em que torna seu raciocínio visível e verificável para os clínicos.

Dos batimentos a sinais conectados

Um ECG não vem de um único ponto de vista: doze derivações diferentes colocadas no tórax e nos membros oferecem perspectivas ligeiramente distintas sobre a atividade elétrica do coração. Cada derivação é sensível a uma região diferente do músculo cardíaco e do suprimento sanguíneo. Os autores transformam esse registro multiderivação em uma rede, onde cada nó representa uma derivação e as conexões capturam como esses sinais se relacionam ao longo do tempo. Ao fatiar os dez segundos do ECG em trechos mais curtos e ligar a mesma derivação através desses trechos, eles constroem uma estrutura que reflete tanto onde os eletrodos estão posicionados no corpo quanto como o batimento se desenrola passo a passo. Essa rede torna-se a entrada para uma rede neural de grafos, um tipo de IA projetada para trabalhar com teias de dados conectados em vez de grades ou listas simples.

Um novo fluxo para ler e localizar infartos

Usando essa visão em rede do ECG, a equipe projetou um pipeline de código aberto que chamam de xGNN4MI. Ele abrange toda a jornada do sinal bruto até o diagnóstico: construção do grafo do ECG, treinamento da rede neural de grafos e então explicação de como o modelo gera suas previsões. Eles testaram o sistema em duas tarefas exigentes. Primeiro, ele precisava classificar ECGs em cinco grupos diagnósticos amplos, como ritmo normal, infarto ou problemas de condução. Segundo, precisava ir além e identificar onde no coração ocorreu um infarto, distinguindo entre danos na parede anterior (anterosseptal) e na parede inferior (inferior) do músculo cardíaco. O modelo foi treinado em uma grande coleção pública de ECGs e depois desafiado com um estudo populacional separado para avaliar quão bem generalizava para novos pacientes.

Quão bem o sistema se sai

Na tarefa de agrupamento amplo, o modelo alcançou uma acurácia de cerca de sete em dez ECGs, com desempenho especialmente forte no reconhecimento de gravações normais e de infartos bem definidos. Algumas categorias mais variadas em aparência, como espessamento do músculo cardíaco ou distúrbios de condução, foram mais difíceis de separar de forma limpa, provavelmente porque abarcam diferentes problemas subjacentes. Na tarefa mais detalhada de localizar o infarto, o desempenho melhorou: o sistema distinguiu corretamente entre subtipos principais de infarto com uma pontuação F1 ponderada próxima de 0,8 no conjunto de dados principal e mostrou boa capacidade de generalizar para a coorte externa. Foi particularmente confiável ao reconhecer padrões clássicos inferior e anterosseptal. No entanto, teve mais dificuldade em identificar corações verdadeiramente saudáveis no estudo externo, um indício de que diferenças sutis entre conjuntos de dados — como durações de QRS ligeiramente maiores, uma medida de quanto tempo cada batimento leva para ativar — podem confundir até modelos bem treinados.

Ver o que a IA “olha”

Uma promessa central do xGNN4MI é que ele não apenas fornece uma resposta, mas também mostra quais partes do grafo do ECG foram mais importantes. Os autores utilizaram um método chamado GNNExplainer para destacar as derivações e conexões mais influentes para cada previsão. Quando o modelo rotulou um ECG como infarto anterosseptal, os nós mais importantes foram as derivações torácicas V1 a V3, em concordância com o ensino tradicional de que essas derivações observam a parede anterior do coração. Para infartos inferiores, o modelo enfocou as derivações II, III e aVF, novamente espelhando critérios clássicos. Curiosamente, uma derivação de membro (aVR), frequentemente negligenciada na leitura rotineira, emergiu como incomumente importante em alguns casos inferiores, ecoando relatos clínicos recentes que vinculam alterações nessa derivação a complicações mais severas. ECGs normais, em contraste, mostraram uma distribuição de importância mais uniforme entre as derivações, consistente com a ausência de uma região única lesionada.

Limitações e direções futuras

Embora as explicações tenham se alinhado bem com o conhecimento estabelecido em cardiologia, também ressaltaram limites atuais. O método de explicabilidade tende a focar em aglomerados de derivações conectadas e não captura totalmente relações distantes ou temporizações finas, mesmo que essas possam ser clinicamente relevantes. O modelo também trabalha com rótulos dominantes únicos e ainda não reflete a mistura de condições frequentemente presentes em pacientes reais. Os autores sugerem que trabalhos futuros poderiam usar ferramentas de explicação mais avançadas que lidem melhor com o tempo, incorporar diagnósticos multilabel e adaptar a estrutura do grafo a doenças cardíacas específicas. Ainda assim, ao compartilhar o código abertamente, documentar cada escolha de design e mostrar que seu modelo foca em regiões do ECG com sentido clínico, o xGNN4MI oferece um passo concreto em direção a ferramentas de IA que médicos podem tanto usar quanto confiar.

O que isso significa para pacientes e clínicos

Em termos simples, este trabalho mostra que é possível construir um assistente de IA para interpretação de ECG que não apenas detecta infartos e sugere onde ocorreram, mas também aponta para as mesmas derivações em que peritos humanos confiam. Embora ainda não esteja pronto para substituir um cardiologista, a estrutura demonstra que IA poderosa baseada em grafos pode ser tornada mais transparente e confrontada com o conhecimento médico. Se refinadas e validadas, tais ferramentas poderiam ajudar clínicos menos experientes em ambientes lotados ou com poucos recursos, sinalizando rapidamente infartos de alto risco enquanto fornecem um rastro visual de como a decisão foi tomada.

Citação: Maurer, M.C., Hempel, P., Steinhaus, K.E. et al. xGNN4MI: explainability of graph neural networks in 12-lead electrocardiography for cardiovascular disease classification. npj Digit. Med. 9, 256 (2026). https://doi.org/10.1038/s41746-026-02367-1

Palavras-chave: IA em eletrocardiograma, redes neurais de grafos, infarto do miocárdio, inteligência artificial explicável, diagnóstico cardiovascular