Aprendizado multimodal multi-instância para previsão de desempenho no teste cardiopulmonar de exercício

Por que isso importa para pessoas com corações fracos

Para quem vive com insuficiência cardíaca, uma das maiores questões é: “Quanto tempo me resta e o que os médicos ainda podem fazer por mim?” O melhor exame médico para responder a isso hoje é um teste exigente em esteira ou bicicleta que mede quanto oxigênio o corpo consegue usar durante exercício intenso. Mas esse exame é difícil de obter e não está disponível em muitos hospitais. Este estudo mostra como os médicos poderiam, em vez disso, usar ecocardiogramas comuns e informações já presentes no prontuário eletrônico, combinados com inteligência artificial moderna, para estimar o mesmo número crucial e sinalizar pacientes que podem precisar de terapias avançadas que salvam vidas.

O desafio de detectar o perigo cedo

A insuficiência cardíaca afeta milhões de americanos e muitas vezes rouba mais de uma década de vida. Em seu estágio mais avançado, a sobrevida pode ser pior que a de muitos cânceres, mas apenas uma pequena parcela dos pacientes recebe tratamentos como transplante de coração ou bombas mecânicas a tempo. Uma ferramenta-chave para decidir quem deve ser encaminhado para essas terapias é o teste cardiopulmonar de exercício, que mede o “VO₂ de pico”, a quantidade máxima de oxigênio que o corpo consegue usar durante o exercício. VO₂ de pico baixo é um forte sinal de alerta, mas o teste exige equipamento especial, equipe treinada e espaço, de modo que muitos centros—especialmente hospitais menores ou rurais—não conseguem oferecê‑lo. Em contraste, exames ecocardiográficos padrão (ecocardiografia transtorácica, ou TTE) e registros eletrônicos de saúde (EHRs) estão amplamente disponíveis, mas, isoladamente, não têm sido muito eficazes para prever quem está em maior risco.

Ensinando computadores a ler entre os exames

Os pesquisadores construíram um novo sistema de inteligência artificial que aprende a partir de duas fontes principais de informação: imagens de ultrassom do coração em movimento e dados detalhados do EHR, como idade, peso, medicamentos e medidas cardíacas padrão. Cada exame de ultrassom contém muitos clipes e vistas especializadas, então, em vez de tratar cada imagem separadamente, o modelo revisa todas elas em conjunto, mais como um médico faria. Ele usa uma estratégia “multi‑instância”: primeiro transforma cada imagem ou clipe em uma descrição compacta e depois as combina com um mecanismo de atenção que permite ao modelo focar nas partes mais informativas. Em paralelo, uma rede neural especializada treinada em muitos tipos de dados tabulares médicos converte as informações do EHR em seu próprio resumo. Uma etapa final de fusão mistura os resumos do ultrassom e do EHR em um único retrato do paciente, a partir do qual o sistema prevê o VO₂ de pico e se a pessoa fica abaixo de um limiar crítico de segurança.

Quão bem o sistema funciona

A equipe treinou e testou sua abordagem com dados de quatro grandes hospitais da rede New York–Presbyterian, usando 1.000 pacientes para desenvolvimento e 127 pacientes de locais separados para validação externa. Comparado a um modelo de IA anterior e mais simples que analisava ultrassom e EHR de forma mais independente, a nova estrutura foi claramente mais precisa. Ela explicou cerca de 60% da variação no VO₂ de pico no grupo de teste principal, contra cerca de 53% antes, e seu erro típico diminuiu em aproximadamente meio equivalente metabólico de tarefa, uma melhora clinicamente relevante. Quando o objetivo foi simplesmente identificar pacientes de alto risco—aqueles com capacidade de exercício especialmente baixa—o sistema alcançou uma área sob a curva de 0,85 no grupo de desenvolvimento e 0,87 nos hospitais externos, superando todos os modelos que usavam apenas ultrassom ou apenas dados do EHR. Em termos práticos, em um compromisso fixo e clinicamente razoável entre casos perdidos e alarmes falsos, mais pacientes realmente em alto risco foram corretamente sinalizados.

Olhando dentro da caixa‑preta

Para verificar que o modelo estava prestando atenção a características sensatas, os autores criaram mapas visuais sobre as imagens de ultrassom mostrando quais regiões mais influenciaram as previsões. Os mapas tenderam a destacar câmaras cardíacas, seu movimento e formas de onda de fluxo sanguíneo—características nas quais os cardiologistas já confiam—sugerindo que o sistema está aprendendo padrões significativos em vez de ruído. Nos dados do EHR, medidas como idade, índice de massa corporal e a força de ejeção do ventrículo esquerdo emergiram como especialmente importantes, novamente em concordância com as expectativas clínicas. Os pesquisadores também examinaram quão bem o modelo funcionou em diferentes subgrupos. O desempenho foi semelhante para homens e mulheres e para pacientes brancos e não brancos ao prever o valor exato do VO₂ de pico, embora algumas lacunas tenham aparecido em adultos mais velhos e na classificação de alto risco entre raças, ressaltando a necessidade de dados mais diversos e aprimoramentos focados em equidade.

Da pesquisa ao cuidado à beira do leito

Como o sistema usa informações já coletadas na rotina de atendimento—ecocardiogramas padrão e dados existentes do EHR—ele poderia, em princípio, ser incorporado diretamente ao software hospitalar. Após a leitura de um exame, a IA poderia estimar discretamente o VO₂ de pico e destacar pacientes cuja capacidade de exercício prevista é perigosamente baixa, levando médicos a solicitar testes formais de esforço ou encaminhá‑los a especialistas em insuficiência cardíaca avançada. Os resultados do estudo, incluindo forte desempenho em hospitais não usados no treinamento, sugerem que tal ferramenta poderia ajudar a detectar mais pacientes em risco que, de outra forma, poderiam passar despercebidos. Embora ensaios prospectivos e testes mais amplos ainda sejam necessários, este trabalho aponta para um futuro em que testes poderosos, porém escassos, são complementados por sistemas de IA que fazem um uso mais inteligente dos dados que a maioria dos hospitais já possui.

Citação: Huang, Z., Pan, W., Alishetti, S. et al. Multimodal multi-instance learning for cardiopulmonary exercise testing performance prediction. npj Digit. Med. 9, 304 (2026). https://doi.org/10.1038/s41746-026-02493-w

Palavras-chave: insuficiência cardíaca, teste cardiopulmonar de exercício, ecocardiografia, inteligência artificial, previsão de risco