Diagnóstico de doença arterial coronariana por processamento de sinais e aprendizado de máquina de sons cardíacos: uma revisão sistemática

Ouvir o coração em vez de entrar nas artérias

A doença arterial coronariana, em que os vasos sanguíneos que irrigam o coração se estreitam, é uma das principais causas de morte no mundo. Hoje, os médicos geralmente confirmam essa doença com exames invasivos que inserem cateteres no coração ou com aparelhos de imagem caros. Este estudo faz uma pergunta simples e atraente: será que a análise cuidadosa de sons cardíacos comuns — gravados com microfones sobre o tórax e interpretados por computadores — poderia oferecer uma verificação inicial segura e rápida para artérias coronárias obstruídas?

Por que artérias bloqueadas alteram o som do coração

Quando uma artéria coronária está estreitada, o sangue é forçado a passar por uma abertura mais apertada, gerando fluxo turbulento e de alta velocidade. Essa turbulência pode produzir murmúrios tênues e vibrações adicionais, especialmente durante a fase de relaxamento do coração, quando o sangue normalmente flui de forma mais calma. A mesma perda de suprimento sanguíneo pode enfraquecer sutilmente a contração do coração e alterar o tempo e a intensidade dos batimentos principais. Todas essas mudanças redesenham ligeiramente a “música” do batimento cardíaco. Estetoscópios eletrônicos modernos conseguem capturar esses sons, que são então transformados em sinais digitais para análise computacional.

Como os pesquisadores vasculharam o registro científico

Os autores vasculharam quatro grandes bases de dados médicas e triaram mais de mil publicações sobre sons cardíacos e doença coronariana. Após remover duplicatas, relatos muito pequenos e trabalhos com métodos fracos, ficaram com 40 estudos que, no conjunto, incluíram 13.814 pessoas. Quase todos esses estudos confirmaram a presença ou ausência de estreitamento arterial significativo usando imagem padrão das artérias coronárias e então compararam esses achados com o que podia ser aprendido a partir dos sons cardíacos. Aproximadamente metade dos estudos baseou-se em processamento de sinais tradicional — descrições matemáticas da energia e frequência do som — enquanto a outra metade usou aprendizado de máquina, em que algoritmos descobrem padrões diretamente a partir dos dados.

Limites das medições sonoras tradicionais

No enfoque mais antigo, os cientistas escolhiam algumas características sonoras específicas que acreditavam poder refletir artérias estreitadas. Medidas típicas incluíam quanta energia sonora aparecia em certas bandas de frequência durante a fase de relaxamento do coração, ou quanto tempo e quão fortes eram os batimentos principais. Esses estudos frequentemente pareciam promissores em grupos pequenos de pacientes, às vezes relatando que conseguiam identificar a doença corretamente em mais de 70% dos casos. Mas à medida que os tamanhos de amostra cresciam para centenas ou milhares, a acurácia caiu, muitas vezes abaixo de 70% e às vezes perto de um resultado aleatório. Muitos desses estudos também testaram seus métodos nas mesmas pessoas usadas para desenvolvê-los, levantando dúvidas sobre se os resultados se manteriam em novos pacientes.

Aprendizado de máquina aprende os padrões ocultos do coração

Os estudos mais recentes adotaram um caminho diferente. Em vez de se limitarem a algumas características escolhidas manualmente, permitiram que algoritmos computacionais aprendessem padrões mais ricos no som. Alguns combinaram dezenas ou até centenas de medidas tradicionais; outros alimentaram a forma de onda bruta ou imagens tempo–frequência coloridas do batimento em redes de aprendizado profundo. Em 19 desses estudos, a maioria relatou sensibilidade e especificidade acima de 80%, o que significa que os sistemas identificaram corretamente tanto indivíduos doentes quanto saudáveis na maior parte do tempo. Importante, a maioria dos estudos de aprendizado de máquina testou seus modelos em sons cardíacos de pessoas que não haviam sido usadas no treinamento, dando mais confiança de que as ferramentas poderiam generalizar. Modelos que analisaram o ciclo cardíaco completo, em vez de apenas a fase diastólica silenciosa, tenderam a ter desempenho melhor — sugerindo que pistas úteis sobre a doença arterial estão espalhadas por todo o batimento, e não confinadas a um único momento.

O que isso pode significar para o cuidado cotidiano

Em conjunto, as evidências sugerem que o aprendizado de máquina aplicado a sons cardíacos tem promessa real como um auxílio não invasivo para detectar doença arterial coronariana, enquanto truques simples de processamento de sinais sozinhos provavelmente não são precisos o bastante. Os autores advertem, porém, que a maioria dos estudos até agora foi pequena e conduzida em hospitais isolados, frequentemente sob condições de gravação cuidadosamente controladas. Para avançar da pesquisa para o uso cotidiano — talvez em emergências, clínicas ou até em ferramentas baseadas em smartphones — são necessários ensaios amplos e multicêntricos. Esses estudos futuros terão de mostrar que tais sistemas mantêm a precisão em grupos diversos de pacientes, permanecem compreensíveis para os clínicos e se integram suavemente aos fluxos de atendimento. Se esses obstáculos puderem ser superados, ouvir atentamente o coração com a ajuda da inteligência artificial poderia um dia ajudar a sinalizar doenças arteriais ocultas muito antes de um exame invasivo ser necessário.

Citação: Ainiwaer, A., Konings, T.J., Kadier, K. et al. Coronary artery disease diagnosis with signal processing and machine learning of heart sound signals: a systematic review. npj Digit. Med. 9, 350 (2026). https://doi.org/10.1038/s41746-026-02530-8

Palavras-chave: doença arterial coronariana, sons cardíacos, aprendizado de máquina, diagnóstico não invasivo, estetoscópio digital