O MIT, Mass General Brigham e a Harvard Medical School desenvolveram um modelo de deep learning para prever, com at\u00e9 um ano de anteced\u00eancia, a evolu\u00e7\u00e3o da insufici\u00eancia card\u00edaca em pacientes. O estudo apresentou o PULSE-HF, sigla para Predict changes in left ventricular Systolic function from ECGs of patients who Heart Failure, em artigo na Lancet eClinical Medicine. O objetivo \u00e9 orientar o acompanhamento cl\u00ednico e a aloca\u00e7\u00e3o de recursos.<\/p>\n
O projeto foi realizado no laborat\u00f3rio do professor Collin Stultz, ligado ao MIT Abdul Latif Jameel Clinic. Os dados foram validados em tr\u00eas cohorts diferentes: hospital de Mass General, Brigham and Women\u2019s e o conjunto MIMIC-IV, p\u00fablico. O modelo analisa ECGs para prever queda da fra\u00e7\u00e3o de eje\u00e7\u00e3o do ventr\u00edculo esquerdo (LVEF) nos pr\u00f3ximos 12 meses.<\/p>\n
PULSE-HF utiliza eletrocardiograma para prever se a fra\u00e7\u00e3o de eje\u00e7\u00e3o dever\u00e1 ficar abaixo de 40% dentro de um ano, o que caracteriza piora significativa da fun\u00e7\u00e3o card\u00edaca. Caso indique piora, o acompanhamento pode ser priorizado, reduzindo visitas desnecess\u00e1rias e o tempo de exames como o ECG de 12 deriva\u00e7\u00f5es.<\/p>\n
Em valida\u00e7\u00e3o, o modelo atingiu AUROC entre 0,87 e 0,91 nos tr\u00eas conjuntos de dados, sinalizando boa capacidade de discrimina\u00e7\u00e3o. Uma vers\u00e3o adaptada funciona com ECG de \u00fanico eletrodo, sem demandar o conjunto completo de 12 deriva\u00e7\u00f5es, mantendo desempenho robusto.<\/p>\n
O desenvolvimento envolveu coleta e limpeza de dados de ECG e de ecocardiogramas, com o desafio de associar r\u00f3tulos de treinamento quando nem sempre est\u00e3o dispon\u00edveis. Os autores pretendem testar o PULSE-HF em estudo prospectivo com pacientes reais para confirmar sua utilidade cl\u00ednica.<\/p>\n","protected":false},"excerpt":{"rendered":"