O MIT, Mass General Brigham e a Harvard Medical School desenvolveram um modelo de deep learning para prever, com até um ano de antecedência, a evolução da insuficiência cardíaca 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 é orientar o acompanhamento clínico e a alocação de recursos.
O projeto foi realizado no laboratório do professor Collin Stultz, ligado ao MIT Abdul Latif Jameel Clinic. Os dados foram validados em três cohorts diferentes: hospital de Mass General, Brigham and Women’s e o conjunto MIMIC-IV, público. O modelo analisa ECGs para prever queda da fração de ejeção do ventrículo esquerdo (LVEF) nos próximos 12 meses.
O que a ferramenta faz
PULSE-HF utiliza eletrocardiograma para prever se a fração de ejeção deverá ficar abaixo de 40% dentro de um ano, o que caracteriza piora significativa da função cardíaca. Caso indique piora, o acompanhamento pode ser priorizado, reduzindo visitas desnecessárias e o tempo de exames como o ECG de 12 derivações.
Desempenho técnico e formatos
Em validação, o modelo atingiu AUROC entre 0,87 e 0,91 nos três conjuntos de dados, sinalizando boa capacidade de discriminação. Uma versão adaptada funciona com ECG de único eletrodo, sem demandar o conjunto completo de 12 derivações, mantendo desempenho robusto.
Desafios e próximos passos
O desenvolvimento envolveu coleta e limpeza de dados de ECG e de ecocardiogramas, com o desafio de associar rótulos de treinamento quando nem sempre estão disponíveis. Os autores pretendem testar o PULSE-HF em estudo prospectivo com pacientes reais para confirmar sua utilidade clínica.
Entre na conversa da comunidade