Introdução: As doenças cardiovasculares (DCVs) são as principais responsáveis pelas mortes no mundo desde o último século, sendo o infarto agudo do miocárdio (IAM) a causa isolada de maior dsetaque, muitas vezes em virtude da dificuldade diagnóstica. A incorporação de novas tecnologias com uso de Inteligência Artificial (AI) surge como potencial aliada neste cenário.
Objetivo: O objetivo do presente estudo foi desenvolver um modelo de Redes Neurais Artificiais (RNAs) com a utilização de imagens de eletrocardiogramas (ECGs) e a extração dos sinais com alta sensibilidade e especificidade em relação aos laudos médicos para a identificação de casos de IAM com elevação do segmento ST (IAMCST).
Métodos: O modelo foi treinado com dados de 3.768 exames de janeiro a dezembro de 2022, totalizando 17.567 derivações. Do total, 820 eram exames com IAMCST e 2.948 sem IAMCST. Foram separados 90% dos dados para treino e 10% para teste. A arquitetura da rede utilizada foi baseada na ResNet de uma dimensão com uma camada de convolução inicial, quatro blocos de camadas residuais e um bloco de camada densa para classificação binária. O sinal foi filtrado, padronizado com mediana igual a 0 e desvio padrão igual a 1 e utilizado padding para padronização de tamanho dentre todas as derivações. Como forma de aumentação de dados, com objetivo de fornecer a rede mais dados para aprender sobre IAMCST, foi realizado um filtro SavGol nos sinais, o que fez com que se obtivesse o dobro de sinais originais das imagens, para entrada no modelo neural. Ainda que a IA tenha sido treinada com as derivações, a acurácia foi mensurada por exame.
Resultados: O modelo obteve, ao final, uma sensibilidade de 97%, especificidade de 69% e área sob a curva ROC de 92% para a predição de IAMCST por exame. Tal resultado foi um ganho para o uso das redes neurais, visto que a tecnologia anteriormente utilizada, apenas com a extração das métricas das ondas, apresentou acurácia inferior.
Conclusão: Concluímos que os modelos de RNA, que extraem sinais das imagens e os transformam em predições para auxílio na tomada de decisão de médicos, podem ser incluídos no arsenal de métodos preditivos para triagem de IAMCST, com elevada sensibilidade.
