Comparação de algoritmos de aprendizado de máquina na classificação do infarto do miocárdio usando detecção de sinal de elevação do segmento ST no eletrocardiograma e dados clínicos / Comparison of machine learning algorithms in the classification of myocardial infarction using ST-segment elevation signal detection in electrocardiogram and clinical data
Rev. Soc. Cardiol. Estado de Säo Paulo
; 33(supl. 2B): 166-166, abr. 2023.
Article
em Pt
| CONASS, SES-SP, SESSP-IDPCPROD, SES-SP
| ID: biblio-1438046
Biblioteca responsável:
BR79.1
RESUMO
INTRODUÇÃO:
As doenças cardiovasculares (DCVs) são as principais responsáveis por mortes no mundo. A incorporação de novas tecnologias utilizando Inteligência Artificial (IA) surge como potencial aliada para a otimização do manejo dessas doenças. No entanto, ainda há a necessidade de aumentar a confiança nos modelos de IA, especialmente nos modelos de Machine Learning (ML). Nesse contexto, a pesquisa com extração e processamento de sinais tem alta precisão na detecção de anomalias cardíacas, mas sem capacidade de confirmar o diagnóstico de algumas doenças, pois não conta com o auxílio de variáveis clínicas, como é o caso do infarto agudo do miocárdio (IAM).OBJETIVO:
O objetivo do presente estudo foi desenvolver um modelo de ML utilizando variáveis clínicas e processamento de sinais para detectar infarto agudo do miocárdio com elevação do segmento ST (IAMCST) com alta sensibilidade em relação a laudos médicos.MÉTODOS:
Os modelos foram treinados com dados de 381 pacientes de 10 hospitais públicos brasileiros, obtidos de abril a julho de 2022, e validados com dados de 124 pacientes, em agosto de 2022. As variáveis utilizadas, além da elevação do segmento ST, foram sexo, idade, presença de marca-passo, sintomas como falta de ar e dor torácica, comorbidades como diabetes, dislipidemia, arritmias, sedentarismo, sobrepeso e tabagismo. A reamostragem foi realizada com incidência de 11 nos casos sem IAM para os casos com IAM. Os modelos Logistic Regression, Random Forest e AdaBoost foram hiperparametrizados e treinados com Cross-Validation em 5 vezes. As variáveis mais importantes para a predição foram idade, predição do modelo de extração de sinal com supradesnivelamento do segmento ST, falta de ar e dor torácica. O melhor modelo para o problema foi o AdaBoost, obtendo com o melhor threshold sensibilidade de 96% e especificidade de 45%. Os três modelos obtiveram uma área sob a curva ROC acima de 0,80, resultando em excelentes modelos para triagem de casos.CONCLUSÃO:
Modelos de ML que combinam informações de dados clínicos e exames complementares, como ECG, podem ser melhores que modelos lineares para triagem de IAMCST, com alta sensibilidade e capacidade de interpretação aditiva aos algoritmos mais eficientes disponíveis na prática clínica.
Texto completo:
1
Coleções:
06-national
/
BR
Base de dados:
CONASS
/
SES-SP
/
SESSP-IDPCPROD
Tipo de estudo:
Diagnostic_studies
/
Prognostic_studies
Idioma:
Pt
Revista:
Rev. Soc. Cardiol. Estado de Säo Paulo
Ano de publicação:
2023
Tipo de documento:
Article
/
Congress and conference