Palestrante
Descrição
A doença de Chagas é uma patologia negligenciada de alta morbimortalidade, podendo evoluir para a cardiopatia chagásica crônica (CCC). A detecção precoce é fundamental, mas em áreas remotas, o diagnóstico é dificultado pela falta de especialistas para laudar eletrocardiogramas (ECG) e acesso limitado ao ecocardiograma. Na Atenção Primária, algoritmos baseados em Redes Neurais Convolucionais (CNN) permitem transformar o ECG em um sensor digital capaz de identificar alterações miocárdicas precocemente. O presente estudo tem como objetivo, mapear e analisar artigos científicos que avaliam as CNN na identificação automatizada de padrões eletrocardiográficos associados à infecção pelo Trypanosoma cruzi e à detecção de disfunção sistólica do ventrículo esquerdo (DSVE), a fim de evidenciar os avanços realizados. Para tanto, realizou-se uma revisão integrativa nas bases PubMed, BVS e SciELO, com os descritores: "Doença de Chagas” OR “Cardiomiopatia chagásica”, "Redes Neurais Convolucionais" e "Eletrocardiografia", utilizando o operador booleano “AND”. Incluiu-se estudos com reporte obrigatório de métricas de desempenho Sensibilidade, Especificidade, e AUC-ROC em populações brasileiras e excluídas pesquisas sem validação externa. Para o desenvolvimento, selecionou-se a coorte CODE (2,2 milhões de registros) para o treinamento, e a coorte SaMi-Trop (2.054 pacientes) para o ajuste baseado em validação sorológica. Empregou-se arquiteturas ResNet e InceptionTime, processando sinais de 12 derivações. Esse modelo foi submetido a uma validação prospectiva através da Rede de Teleassistência de Minas Gerais (Projeto SaMi-Trop), abrangendo regiões de Minas Gerais. Os critérios incluíram a análise de ECGs de rotina em unidades de saúde primária, com rastreio paralelo por CNN e confirmação diagnóstica via sorologia para casos suspeitos. Os modelos atingiram uma Área Sob a Curva ROC de 0,80 para infecção e 0,82 para CCC. Em subgrupos com DSVE (fração de ejeção < 40%), a acurácia alcançou 0,88, com um Odds Ratio de 63,3. A AUC-ROC foi o parâmetro principal por medir a distinção global entre doentes e saudáveis. Em validação prospectiva com 75.779 exames, o sistema gerou 7,7% de alertas, com Valor Preditivo Positivo de 37% para Chagas em áreas endêmicas. Portanto, a alta acurácia e elevado Odds Ratio demonstram que a tecnologia identifica a assinatura elétrica da disfunção cardíaca de forma eficiente. Esse desempenho sugere que a ferramenta ajuda a mitigar o gargalo diagnóstico.
| Palavras-chave | Doença de Chagas; Inteligência Artificial; Eletrocardiografia; Atenção Primária à Saúde; Equidade em Saúde. |
|---|---|
| Em qual formato você prefere apresentar seu trabalho? | Pôster |
| Deseja concorrer à premiação de melhores trabalhos? | Sim |
| O seu trabalho se encaixa em qual dos 20 Objetivos de Desenvolvimento Sustentável (ODSs)? | 10. Redução das Desigualdades |