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 1:1 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.
