Eletrocardiografia artificial reforçada por inteligência para predizer mortalidade e eventos cardiovasculares adversos maiores: revisão sistemática e síntese narrativa

O que aconteceu

A doença cardiovascular (DCV) continua a ser a principal causa de morte no mundo. Enquanto os escores clínicos fornecem acurácia preditiva modesta, o eletrocardiograma (ECG) raramente é alavancado para o prognóstico. A inteligência artificial (IA) e o aprendizado profundo permitem agora a extração de características de alta dimensão das formas de onda do ECG para predizer resultados cardiovasculares. Nosso objetivo foi avaliar sistematicamente o desempenho prognóstico de modelos de ECG habilitados para IA para predizer mortalidade por todas as causas, mortalidade cardiovascular e eventos cardiovasculares adversos maiores (MACE). Pesquisamos PubMed, Cochrane CENTRAL, IEEE Xplore e Google Scholar até novembro de 2025 para estudos utilizando modelos de IA/ML com ECG de 12 derivações ou única derivação para predizer mortalidade por todas as causas, mortalidade cardiovascular ou MACE em adultos (≥18 anos). Estudos elegíveis incluíram adultos (≥18 anos) utilizando ECG como entrada primária. Dois revisores analisaram e extraíram dados de forma independente. A síntese narrativa foi realizada devido à heterogeneidade. Foram incluídos 13 estudos (~5,9 milhões de pacientes). Onze relataram mortalidade por todas as causas (8 de curto prazo: 30 dias a 1 ano), quatro relataram mortalidade cardiovascular e oito avaliaram ECAM (4 ECAM composta, 4 componentes individuais). Os modelos utilizaram predominantemente redes neurais convolucionais [CNNs] em formas de onda brutas de ECG. A estatística C variou de 0,70-0,89 para predição de mortalidade. As definições e as durações de seguimento variaram, limitando a comparação direta. Os modelos AI-ECG demonstram forte potencial para predizer mortalidade e eventos cardiovasculares com desempenho e escalabilidade consistentes. Entretanto, a validação e padronização prospectivas são essenciais antes da implementação clínica.