Modelo de IA Identifica Pacientes de Alto Risco de Fibrilação Atrial Antes do Surgimento dos Sintomas
Uma ferramenta de aprendizado de máquina que utiliza registros de saúde de rotina identifica pacientes com predisposição à FA com aproximadamente 8x mais chances de receberem o diagnóstico, possibilitando a prevenção direcionada de AVC.
Resumo
A fibrilação atrial frequentemente passa despercebida até que ocorra um AVC. Pesquisadores desenvolveram o FIND-AF 2.0, um modelo de aprendizado de máquina baseado em floresta aleatória que utiliza idade, sexo e 10 condições comuns extraídas de prontuários eletrônicos para prever quais pacientes desenvolverão fibrilação atrial nos próximos seis meses. Validado em mais de 13 milhões de pacientes em cinco países, o modelo apresentou bom desempenho globalmente. Em um teste prospectivo, pacientes de alto risco tiveram mais de oito vezes mais chances de receber diagnóstico de fibrilação atrial durante três semanas de monitoramento com ECG vestível do que pacientes de baixo risco. Quase todos os pacientes recém-diagnosticados com fibrilação atrial iniciaram em seguida a terapia de anticoagulação. Em um registro finlandês, a fibrilação atrial não tratada em indivíduos de alto risco causou AVCs a uma taxa de seis por cem pacientes-ano — um ônus grave e evitável. Essa abordagem pode tornar o rastreamento em larga escala e direcionado da fibrilação atrial viável por meio de dados de saúde já existentes.
Resumo Detalhado
A fibrilação atrial é o distúrbio do ritmo cardíaco mais comum em adultos mais velhos e um dos principais fatores de risco para acidente vascular cerebral — ainda assim, frequentemente passa despercebida até que um evento grave ocorra. A identificação precoce, especialmente em pessoas com maior risco de AVC, pode salvar vidas. Este estudo teve como objetivo desenvolver, validar e testar prospectivamente uma ferramenta de triagem baseada em IA para identificar os pacientes que mais se beneficiariam do rastreamento.
Os pesquisadores desenvolveram o FIND-AF 2.0, um modelo de aprendizado de máquina do tipo random forest treinado em prontuários eletrônicos. Ele utiliza apenas idade, sexo e dez comorbidades comuns para prever o surgimento de fibrilação atrial em um prazo de seis meses. O modelo foi validado em cinco países — Reino Unido, Japão, Israel, Canadá e China — abrangendo mais de 13 milhões de pacientes, e foi comparado a escores de risco existentes, incluindo o CHA2DS2-VASc.
O modelo demonstrou boa a excelente discriminação em todas as coortes, com AUROCs variando de 0,747 a 0,835. Superou tanto o CHA2DS2-VASc quanto o C2HEST e apresentou desempenho consistentemente bom em homens e mulheres. Em um estudo prospectivo com 1.923 participantes distribuídos em 15 centros clínicos, aqueles classificados como de alto risco pelo FIND-AF 2.0 foram diagnosticados com fibrilação atrial a uma taxa de 4,5%, em comparação a apenas 0,6% nos pacientes de baixo risco — uma razão de chances superior a oito.
As implicações clínicas são significativas. Entre os casos detectados, a carga mediana de fibrilação atrial foi de 33%, e 96% dos pacientes iniciaram anticoagulantes orais. A análise de um registro finlandês mostrou que pacientes de alto risco com fibrilação atrial não tratada apresentaram AVC isquêmico a uma taxa de 6 eventos por 100 pacientes-ano — um ônus evitável caso o rastreamento os identifique mais cedo.
Para clínicos e pacientes com foco em longevidade, esta pesquisa demonstra que o risco cardiovascular relacionado ao envelhecimento pode ser abordado de forma proativa utilizando dados já disponíveis. As ressalvas incluem a dependência de dados em nível de resumo, possível variação na qualidade dos prontuários eletrônicos entre diferentes sistemas de saúde e a necessidade de estudos de desfecho de longo prazo para confirmar a redução de AVC a partir do rastreamento direcionado.
Principais Descobertas
- FIND-AF 2.0 achieved AUROCs of 0.75–0.84 across five countries, outperforming existing AF risk scores.
- High-risk patients were 8.5x more likely to be diagnosed with AF during 3-week ECG screening than low-risk patients.
- 96% of newly detected AF patients in high-risk group initiated oral anticoagulants, enabling stroke prevention.
- Untreated AF in high-risk patients caused ischemic stroke at 6 events per 100 patient-years in a Finnish registry.
- The model uses only age, sex, and 10 comorbidities from routine EHR data, making it broadly scalable.
Metodologia
Os pesquisadores treinaram um modelo de floresta aleatória com dados de prontuários eletrônicos de mais de 13 milhões de pacientes em cinco países e o validaram externamente em cada população. Um braço prospectivo recrutou 1.923 participantes com 30 anos ou mais e risco elevado de AVC, que realizaram quatro registros de ECG por dia durante três semanas usando um dispositivo portátil. O risco de AVC em FA não tratada foi avaliado usando o registro finlandês FinACAF, com 229.565 pacientes com FA.
Limitações do Estudo
O artigo completo não estava disponível; este resumo é baseado apenas no abstract. A qualidade dos dados de prontuários eletrônicos e as práticas de codificação variam entre os sistemas de saúde, o que pode afetar o desempenho do modelo na aplicação no mundo real. Ainda são necessárias evidências randomizadas de longo prazo de que o rastreamento guiado por risco de fato reduz as taxas de AVC.
Gostou deste resumo?
Receba as pesquisas de longevidade mais recentes na sua caixa de entrada toda semana.
Digite seu e-mail para assinar: