As doenças cardiovasculares continuam entre as principais causas de morte no mundo, e muitas delas estão associadas a arritmias cardíacas — alterações no ritmo normal dos batimentos que podem variar de eventos benignos a condições potencialmente fatais. Em meio à crescente adoção da inteligência artificial na medicina, um novo estudo publicado nesta quarta-feira (10), na revista científica Scientific Reports, propõe uma abordagem que combina alta precisão diagnóstica com algo cada vez mais valorizado na área da saúde: a interpretabilidade dos algoritmos.

A pesquisa foi conduzida pela cientista da computação Negin Melek, da Gümü?hane University, e apresenta um amplo estudo sobre classificação automática de arritmias a partir de sinais de eletrocardiograma (ECG). Em vez de depender exclusivamente de redes neurais profundas — frequentemente descritas como “caixas-pretas” — a autora investigou como técnicas clássicas de aprendizado de máquina podem atingir desempenho semelhante quando apoiadas por uma engenharia cuidadosa de características dos sinais cardíacos.

O trabalho utilizou a famosa base de dados MIT-BIH Arrhythmia Database, considerada uma referência internacional para pesquisas em detecção de arritmias. O conjunto reúne 48 registros de ECG com aproximadamente 30 minutos de duração cada, coletados em dois canais simultâneos e amostrados a 360 Hz.

Os pesquisadores agruparam os batimentos em cinco categorias principais: normais, supraventriculares, ventriculares, fusão e indeterminados. A partir dessas informações, desenvolveram uma cadeia completa de processamento que inclui filtragem de ruídos, identificação dos complexos QRS — os principais marcadores elétricos dos batimentos cardíacos — extração de características e classificação automática.

Um dos achados mais importantes do estudo foi a demonstração de que a qualidade das características extraídas do sinal cardíaco tem impacto maior que a própria escolha do classificador.

Inicialmente, foram avaliadas centenas de variáveis derivadas da morfologia dos batimentos, intervalos temporais e transformadas wavelet — uma técnica matemática capaz de representar simultaneamente informações de tempo e frequência. Em seguida, a equipe aplicou um método chamado Sequential Forward Feature Selection (SFFS), que seleciona progressivamente apenas os atributos mais informativos.

Os resultados mostraram que o desempenho dos modelos atingia um ponto de saturação com cerca de 15 características selecionadas, indicando que grande parte da informação diagnóstica estava concentrada em um conjunto relativamente pequeno de variáveis.

Segundo a autora, esse resultado reforça a importância da seleção inteligente de atributos e sugere que sistemas mais simples podem alcançar níveis de desempenho comparáveis aos modelos mais sofisticados quando alimentados com informações relevantes.

O melhor desempenho foi obtido com o algoritmo SVM (Support Vector Machine), que alcançou 98,54% de acurácia, mantendo resultados consistentes em diferentes configurações experimentais.

Além da acurácia tradicional, o estudo utilizou métricas adicionais para avaliar robustez e equilíbrio entre as classes. Entre elas está a chamada Golden Distance (GD), uma medida multidimensional que considera simultaneamente diversos indicadores estatísticos. Quanto menor o valor de GD, mais equilibrado e confiável é o desempenho do sistema.

A representação baseada em wavelets apresentou os melhores resultados de equilíbrio, alcançando valores de GD tão baixos quanto 0,0249, indicando excelente estabilidade entre as diferentes métricas avaliadas.

Outro aspecto relevante foi a robustez observada em múltiplas repetições do experimento. Os pesquisadores utilizaram um esquema de validação repetida com dez divisões independentes dos dados, permitindo medir não apenas a média do desempenho, mas também sua estabilidade estatística.

Embora sistemas baseados em aprendizado profundo tenham dominado a literatura recente, Melek argumenta que a adoção clínica dessas tecnologias ainda enfrenta obstáculos relacionados à interpretabilidade. Médicos precisam compreender os fatores que levaram uma máquina a emitir determinado diagnóstico, especialmente em contextos de alto risco.

Nesse cenário, modelos como SVM e k-NN, quando associados a características fisiologicamente compreensíveis — duração do complexo QRS, intervalos RR e correlações morfológicas entre batimentos — podem representar uma solução intermediária entre desempenho e transparência.

O estudo também oferece um guia metodológico detalhado para pesquisadores interessados em desenvolver sistemas de apoio à decisão clínica. A autora descreve passo a passo as etapas de pré-processamento, filtragem, segmentação dos sinais, extração de atributos, seleção de variáveis e avaliação estatística.

Com a rápida expansão de dispositivos vestíveis, relógios inteligentes e sistemas de monitoramento remoto, a capacidade de detectar arritmias automaticamente tornou-se uma prioridade para a medicina digital. ECGs analisados em tempo real por algoritmos confiáveis podem permitir diagnósticos precoces, reduzir custos hospitalares e ampliar o acesso à cardiologia especializada.

A pesquisa de Negin Melek reforça uma mensagem importante para a comunidade científica: nem sempre a solução mais complexa é a mais eficiente. Ao demonstrar que modelos explicáveis podem alcançar desempenho superior a 98% na classificação de arritmias, o estudo sugere que o futuro da inteligência artificial médica pode depender menos de redes gigantescas e mais da compreensão profunda dos dados biológicos que elas analisam.

Em um campo onde cada segundo pode significar a diferença entre a vida e a morte, tornar a inteligência artificial mais transparente pode ser tão importante quanto torná-la mais inteligente.