Reconhecimento de padrões isquêmicos em eletrocardiogramas de longa duração: um estudo baseado em aprendizado de máquina

Abstract

Este trabalho baseia-se no desenvolvimento de uma ferramenta computacional para análise de sinais de eletrocardiograma (ECG) com foco na detecção de isquemia cardíaca a partir da identificação de alterações no segmento ST. Utilizou-se o banco de dados Long-Term ST Database (LTST-DB), composto por registros de longa duração com anotações clínicas. Para viabilizar o processamento em larga escala, os dados foram otimizados com o uso do formato Parquet e técnicas de compactação e tipagem, reduzindo tempo de carregamento e consumo de memória. A análise dos sinais foi realizada utilizando os recursos da biblioteca WFDB para extração dos picos R e dos eventos anotados nos arquivos .stc. Intervalos clinicamente válidos foram vetorizados com base em critérios específicos de ordenação e ocorrência mínima de eventos. A derivação ML2 foi priorizada, por ser considerada mais adequada para análise do segmento ST. O modelo final de aprendizado de máquina foi construído em Python utilizando TensorFlow, com aplicação de reamostragem balanceada, normalização dos dados e regularização da rede. O melhor desempenho obtido apresentou acurácia de 77,05%, com precisão de 73,5% e recall de 84,6% para a classe isquêmica, em um tempo de treinamento inferior a dois minutos com uso da GPU A100. Os resultados indicam a viabilidade de um sistema leve e eficaz, com potencial de aplicação futura em dispositivos móveis como smartwatches.