Arq Bras Cardiol abc Arquivos Brasileiros de Cardiologia Arq. Bras. Cardiol. 0066-782X 1678-4170 Sociedade Brasileira de Cardiologia - SBC 7Mz4vsrtDbDBXsSJ9zdFZMD S0066-782X2026000500604 00604 10.36660/abc.20260032 Artigo Original Análise de Eletrocardiografia Aprimorada por Inteligência Artificial para o Diagnóstico da Doença de Chagas 0009-0000-8450-4246 Fonseca Isabella Moreira Gonzalez Concepção e desenho da pesquisa Obtenção de dados Análise e interpretação dos dados Redação do manuscrito Revisão crítica do manuscrito quanto ao conteúdo intelectual importante Obtenção de financiamento 1 2 0000-0001-8801-1828 Nunes Maria Carmo Pereira Concepção e desenho da pesquisa Obtenção de dados Análise e interpretação dos dados Redação do manuscrito Revisão crítica do manuscrito quanto ao conteúdo intelectual importante Análise estatística 1 2 Sable Craig Concepção e desenho da pesquisa Obtenção de financiamento Revisão crítica do manuscrito quanto ao conteúdo intelectual importante 3 0000-0003-1376-4694 Mendoza Renata Fonseca Obtenção de dados Revisão crítica do manuscrito quanto ao conteúdo intelectual importante 4 Santos Fred Luciano Neves Obtenção de dados Obtenção de financiamento 5 6 Gomes Paulo Rodrigues Obtenção de dados 2 0009-0003-2443-7047 Carvalho Adson Patrik Vieira Obtenção de dados 1 Mendoza Bernardo Fonseca Obtenção de dados 4 Souza Noilson Lazaro Obtenção de dados 5 0000-0003-4693-9550 Barbosa José Augusto de Almeida Obtenção de dados 1 Cardoso Clareci Silva Análise e interpretação dos dados Revisão crítica do manuscrito quanto ao conteúdo intelectual importante 7 0000-0002-5586-774X Nascimento Bruno Ramos Concepção e desenho da pesquisa Análise e interpretação dos dados Análise estatística Revisão crítica do manuscrito quanto ao conteúdo intelectual importante 1 8 9 Ribeiro Antonio L. P. Concepção e desenho da pesquisa Análise e interpretação dos dados Análise estatística Revisão crítica do manuscrito quanto ao conteúdo intelectual importante 1 2 Universidade Federal de Minas Gerais Hospital das Clínicas Belo Horizonte MG Brasil Serviço de Cardiologia e Cirurgia Cardíaca, Hospital das Clínicas, Universidade Federal de Minas Gerais, Belo Horizonte, MG – Brasil Universidade Federal de Minas Gerais Hospital das Clínicas Belo Horizonte MG Brasil Centro de Telessaúde e Serviço de Cardiologia, Hospital das Clínicas, Universidade Federal de Minas Gerais, Belo Horizonte, MG – Brasil Cardiovascular Outreach and Telemedicine Ochsner Children's Hospital New Orleans LA EUA Cardiovascular Outreach and Telemedicine Ochsner Children's Hospital, New Orleans, LA – EUA Hospital da Criança de Feira de Santana Feira de Santana BA Brasil Hospital da Criança de Feira de Santana, Feira de Santana, BA – Brasil Oswaldo Cruz Salvador BA Brasil Oswaldo Cruz (Fiocruz), Salvador, BA – Brasil Fundação Oswaldo Cruz Rio de Janeiro RJ Brasil Programa Translacional Integrado em Doença de Chagas (Fio-Chagas), Fundação Oswaldo Cruz (Fiocruz), Rio de Janeiro, RJ – Brasil Universidade Federal de São João del-Rei Fundação Faculdade de Medicina Instituto Gonçalo Moniz Divinópolis MG Brasil Laboratório Avançado de Saúde Pública, Instituto Gonçalo Moniz, Fundação Faculdade de Medicina, Universidade Federal de São João del-Rei, Divinópolis, MG – Brasil Universidade Federal de Minas Gerais Faculdade de Medicina Departamento de Clínica Médica Belo Horizonte MG Brasil Departamento de Clínica Médica, Faculdade de Medicina, Universidade Federal de Minas Gerais, Belo Horizonte, MG – Brasil Hospital Madre Teresa Serviço de Cardiologia Intervencionista Belo Horizonte MG Brasil Serviço de Cardiologia Intervencionista, Hospital Madre Teresa, Belo Horizonte, MG – Brasil Isabella Moreira Gonzalez Fonseca • Rua Desembargador Drumond, 113. CEP 30210-030, Bairro Serra, Belo Horizonte, MG – Brasil E-mail: dubella@hotmail.com

Declaro não haver conflito de interesses pertinentes.

Gláucia Maria Moraes de Oliveira

 17 07 2026 05 2026 123 5 e20260032 14 02 2026 13 04 2026 15 03 2026 This is an open-access article distributed under the terms of the Creative Commons Attribution License Resumo Fundamento:

A doença de Chagas afeta milhões de pessoas em todo o mundo e permanece como uma das principais causas de cardiomiopatia na América Latina. O diagnóstico precoce ainda representa um desafio em regiões endêmicas. A análise de eletrocardiografia (ECG) aprimorada por inteligência artificial (IA) pode oferecer uma estratégia de baixo custo para rastreamento em larga escala em contextos com recursos limitados.

 Objetivos:

Avaliar o desempenho de um algoritmo de ECG aprimorada por IA combinado com dados clínicos para a detecção da doença de Chagas em um programa de rastreamento comunitário realizado em uma região altamente endêmica do Nordeste do Brasil.

 Métodos:

Em agosto de 2024, 1.115 adultos foram submetidos à aquisição padronizada de ECG de 12 derivações durante uma campanha de campo em Feira de Santana, Bahia, nordeste do Brasil. Um modelo de IA previamente treinado analisou os traçados de ECG e incorporou três variáveis clínicas: i) residência prévia em áreas infestadas por triatomíneos, ii) condições habitacionais precárias e iii) histórico familiar de doença de Chagas. Indivíduos identificados como positivos pela IA foram classificados como casos suspeitos. Casos suspeitos e controles pareados (2:1) foram submetidos a testes sorológicos no ponto de cuidado.

 Resultados:

O algoritmo identificou 121 indivíduos (10,9%), correspondendo a uma prevalência estimada de doença de Chagas baseada em IA de 7,8% (intervalo de confiança de 95% [IC95%]: 6,2-9,6). Entre os 112 indivíduos que completaram o teste sorológico, 13 apresentaram resultado positivo, todos pertencentes ao grupo suspeito positivo pela IA; nenhum caso soropositivo foi identificado entre os controles. A sensibilidade foi de 100% (IC95%: 69-100), a especificidade de 40% (IC95%: 30-50), o valor preditivo negativo de 100% (IC95%: 91-100) e o valor preditivo positivo de 12% (IC95%: 11-14), com uma razão de chances diagnóstica de 6,6.

 Conclusões:

Um algoritmo de ECG aprimorada por IA combinado com variáveis clínicas simples demonstrou excelente sensibilidade para a detecção da doença de Chagas e pode representar uma ferramenta valiosa de triagem em contextos endêmicos com recursos limitados.

 Palavras-chave: Doença de Chagas Inteligência Artificial Eletrocardiografia Programas de Rastreamento CNPq 465518/2014-1 310790/2021-2 409604/2022-4 445011/2023-8 310749/2022-0 FAPEMIG RED 00192-23 APQ-03291-18 Fontes de Financiamento O presente estudo foi parcialmente financiado por Edwards Lifesciences Foundation, Every HEartbeat Matters Program 2025, CNPq grants 465518/2014-1, 310790/2021-2, 409604/2022-4, 445011/2023-8 e 310749/2022-0, e FAPEMIG grants RED 00192-23 e APQ-03291-18. Introdução

A doença de Chagas, causada pelo protozoário parasita Trypanosoma cruzi, é uma das doenças tropicais negligenciadas mais prevalentes. Afeta aproximadamente 6-7 milhões de pessoas em todo o mundo, principalmente na América Latina.1–3 Embora a transmissão por vetores (especialmente insetos triatomíneos) e por transfusão sanguínea tenha diminuído substancialmente nas últimas décadas, em decorrência de melhorias socioeconômicas, melhores condições habitacionais e iniciativas de saúde pública, a cardiomiopatia chagásica crônica permanece como uma importante causa de morbidade e mortalidade. Trata-se da forma mais comum de acometimento orgânico, afetando mais de 30% dos indivíduos soropositivos; além disso, frequentemente evolui de forma silenciosa até estágios avançados.4

IA: inteligência artificial; ECG: eletrocardiografia; RNC: rede neural convolucional; IC95%: intervalo de confiança de 95%; VPN: valor preditivo negativo.

O padrão-ouro para o diagnóstico etiológico da doença de Chagas é o teste sorológico para anticorpos contra T. cruzi, enquanto a ecocardiografia permanece como o principal método para a detecção de acometimento cardíaco avançado, particularmente disfunção ventricular, além de orientar a estratificação de risco e o prognóstico.1 No entanto, o acesso a essas modalidades diagnósticas ainda é limitado em muitas regiões endêmicas com restrição de recursos.

Por outro lado, a eletrocardiografia (ECG) é uma ferramenta amplamente disponível, de baixo custo, capaz de identificar sinais precoces de acometimento cardíaco na cardiomiopatia chagásica crônica, incluindo bloqueio de ramo direito (BRD), bloqueio fascicular anterior esquerdo (BFAE), extrassístoles ventriculares e complexos QRS fragmentados, que são marcadores bem estabelecidos de envolvimento cardíaco na doença de Chagas.5 Apesar de sua utilidade clínica e recomendação para avaliação anual, a interpretação convencional da ECG apresenta sensibilidade e especificidade limitadas, especialmente para a detecção de doença subclínica. Além disso, a ECG possui potencial para ser incorporada em estratégias de rastreamento populacional como ferramenta no ponto de cuidado para estimar a probabilidade de doença de Chagas, particularmente em contextos com poucos recursos, onde os métodos diagnósticos são escassos.

Nos últimos anos, modelos de deep learning baseados em inteligência artificial (IA) têm demonstrado elevado desempenho diagnóstico na interpretação de ECG. Destaca-se que estudos prévios demonstraram que ECGs aprimoradas por IA podem identificar soropositividade para T. cruzi6 e predizer disfunção sistólica do ventrículo esquerdo em indivíduos com cardiomiopatia chagásica crônica, com valores de área sob a curva (AUC, do inglês area under the curve) de até 0,84.7 Esses achados reforçam o potencial dos algoritmos de ECG aprimorada por IA como ferramentas acessíveis e escaláveis para detecção precoce e estratificação de risco na doença de Chagas, mesmo antes do surgimento de alterações estruturais cardíacas evidentes.

Este estudo avaliou o desempenho diagnóstico de um algoritmo de ECG aprimorada por IA para a detecção de soropositividade para T. cruzi durante uma campanha de rastreamento baseada na comunidade em indivíduos sem suspeita clínica de doença de Chagas, com o objetivo de avaliar seu potencial como estratégia de triagem populacional de baixo custo em regiões endêmicas. Os principais achados estão resumidos na Figura Central.

 Métodos Desenho do estudo e população

Mediante solicitação razoável ao autor correspondente, os dados do estudo e os métodos analíticos poderão ser disponibilizados a outros pesquisadores com o objetivo de reproduzir os resultados ou replicar os procedimentos deste estudo. O modelo de ECG aprimorada por IA avaliado neste estudo é atualmente uma ferramenta de pesquisa proprietária e não foi disponibilizado publicamente; o acesso ao código ou à interface de implementação está sujeito a acordos institucionais, requisitos de governança de dados e futuras considerações regulatórias.

Trata-se de um estudo transversal de validação externa, no qual um algoritmo pré-existente, aprimorado por IA e baseado em pontuação, foi aplicado a participantes incluídos em uma campanha de saúde comunitária realizada em agosto de 2024 em uma região endêmica para doença de Chagas em Feira de Santana e regiões adjacentes da Bahia, Nordeste do Brasil. A estratégia de rastreamento cardiovascular fez parte de uma iniciativa multicêntrica denominada PROVAR+ (Programa de Rastreamento da Valvopatia Reumática), conduzida por meio de uma colaboração internacional entre o Hospital das Clínicas da Universidade Federal de Minas Gerais (UFMG), Brasil, e o Children's National Hospital, Washington, DC, Estados Unidos. O protocolo do estudo foi aprovado pelo Comitê de Ética em Pesquisa local CAAE 37228120.9.0000.5149 e pelas autoridades de saúde regionais, em conformidade com os padrões éticos para pesquisas envolvendo seres humanos.

A coorte do estudo foi composta por adultos (≥ 18 anos) recrutados por meio da rede de atenção primária, campanhas de saúde dedicadas e divulgação em mídias sociais, sem diagnóstico prévio ou suspeita clínica de doença de Chagas. Os participantes elegíveis foram identificados aleatoriamente pelas autoridades de saúde locais e submetidos a um protocolo padronizado de rastreamento, que incluiu um breve questionário clínico, uma ECG de 12 derivações e ecocardiografia transtorácica portátil, independentemente da presença de sintomas ou de indicação prévia para avaliação cardiovascular. Indivíduos com histórico conhecido de doença de Chagas foram excluídos. Todos os participantes forneceram consentimento informado por escrito antes de quaisquer procedimentos relacionados ao estudo. Um fluxograma detalhado da população do estudo e das exclusões é apresentado na Figura 1.

Fluxograma do delineamento do estudo. ECG: eletrocardiografia; IA: inteligência artificial. Aquisição de eletrocardiografia e algoritmo de inteligência artificial

Todos os participantes foram submetidos a uma ECG de 12 derivações em repouso, adquirida por meio de dispositivos comercialmente disponíveis e transmitido ao Centro de Telessaúde da UFMG. As ECGs foram inicialmente interpretadas por um sistema automatizado desenvolvido por uma instituição acadêmica externa (versão 28.5, janeiro de 2014), que gerava relatórios clínicos em tempo real.

Adicionalmente, para padronização do estudo, todos os traçados de ECG foram posteriormente revisados por um cardiologista treinado e classificados de acordo com o Código de Minnesota.8 O Código de Minnesota é o sistema de classificação de ECG mais amplamente utilizado no mundo, desenvolvido na década de 1950 pelo Dr. Henry Blackburn, e baseia-se em critérios de mensuração predefinidos para atribuir códigos numéricos específicos conforme a gravidade dos achados.9 Em casos de discrepância entre os relatórios automatizados e a interpretação do cardiologista, os exames foram submetidos a adjudicação para definição da classificação final. Embora versões modificadas do Código de Minnesota, adaptadas para a doença de Chagas, tenham sido amplamente utilizadas em coortes específicas da doença, a codificação de ECG neste estudo foi empregada exclusivamente para padronização descritiva e não foi utilizada como input para o modelo de IA nem como padrão de referência para o diagnóstico da doença de Chagas.

Antes da aquisição da ECG, foi realizada uma entrevista estruturada breve para coleta de dados demográficos, indicações clínicas para o exame e fatores de risco para doença de Chagas. Com base nesses dados, foi aplicado um algoritmo aprimorado por IA, integrando sinais de ECG com três variáveis clínicas derivadas de diretrizes nacionais para doença de Chagas:10 i) histórico de residência em áreas com presença do vetor triatomíneo; ii) residência em condições habitacionais associadas à exposição ao vetor; e iii) histórico familiar de doença de Chagas confirmada. Os participantes identificados pelo algoritmo combinado foram classificados como positivos pela IA para fins de rastreamento.

O algoritmo proprietário de ECG aprimorada por IA para doença de Chagas foi originalmente desenvolvido a partir de dois grandes conjuntos de dados SaMi-Trop e CODE, derivados de uma população heterogênea, incluindo indivíduos com doença de Chagas e um grupo menor de controles saudáveis. Um dos conjuntos de dados consistiu em um estudo de coorte conduzido em uma região de alta endemicidade SaMi-Trop, enquanto o outro foi composto por um grande banco de dados de tele-ECG coletado de uma população ampla em toda a América Latina (CODE).

O algoritmo foi previamente validado em dois conjuntos de dados independentes REDS-II e ELSA-Brasil, incluindo indivíduos com diferentes perfis sorológicos e uma coorte longitudinal de adultos.6,7

O modelo de deep learning foi baseado em uma arquitetura de rede residual adaptada para sinais unidimensionais. Incluiu camadas convolucionais tanto antes quanto dentro de blocos residuais, em conformidade com arquiteturas previamente utilizadas para classificar múltiplas anormalidades na ECG, com modificação da camada de saída final para gerar uma classificação binária para doença de Chagas. Os parâmetros do modelo foram otimizados por meio da minimização da função de perda de entropia cruzada binária, com os dados processados em lotes de tamanho 32.

As estratégias de regularização incluíram uma taxa de dropout de 0,5 e weight decay de 0,001. Uma abordagem de ensemble foi implementada por meio do treinamento do modelo 15 vezes com diferentes sementes aleatórias, sendo as predições finais obtidas pela média das saídas. Os valores resultantes variaram de 0 a 1 e podem ser interpretados como a probabilidade predita de doença de Chagas com base no teste sorológico de referência.6

A probabilidade predita foi posteriormente integrada às variáveis clínicas e demográficas mencionadas para gerar uma probabilidade final baseada em pontuação para doença de Chagas, independente de anormalidades convencionais na ECG ou de achados ecocardiográficos.

 Estratégia de verificação sorológica em duas etapas

Como o teste sorológico não foi realizado em toda a população rastreada, foi implementado um delineamento de verificação em duas etapas. Todos os participantes classificados como positivos pela IA foram convidados para confirmação sorológica, enquanto os participantes negativos pela IA foram selecionados como controles pareados por meio de amostragem pareada por idade e sexo em uma razão de 2:1. Os controles foram selecionados aleatoriamente utilizando um software proprietário de acionamento baseado em números aleatórios gerados por computador.

O teste sorológico foi realizado por meio de um teste diagnóstico rápido no ponto de cuidado, baseado em antígenos quiméricos IBMP, desenvolvido para detectar anticorpos contra T. cruzi. Esse ensaio demonstrou alta sensibilidade e especificidade e foi considerado o padrão de referência diagnóstico neste estudo.11 Essa estratégia de amostragem foi adotada para garantir a viabilidade em uma campanha de rastreamento em campo.

 Ecocardiografia

Um protocolo ecocardiográfico simplificado, baseado nas recomendações da American Society of Echocardiography,12 foi realizado por médicos utilizando sistemas portáteis de ultrassom no mesmo dia da avaliação clínica e da triagem por ECG. No entanto, os achados ecocardiográficos não estavam disponíveis no momento da classificação baseada em IA e não foram utilizados no desenvolvimento do algoritmo nem na tomada de decisão no ponto de cuidado. Esses dados foram utilizados exclusivamente para análises adicionais post hoc.

As anormalidades estruturais cardíacas foram definidas de acordo com critérios predefinidos descritos em estudos prévios PROVAR+ e nos estudos ASE-REWARD.10,13 Essas anormalidades incluíram doença valvar moderada a grave (regurgitação ou estenose), disfunção ou hipertrofia ventricular, cardiopatia congênita, derrame pericárdico e alterações segmentares da motilidade da parede. Foram registradas tanto medidas objetivas quanto avaliações qualitativas. Apenas participantes com anormalidades clinicamente significativas foram encaminhados para atendimento especializado.

 Análise estatística

Devido à natureza descritiva da análise, todos os cálculos foram realizados utilizando o Microsoft Excel 2019 (Microsoft Corporation, Redmond, WA, EUA). Como se trata de um estudo exploratório, não foi realizado cálculo prévio do tamanho amostral; em vez disso, foi analisado o número total de participantes incluídos durante o período de rastreamento de 4 dias.

As variáveis contínuas são apresentadas como média ± desvio padrão ou mediana e intervalo interquartil, conforme apropriado, com base na distribuição avaliada pelo teste de Shapiro-Wilk. As variáveis categóricas são apresentadas como frequências absolutas e percentuais. As características basais dos participantes classificados como positivos e negativos pela IA foram descritas de forma descritiva.

Quando aplicável, as comparações entre grupos foram realizadas utilizando o teste t de Student não pareado ou o teste U de Mann-Whitney para variáveis contínuas, e o teste do qui-quadrado ou o teste exato de Fisher para variáveis categóricas, conforme apropriado. Um valor de p < 0,05 foi considerado estatisticamente significativo.

As métricas de desempenho diagnóstico do algoritmo de IA, incluindo sensibilidade, especificidade, valor preditivo positivo (VPP), valor preditivo negativo (VPN) e odds ratio diagnóstica (ORD), foram calculadas utilizando a soropositividade no ponto de cuidado como padrão de referência. Intervalos de confiança de 95% (IC95%) foram calculados para todas as estimativas.

Como o teste sorológico não foi realizado em todos os participantes rastreados, tendo sido adotada uma estratégia de verificação em duas etapas, as medidas de desempenho diagnóstico devem ser interpretadas como estimativas exploratórias dentro da amostra testada. Um fluxograma detalhado descrevendo o delineamento do estudo e a seleção dos participantes é apresentado na Figura 1.

 Resultados

Ao todo, 1.115 indivíduos foram submetidos a rastreamento durante a campanha de saúde. Desses, 1.031 (92,5%) completaram com sucesso o protocolo de ECG de 12 derivações. A idade média dos participantes foi de 56 anos, e a maioria era do sexo feminino (78,4%). De acordo com a classificação do Código de Minnesota, 402 indivíduos (39,0%) apresentaram anormalidades na ECG, incluindo 284 (27,5%) com alterações menores e 118 (11,4%) com anormalidades maiores.

O algoritmo de ECG aprimorada por IA gerou 121 alertas para realização de teste sorológico no ponto de cuidado. Desses, 80 corresponderam a indivíduos classificados como suspeitos de doença de Chagas e 41 a participantes inicialmente não considerados de alto risco. Após a exclusão de nove indivíduos que não realizaram o teste devido à perda de seguimento ou limitações logísticas, 112 participantes completaram a avaliação sorológica. Esses incluíram 73 indivíduos do grupo suspeito de doença de Chagas e 39 do grupo sem alto risco inicial. As características basais detalhadas são apresentadas na Tabela 1.

Características basais da população do estudo
Característica Total (n = 1.031) ECG aprimorada por IA – resultado positivo (n = 121) ECG aprimorada por IA – resultado negativo (n = 910) Valor de p
Idade, média (DP), anos 56,1 (± 11,2) 57,4 (± 10,2) 55,9 (± 11,3) 0,17
Mulheres, n (%) 808 (78,4%) 95 (78,5%) 713 (78,3%) 0,96
ECG com qualquer anormalidade, n (%) 402 (39,0%) 48 (39,7%) 354 (38,9%) 0,87
Anormalidade menor, n (%) 284 (27,5%) 31 (25,6%) 253 (27,8%) 0,61
Anormalidade maior, n (%) 118 (11,4%) 17 (14,0%) 101 (11,1%) 0,35
Doença de Chagas confirmada sorologicamente, n (%) 13 (1,2%) 13 (10,7%) 0 (0,0%) < 0,001*
Ecocardiografia realizada, n (%) 1,031 (100%) 121 (100%) 910 (100%) N/A
Anormalidade maior, n (%) 262 (25,4%) 20 (16,5%) 242 (26,5%) 0,02*
Envolvimento de VE ou VD, n (%) 42 (4,0%) 2 (1,7%) 40 (4,4%) 0,16
Ecocardiografia normal, n (%) 455 (44,1%) 44 (36,3%) 411 (45,1%) 0,07

p < 0.05. DP: desvio padrão; ECG: eletrocardiografia; IA: inteligência artificial; N/A: não aplicável; VE: ventrículo esquerdo; VD: ventrículo direito.

Dos 112 indivíduos testados, 13 (todos do grupo suspeito de doença de Chagas) apresentaram sorologia positiva, confirmando o diagnóstico de doença de Chagas. Nenhum caso soropositivo foi identificado entre os participantes inicialmente não considerados de alto risco. Esses achados resultaram em sensibilidade de 100% (IC95%: 69-100), especificidade de 40% (IC95%: 30-50), VPN de 100% (IC95%: 91-100) e VPP de 12% (IC95%: 11-14), com uma ORD de 6,6 para o algoritmo combinado baseado em IA.

Entre os 99 participantes classificados como positivos por IA, mas com sorologia negativa, 46 (46,4%) apresentaram anormalidades no ECG, incluindo 13 com anormalidades maiores e 33 com alterações menores.

No subgrupo de 13 indivíduos que foram simultaneamente positivos pela IA e soropositivos, os achados no ECG demonstraram que cinco apresentavam anormalidades maiores (quatro com BRD associado a BFAE e um com BRD isolado), enquanto dois apresentavam anormalidades menores e seis apresentavam ECG normal.

Embora a ecocardiografia não tenha sido incorporada ao algoritmo nem utilizada para classificação diagnóstica, dados ecocardiográficos estavam disponíveis para análise exploratória nesse subgrupo. Sete participantes apresentaram ecocardiogramas normais, três apresentaram achados leves (incluindo regurgitação tricúspide isolada ou dilatação do ventrículo direito) e três apresentaram anormalidades valvares moderadas, incluindo dois com regurgitação mitral e um com regurgitação mitral e tricúspide combinadas, sugestivas de padrão reumático. Nenhum dos indivíduos soropositivos apresentou evidência de disfunção sistólica do ventrículo esquerdo.

 Discussão

O presente estudo demonstra que a integração de um algoritmo de ECG aprimorada por IA com variáveis clínicas simples pode identificar com acurácia casos soropositivos de doença de Chagas em uma campanha de rastreamento em comunidade envolvendo uma população não selecionada com alto risco sociodemográfico. O algoritmo combinado apresentou uma ORD de 6,6, com sensibilidade e VPN de 100%, sustentando seu potencial como ferramenta de exclusão diagnóstica em contextos com recursos limitados. Esses achados indicam forte aplicabilidade como estratégia de triagem, particularmente em cenários nos quais é necessária a priorização de testes confirmatórios. A capacidade do algoritmo de identificar todos os indivíduos soropositivos, mesmo na ausência de doença estrutural cardíaca evidente, reforça seu valor clínico em regiões endêmicas com acesso limitado a recursos diagnósticos especializados. Embora a especificidade tenha permanecido modesta (40%), esse trade-off pode ser aceitável em estratégias de rastreamento inicial nas quais a minimização de resultados falso-negativos é prioritária. Esses achados são particularmente relevantes no contexto de doenças tropicais negligenciadas, nas quais o subdiagnóstico é frequente e a detecção precoce pode reduzir a progressão da doença.

A ECG permanece como a ferramenta diagnóstica cardiovascular mais acessível em ambientes com poucos recursos e tem sido amplamente utilizado na avaliação da doença de Chagas, como componente central da avaliação clínica de rotina para identificação de acometimento cardíaco. Anormalidades clássicas (p.ex., BRD, BFAE e extrassístoles ventriculares) são marcadores bem estabelecidos de gravidade e progressão da doença,14 correlacionando-se com envolvimento ventricular, risco de arritmias ventriculares malignas e mortalidade.15 No entanto, evidências indicam que uma ECG normal, particularmente com complexo QRS estreito, não exclui acometimento cardíaco precoce na doença de Chagas.16 Essas observações sustentam o uso de abordagens computacionais avançadas, como IA, que podem detectar padrões elétricos subclínicos não identificáveis por meio da interpretação visual convencional.

Modelos recentes de deep learning têm demonstrado resultados promissores na detecção de alterações relacionadas à doença de Chagas a partir de dados de ECG. Jidling et al. treinaram uma rede neural utilizando conjuntos de dados previamente publicados pelas coortes CODE e SaMi-Trop para identificar soropositividade para T. cruzi, alcançando uma AUC de 0,80 na validação interna e 0,68 na validação externa.6 De forma semelhante, estudos prévios demonstraram que a análise de ECG aprimorada por IA pode predizer disfunção sistólica do ventrículo esquerdo na doença de Chagas, com valores de AUC que podem chegar a 0,84.7 O presente estudo amplia esses achados ao aplicar essa abordagem em um cenário prospectivo, real, em comunidade, envolvendo indivíduos sem suspeita clínica prévia de doença de Chagas.

Um aspecto metodológico importante deste estudo é a integração da ECG aprimorada por IA com variáveis clínicas direcionadas, o que é consistente com evidências de que os dados de ECG isoladamente podem ser insuficientes para a detecção em estágios iniciais. Além disso, uma proporção substancial de indivíduos classificados como positivos por IA, mas com sorologia negativa, apresentou anormalidades na ECG, o que sugere a presença de condições cardiovasculares precoces ou alternativas detectáveis por meio do rastreamento eletrocardiográfico. Esse achado requer investigação adicional, particularmente quanto às suas implicações prognósticas.

Destaca-se que um subgrupo de indivíduos neste estudo apresentou ECG convencional normal, mas foi classificado como positivo por IA e apresentou soropositividade confirmada. Essa observação sugere que a análise de ECG aprimorada por IA pode detectar padrões elétricos sutis além dos limites da interpretação visual especializada, possivelmente refletindo envolvimento miocárdico muito precoce. Esse conceito é sustentado por estudos prévios utilizando o escore de QRS de Selvester, que demonstraram que a fibrose miocárdica, identificada por ressonância magnética cardíaca, pode estar presente mesmo na ausência de anormalidades evidentes no ECG.17,18 Esses achados reforçam o potencial papel da análise avançada de ECG, incluindo abordagens aprimoradas por IA, na detecção precoce de acometimento cardíaco na doença de Chagas.

As variáveis clínicas incorporadas ao algoritmo (i.e., residência em áreas endêmicas, condições habitacionais associadas à infestação por triatomíneos e histórico familiar de doença de Chagas) foram selecionadas com base em diretrizes clínicas nacionais.10 Esses fatores provavelmente aumentaram o rendimento diagnóstico ao capturar determinantes sociodemográficos-chave da doença. O modelo de ECG aprimorada por IA foi originalmente treinado em uma população geral, e não exclusivamente em indivíduos com doença de Chagas, destacando a importância da adaptação contextual quando aplicado a populações de alto risco.6 A integração de variáveis ambientais e epidemiológicas aumentou seu desempenho nesse cenário. No entanto, estudos prospectivos multicêntricos de validação e implementação são necessários antes da adoção clínica mais ampla dessa estratégia de triagem.

Por fim, a distribuição dos casos soropositivos observada nesta amostra baseada na comunidade é consistente com padrões epidemiológicos previamente descritos em populações de alto risco na América Latina, particularmente em contextos rurais e semiurbanos característicos de regiões endêmicas do Nordeste brasileiro. Por exemplo, Cucunubá et al. relataram maiores taxas de soropositividade entre adultos mais velhos em áreas rurais endêmicas.4 Embora o presente estudo não tenha sido desenhado para estimar a prevalência da doença, a identificação de casos confirmados reforça a necessidade de estratégias de rastreamento escaláveis e acessíveis em populações vulneráveis, bem como de adequada priorização de recursos diagnósticos e terapêuticos.

Limitações do estudo

Este estudo apresenta algumas limitações. Em primeiro lugar, o delineamento transversal e o uso de um modelo de inteligência artificial previamente treinado em conjuntos de dados de população geral podem limitar a generalização para outros contextos endêmicos ou clínicos e para subpopulações específicas de alto risco.

Em segundo lugar, embora o algoritmo de ECG aprimorada por IA tenha demonstrado excelente sensibilidade, o valor observado de 100% deve ser interpretado com cautela, considerando o número limitado de indivíduos submetidos à testagem sorológica, particularmente entre aqueles classificados como negativos por IA. Em amostras pequenas, estimativas de sensibilidade perfeita são suscetíveis à superestimação, especialmente quando nenhum caso soropositivo é identificado por IA no grupo negativo.

Além disso, o número relativamente pequeno de indivíduos negativos pela IA que foram submetidos à testagem sorológica, selecionados por meio de amostragem pareada por idade e sexo, pode ter introduzido viés de seleção e reduzido o poder estatístico para detectar casos falso-negativos. Essa limitação também afeta a precisão das estimativas de especificidade e VPP, aumentando a incerteza em torno das métricas de desempenho diagnóstico observadas.

Adicionalmente, o uso de verificação sorológica seletiva pode ter introduzido viés de verificação parcial. Como resultado, as métricas diagnósticas reportadas podem não refletir integralmente o desempenho da estratégia de rastreamento em toda a população do estudo. Estudos adicionais são necessários para validar o modelo em coortes mais amplas e representativas.

Além disso, embora a inclusão de variáveis clínicas básicas provavelmente tenha contribuído para a melhora do desempenho do modelo, fatores de confusão não mensurados podem ter influenciado os resultados. Por fim, as variáveis clínicas selecionadas refletem fatores de risco tradicionais associados à transmissão vetorial. Em regiões com dinâmicas de transmissão distintas, como a bacia amazônica, onde a transmissão oral predomina, o modelo pode não captar adequadamente o risco de infecção e pode requerer adaptação aos contextos epidemiológicos locais.

Estudos prospectivos futuros, envolvendo populações maiores e mais diversas, bem como acompanhamento abrangente incluindo correlação ecocardiográfica, são necessários para validar e calibrar adicionalmente o algoritmo.

 Conclusão

Este estudo evidencia a alta sensibilidade e a viabilidade operacional de uma abordagem baseada em ECG aprimorada por IA para a detecção de soropositividade para T. cruzi em contextos com poucos recursos. Ao integrar variáveis clínicas com uma rede neural treinada em dados de ECG em larga escala provenientes de uma das maiores redes de telemedicina da América Latina, essa estratégia representa uma solução promissora e escalável para detecção precoce e triagem no contexto de doenças negligenciadas. Pesquisas futuras devem concentrar-se na melhoria da especificidade e na avaliação da integração dessa abordagem em estratégias mais amplas dos sistemas de saúde para o controle da doença de Chagas.

O presente estudo foi parcialmente financiado por Edwards Lifesciences Foundation, Every HEartbeat Matters Program 2025, CNPq grants 465518/2014-1, 310790/2021-2, 409604/2022-4, 445011/2023-8 e 310749/2022-0, e FAPEMIG grants RED 00192-23 e APQ-03291-18.

Não há vinculação deste estudo a programas de pós-graduação.

Este estudo foi aprovado pelo Comitê de Ética da Universidade Federal de Minas Gerais sob o número de protocolo CAAE 37228120.9.0000.5149. Todos os procedimentos envolvidos nesse estudo estão de acordo com a Declaração de Helsinki de 1975, atualizada em 2013. O consentimento informado foi obtido de todos os participantes incluídos no estudo.

Durante a preparação deste trabalho, o(s) autor(es) usaram ChatGPT para aprimorar a gramática, esclarecer a linguagem e organizer o manuscrito. Após o uso desta ferramenta/serviço, o(s) autor(es) revisaram e editaram o conteúdo conforme necessário e assumem total responsabilidade pelo conteúdo do artigo publicado.

 Disponibilidade de Dados

Todo o conjunto de dados que dá suporte aos resultados deste estudo está disponível mediante solicitação ao autor correspondente.

 Referências Marin-Neto JA Rassi A Jr Oliveira GMM Correia LCL Ramos NA Jr Luquetti AO SBC Guideline on the Diagnosis and Treatment of Patients with Cardiomyopathy of Chagas Disease - 2023 Arq Bras Cardiol 2023 120 6 e20230269 10.36660/abc.20230269 1 Marin-Neto JA, Rassi A Jr, Oliveira GMM, Correia LCL, Ramos NA Jr, Luquetti AO, et al. SBC Guideline on the Diagnosis and Treatment of Patients with Cardiomyopathy of Chagas Disease - 2023. Arq Bras Cardiol. 2023;120(6):e20230269. doi: 10.36660/abc.20230269. Andrade GN Bosch-Nicolau P Nascimento BR Martins-Melo FR Perel P Geissbühler Y Prevalence of Chagas Disease among Latin American Immigrants in Non-Endemic Countries: An Updated Systematic Review and Meta-Analysis Lancet Reg Health Eur 2024 46 101040 101040 10.1016/j.lanepe.2024.101040 2 Andrade GN, Bosch-Nicolau P, Nascimento BR, Martins-Melo FR, Perel P, Geissbühler Y, et al. Prevalence of Chagas Disease among Latin American Immigrants in Non-Endemic Countries: An Updated Systematic Review and Meta-Analysis. Lancet Reg Health Eur. 2024;46:101040. doi: 10.1016/j.lanepe.2024.101040. GBD 2023 Chagas Disease and RAISE Study Collaborators Global, Regional, and National Burden of Chagas Disease, 1990-2023: A Systematic Analysis for the Global Burden of Disease Study 2023 Lancet Infect Dis 2026 26 3 284 301 10.1016/S1473-3099(25)00562-6 3 GBD 2023 Chagas Disease and RAISE Study Collaborators. Global, Regional, and National Burden of Chagas Disease, 1990-2023: A Systematic Analysis for the Global Burden of Disease Study 2023. Lancet Infect Dis. 2026;26(3):284-301. doi: 10.1016/S1473-3099(25)00562-6. Cucunubá ZM Gutiérrez-Romero SA Ramírez JD Velásquez-Ortiz N Ceccarelli S Parra-Henao G The Epidemiology of Chagas Disease in the Americas Lancet Reg Health Am 2024 37 100881 100881 10.1016/j.lana.2024.100881 4 Cucunubá ZM, Gutiérrez-Romero SA, Ramírez JD, Velásquez-Ortiz N, Ceccarelli S, Parra-Henao G, et al. The Epidemiology of Chagas Disease in the Americas. Lancet Reg Health Am. 2024;37:100881. doi: 10.1016/j.lana.2024.100881. Nascimento BR Araújo CG Rocha MO Domingues JD Rodrigues AB Barros MV The Prognostic Significance of Electrocardiographic Changes in Chagas Disease J Electrocardiol 2012 45 1 43 48 10.1016/j.jelectrocard.2011.04.011 5 Nascimento BR, Araújo CG, Rocha MO, Domingues JD, Rodrigues AB, Barros MV, et al. The Prognostic Significance of Electrocardiographic Changes in Chagas Disease. J Electrocardiol. 2012;45(1):43-8. doi: 10.1016/j.jelectrocard.2011.04.011. Jidling C Gedon D Schön TB Oliveira CDL Cardoso CS Ferreira AM Screening for Chagas Disease from the Electrocardiogram Using a Deep Neural Network PLoS Negl Trop Dis 2023 17 7 e0011118 10.1371/journal.pntd.0011118 6 Jidling C, Gedon D, Schön TB, Oliveira CDL, Cardoso CS, Ferreira AM, et al. Screening for Chagas Disease from the Electrocardiogram Using a Deep Neural Network. PLoS Negl Trop Dis. 2023;17(7):e0011118. doi: 10.1371/journal.pntd.0011118. Brito BOF Attia ZI Martins LNA Perel P Nunes MCP Sabino EC Left Ventricular Systolic Dysfunction Predicted by Artificial Intelligence Using the Electrocardiogram in Chagas Disease Patients-The SaMi-Trop Cohort PLoS Negl Trop Dis 2021 15 12 e0009974 10.1371/journal.pntd.0009974 7 Brito BOF, Attia ZI, Martins LNA, Perel P, Nunes MCP, Sabino EC, et al. Left Ventricular Systolic Dysfunction Predicted by Artificial Intelligence Using the Electrocardiogram in Chagas Disease Patients-The SaMi-Trop Cohort. PLoS Negl Trop Dis. 2021;15(12):e0009974. doi: 10.1371/journal.pntd.0009974. Prineas RJ Crow RS Zhang ZM The MINNESOTA Code Manual of Electrocardiographic Findings London Springer 2010 10.1007/978-1-84882-778-3 8 Prineas RJ, Crow RS, Zhang ZM. The MINNESOTA Code Manual of Electrocardiographic Findings. London: Springer; 2010. doi:10.1007/978-1-84882-778-3. Ribeiro AL Marcolino MS Prineas RJ Lima-Costa MF Electrocardiographic Abnormalities in Elderly Chagas Disease Patients: 10-Year Follow-Up of the Bambui Cohort Study of Aging J Am Heart Assoc 2014 3 1 e000632 10.1161/JAHA.113.000632 9 Ribeiro AL, Marcolino MS, Prineas RJ, Lima-Costa MF. Electrocardiographic Abnormalities in Elderly Chagas Disease Patients: 10-Year Follow-Up of the Bambui Cohort Study of Aging. J Am Heart Assoc. 2014;3(1):e000632. doi: 10.1161/JAHA.113.000632. Brasil Ministério da Saúde. Protocolo Clínico e Diretrizes Terapêuticas Doença de Chagas Brasília Ministério da Saúde 2023 10 Brasil. Ministério da Saúde. Protocolo Clínico e Diretrizes Terapêuticas Doença de Chagas. Brasília: Ministério da Saúde; 2023. Santos FLN Campos ACP Amorim LDAF Silva ED Zanchin NIT Celedon PAF Highly Accurate Chimeric Proteins for the Serological Diagnosis of Chronic Chagas Disease: A Latent Class Analysis Am J Trop Med Hyg 2018 99 5 1174 1179 10.4269/ajtmh.17-0727 11 Santos FLN, Campos ACP, Amorim LDAF, Silva ED, Zanchin NIT, Celedon PAF, et al. Highly Accurate Chimeric Proteins for the Serological Diagnosis of Chronic Chagas Disease: A Latent Class Analysis. Am J Trop Med Hyg. 2018;99(5):1174-9. doi: 10.4269/ajtmh.17-0727. Mitchell C Rahko PS Blauwet LA Canaday B Finstuen JA Foster MC Guidelines for Performing a Comprehensive Transthoracic Echocardiographic Examination in Adults: Recommendations from the American Society of Echocardiography J Am Soc Echocardiogr 2019 32 1 1 64 10.1016/j.echo.2018.06.004 12 Mitchell C, Rahko PS, Blauwet LA, Canaday B, Finstuen JA, Foster MC, et al. Guidelines for Performing a Comprehensive Transthoracic Echocardiographic Examination in Adults: Recommendations from the American Society of Echocardiography. J Am Soc Echocardiogr. 2019;32(1):1-64. doi: 10.1016/j.echo.2018.06.004. Singh S Bansal M Maheshwari P Adams D Sengupta SP Price R American Society of Echocardiography: Remote Echocardiography with Web-Based Assessments for Referrals at a Distance (ASE-REWARD) Study J Am Soc Echocardiogr 2013 26 3 221 233 10.1016/j.echo.2012.12.012 13 Singh S, Bansal M, Maheshwari P, Adams D, Sengupta SP, Price R, et al. American Society of Echocardiography: Remote Echocardiography with Web-Based Assessments for Referrals at a Distance (ASE-REWARD) Study. J Am Soc Echocardiogr. 2013;26(3):221-33. doi: 10.1016/j.echo.2012.12.012. Brito BOF Ribeiro ALP Electrocardiogram in Chagas Disease Rev Soc Bras Med Trop 2018 51 5 570 577 10.1590/0037-8682-0184-2018 14 Brito BOF, Ribeiro ALP. Electrocardiogram in Chagas Disease. Rev Soc Bras Med Trop. 2018;51(5):570-7. doi: 10.1590/0037-8682-0184-2018. Rassi A Jr Rassi A Little WC Xavier SS Rassi SG Rassi AG Development and Validation of a Risk Score for Predicting Death in Chagas’ Heart Disease N Engl J Med 2006 355 8 799 808 10.1056/NEJMoa053241 15 Rassi A Jr, Rassi A, Little WC, Xavier SS, Rassi SG, Rassi AG, et al. Development and Validation of a Risk Score for Predicting Death in Chagas’ Heart Disease. N Engl J Med. 2006;355(8):799-808. doi: 10.1056/NEJMoa053241. Ribeiro AL Rocha MO Barros MV Rodrigues AR Machado FS A Narrow QRS does Not Predict a Normal Left Ventricular Function in Chagas’ Disease Pacing Clin Electrophysiol 2000 23 11 Pt 2 2014 2017 10.1111/j.1540-8159.2000.tb07076.x 16 Ribeiro AL, Rocha MO, Barros MV, Rodrigues AR, Machado FS. A Narrow QRS does Not Predict a Normal Left Ventricular Function in Chagas’ Disease. Pacing Clin Electrophysiol. 2000;23(11 Pt 2):2014-7. doi: 10.1111/j.1540-8159.2000.tb07076.x. Couceiro KN Ortiz JV Correia MN Silva e Silva MRH Brandão AR Silva PRL The Selvester QRS Score as an Estimative of Myocardial Injury in Acute Chagasic Patients from the Brazilian Amazon BMC Infect Dis 2021 21 1 396 396 10.1186/s12879-021-06083-x 17 Couceiro KN, Ortiz JV, Correia MN, Silva e Silva MRH, Brandão AR, Silva PRL, et al. The Selvester QRS Score as an Estimative of Myocardial Injury in Acute Chagasic Patients from the Brazilian Amazon. BMC Infect Dis. 2021;21(1):396. doi: 10.1186/s12879-021-06083-x. Sivri F Icen YK Koca H Coşkun M Ardınç M Deniz O Selvester QRS Score is a Predictor of Mortality in Heart Failure with Preserved Ejection Fraction Arq Bras Cardiol 2023 120 9 e20230235 10.36660/abc.20230235 18 Sivri F, Icen YK, Koca H, Coşkun M, Ardınç M, Deniz O, et al. Selvester QRS Score is a Predictor of Mortality in Heart Failure with Preserved Ejection Fraction. Arq Bras Cardiol. 2023;120(9):e20230235. doi: 10.36660/abc.20230235. 10.36660/abc.20260032i Original Article Artificial Intelligence-Enhanced Electrocardiography Analysis for Diagnosing Chagas Disease 0009-0000-8450-4246 Fonseca Isabella Moreira Gonzalez 1 2 0000-0001-8801-1828 Nunes Maria Carmo Pereira 1 2 Sable Craig 3 0000-0003-1376-4694 Mendoza Renata Fonseca 4 Santos Fred Luciano Neves 5 6 Gomes Paulo Rodrigues 2 0009-0003-2443-7047 Carvalho Adson Patrik Vieira 1 Mendoza Bernardo Fonseca 4 Souza Noilson Lazaro 5 0000-0003-4693-9550 Barbosa José Augusto de Almeida 1 Cardoso Clareci Silva 7 0000-0002-5586-774X Nascimento Bruno Ramos 1 8 9 Ribeiro Antonio L. P. 1 2 Belo Horizonte MG Brazil Serviço de Cardiologia e Cirurgia Cardíaca, Hospital das Clínicas, Universidade Federal de Minas Gerais, Belo Horizonte, MG – Brazil Belo Horizonte MG Brazil Centro de Telessaúde e Serviço de Cardiologia, Hospital das Clínicas, Universidade Federal de Minas Gerais, Belo Horizonte, MG – Brazil New Orleans LA USA Cardiovascular Outreach and Telemedicine Ochsner Children's Hospital, New Orleans, LA – USA Feira de Santana BA Brazil Hospital da Criança de Feira de Santana, Feira de Santana, BA – Brazil Salvador BA Brazil Oswaldo Cruz (Fiocruz), Salvador, BA – Brazil Rio de Janeiro RJ Brazil Programa Translacional Integrado em Doença de Chagas (Fio-Chagas), Fundação Oswaldo Cruz (Fiocruz), Rio de Janeiro, RJ – Brazil Divinópolis MG Brazil Laboratório Avançado de Saúde Pública, Instituto Gonçalo Moniz, Fundação Faculdade de Medicina, Universidade Federal de São João del-Rei, Divinópolis, MG – Brazil Belo Horizonte MG Brazil Departamento de Clínica Médica, Faculdade de Medicina, Universidade Federal de Minas Gerais, Belo Horizonte, MG – Brazil Belo Horizonte MG Brazil Serviço de Cardiologia Intervencionista, Hospital Madre Teresa, Belo Horizonte, MG – Brazil Isabella Moreira Gonzalez Fonseca • Rua Desembargador Drumond, 113. Postal Code 30210-030, Bairro Serra, Belo Horizonte, MG – Brazil Email: dubella@hotmail.com

Gláucia Maria Moraes de Oliveira

No potential conflict of interest relevant to this article was reported.

 Abstract Background:

Chagas disease affects millions worldwide and remains a leading cause of cardiomyopathy in Latin America. Early diagnosis remains challenging in endemic regions. Artificial intelligence (AI)-based electrocardiography (ECG) analysis may offer a low-cost strategy for large-scale screening in resource-limited settings.

 Objectives:

To evaluate the performance of an AI-ECG algorithm combined with clinical data for detecting Chagas disease in a community-based screening program conducted in a highly endemic region in Northeastern Brazil.

 Methods:

In August 2024, 1,115 adults underwent standardized 12-lead ECG acquisition during a field campaign in Feira de Santana, Bahia, Northeast Brazil. A previously trained AI model analyzed ECG tracings and incorporated three clinical variables: i) prior residence in triatomine-infested areas, ii) poor housing conditions, and iii) family history of Chagas disease. Individuals flagged as AI-positive were classified as suspected cases. Suspected cases and matched controls (2:1) underwent point-of-care serological testing.

 Results:

The algorithm flagged 121 individuals (10.9%), corresponding to an estimated AI-based prevalence of Chagas disease of 7.8% (95%CI: 6.2-9.6). Among the 112 individuals who completed serological testing, 13 tested positive, all within the AI-positive suspected group; no seropositive cases were identified among controls. Sensitivity was 100% (95%CI: 69-100), specificity 40% (95%CI: 30-50), negative predictive value 100% (95%CI: 91-100), and positive predictive value 12% (95%CI: 11-14), with a diagnostic odds ratio of 6.6.

 Conclusions:

An AI-ECG algorithm combined with simple clinical variables demonstrated excellent sensitivity for the detection of Chagas disease and may represent a valuable triage tool in endemic, resource-constrained settings.

 Keywords Chagas Disease Artificial Intelligence Electrocardiography Mass Screening CNPq 465518/2014-1 310790/2021-2 409604/2022-4 445011/2023-8 310749/2022-0 FAPEMIG RED 00192-23 APQ-03291-18 Sources of Funding This study was partially funded by Edwards Lifesciences Foundation, Every HEartbeat Matters Program 2025, CNPq grants 465518/2014-1, 310790/2021-2, 409604/2022-4, 445011/2023-8 and 310749/2022-0, and FAPEMIG grants RED 00192-23 and APQ-03291-18. Introduction

Chagas disease, which is caused by the protozoan parasite Trypanosoma cruzi, is one of the most prevalent neglected tropical diseases. It affects approximately 6-7 million people worldwide, primarily in Latin America.1–3 Although transmission through vectors (notably triatomine insects) and blood transfusions has declined substantially in recent decades due to socioeconomic improvements, better housing conditions, and public health initiatives, chronic Chagas cardiomyopathy remains a major cause of morbidity and mortality. It is the most common form of organ involvement, affecting more than 30% of seropositive individuals, and often progresses silently until advanced stages.4

AI: artificial intelligence; CNN: convolutional neural network; ECG: electrocardiography; NPV: negative predictive value.

The gold standard for etiological diagnosis of Chagas disease is serological testing for T. cruzi antibodies, whereas echocardiography remains the cornerstone for detecting advanced heart involvement, particularly ventricular dysfunction, and for guiding risk stratification and prognosis.1 However, access to these diagnostic modalities remains restricted in many endemic, resource-constrained settings.

In contrast, electrocardiography (ECG) is a widely accessible, cost-effective tool capable of identifying early signs of heart involvement in chronic Chagas cardiomyopathy, including right bundle branch block (RBBB), left anterior fascicular block (LAFB), premature ventricular contractions, and fragmented QRS complexes, which are well-established markers of heart involvement in Chagas disease.5 Despite its clinical utility and recommendation for annual assessment, conventional ECG interpretation has limited sensitivity and specificity, particularly for detecting subclinical disease. Moreover, ECG has the potential to be incorporated into population-based screening strategies as a point-of-care tool to estimate the likelihood of Chagas disease, especially in underserved settings where diagnostic resources are scarce.

In recent years, deep learning models based on artificial intelligence (AI) have demonstrated high diagnostic performance in ECG interpretation. Notably, prior studies have shown that AI-ECGs can identify T. cruzi seropositivity6 and predict left ventricular systolic dysfunction in individuals with chronic Chagas cardiomyopathy, with area under the curve (AUC) values of up to 0.84.7 These findings underscore the potential of AI-ECG algorithms as affordable and scalable tools for early detection and risk stratification in Chagas disease, even before structural heart changes become evident.

This study evaluated the diagnostic performance of an AI-ECG algorithm for detecting T. cruzi seropositivity during a community-based screening campaign in individuals without clinical suspicion of Chagas disease, aiming to assess its potential as a low-cost population-based triage strategy in endemic regions. The main findings are summarized in Central Illustration.

 Methods Study design and population

Upon reasonable request to the corresponding author, study data and analytical methods may be made available to other researchers for the purpose of reproducing the results or replicating the procedures of this study. The AI-ECG model evaluated herein is currently a proprietary research tool and has not been publicly released; access to the code or deployment interface is subject to institutional agreements, data governance requirements, and future regulatory considerations.

This was a cross-sectional external validation study in which a pre-existing AI-enhanced, point-based algorithm was applied to participants enrolled in a community health campaign conducted in August 2024 in a Chagas disease-endemic region in Feira de Santana and surrounding regions in Bahia, Northeast Brazil. The cardiovascular screening effort was part of a multicenter initiative named PROVAR+ (Programa de Rastreamento da Valvopatia Reumática), conducted through an international collaboration between academic institutions between Hospital das Clínicas, Universidade Federal de Minas Gerais (UFMG), Brazil, and Children's National Hospital, Washington, DC, United States. The study protocol was approved by the local Institutional Review Board of UFMG under CAAE number 37228120.9.0000.5149 and by regional health authorities, in accordance with ethical standards for research involving human participants.

The study cohort consisted of adults (≥ 18 years) recruited through the primary care network, dedicated health campaigns, and social media outreach, without a prior diagnosis or clinical suspicion of Chagas disease. Eligible participants were randomly identified by local health authorities and underwent a standardized screening protocol that included a brief clinical questionnaire, a 12-lead ECG, and transthoracic portable echocardiography, irrespective of symptom status or previous indication for cardiovascular evaluation. Individuals with a known history of Chagas disease were excluded. All participants provided written informed consent prior to any study-related procedures. A detailed flowchart of the study population and exclusions is presented in Figure 1.

Flowchart of the study design. AI: artificial intelligence; ECG: electrocardiography. Electrocardiography acquisition and artificial intelligence algorithm

All participants underwent a resting 12-lead ECG, acquired using commercially available devices and transmitted to the Telehealth Center at UFMG. ECGs were initially interpreted using an automated system developed by an external academic institution (version 28.5, January 2014), which generated real-time clinical reports.

Additionally, for study standardization, all ECG tracings were subsequently reviewed by a trained cardiologist and classified according to the standardized Minnesota Code.8 The Minnesota Code is the most widely used ECG classification system worldwide, developed in the 1950s by Dr. Henry Blackburn, and is based on predefined measurement criteria to assign specific numerical codes according to the severity of findings.9 In cases of discrepancy between automated reports and cardiologist interpretation, examinations were adjudicated to establish a final classification. Although modified versions of the Minnesota Code adapted for Chagas disease have been widely used in disease-specific cohorts, ECG coding in this study was used exclusively for descriptive standardization and did not serve as an input to the AI model or as a reference standard for the diagnosis of Chagas disease.

Prior to ECG acquisition, a brief structured interview was conducted to collect demographic data, clinical indications for testing, and risk factors for Chagas disease. Based on these data, an AI-enhanced algorithm was applied, integrating ECG signals with three clinical variables derived from national guidelines for Chagas disease10: i) history of residence in areas with triatomine vector presence; ii) residence in housing conditions associated with vector exposure; and iii) family history of confirmed Chagas disease. Participants flagged by the combined algorithm were classified as AI-positive for screening purposes.

The proprietary AI-ECG algorithm for Chagas disease was originally developed using two large datasets SaMi-Trop and CODE derived from a heterogeneous population, including individuals with Chagas disease and a smaller group of healthy controls. One dataset comprised a cohort study conducted in the SaMi-Trop cohort, whereas the other consisted of a large tele-ECG database collected from a broad population through the CODE tele-ECG dataset.

The algorithm has been previously validated in the REDS-II and ELSA-Brasil datasets, including individuals with different serological profiles and a longitudinal cohort of adults.6,7

The deep learning model was based on a residual network architecture adapted for one-dimensional signals. It included convolutional layers both preceding and within residual blocks, consistent with architectures previously used to classify multiple ECG abnormalities, with modification of the final output layer to generate a binary classification output for Chagas disease. Model parameters were optimized by minimizing the binary cross-entropy loss function, with data processed in batches of size 32.

Regularization strategies included a dropout rate of 0.5 and weight decay of 0.001. An ensemble approach was implemented by training the model 15 times using different random seeds, with final predictions obtained by averaging the outputs. The resulting values ranged from 0 to 1 and can be interpreted as the predicted probability of Chagas disease based on reference serological testing.6

The predicted probability was subsequently integrated with the aforementioned clinical and demographic variables to generate a final point-based probability of Chagas disease, independent of conventional ECG abnormalities or echocardiographic findings.

 Two-phase serological verification strategy

Because serological testing was not performed in the entire screened population, a two-phase verification design was implemented. All participants classified as AI-positive were invited for serological confirmation, whereas AI-negative participants were selected as matched controls through age- and sex-matched sampling in a 2:1 ratio. Controls were randomly selected using proprietary trigger software based on computer-generated random numbers.

Serological testing was performed using a point-of-care rapid diagnostic test based on chimeric antigens (IBMP), designed to detect T. cruzi antibodies. This assay has demonstrated high sensitivity and specificity and was considered the diagnostic reference standard in this study.11 This sampling strategy was adopted to ensure feasibility within a field-based screening campaign.

 Echocardiography

A simplified echocardiographic protocol, based on recommendations from the American Society of Echocardiography,12 was performed by physicians using portable ultrasound systems on the same day as the clinical evaluation and ECG triage. However, echocardiographic findings were not available at the time of AI-based classification and were not used in the development of the algorithm or in point-of-care decision-making. Such data were used solely for ancillary post hoc analyses.

Heart structural abnormalities were defined according to predefined criteria described in PROVAR+ studies and ASE-REWARD studies.10,13 These included moderate to severe valvular disease (regurgitation or stenosis), ventricular dysfunction or hypertrophy, congenital heart disease, pericardial effusion, and regional wall-motion abnormalities. Both objective measurements and qualitative assessments were recorded. Only participants with clinically significant abnormalities were referred for specialized care.

 Statistical analysis

Because of the descriptive nature of the analysis, all computations were performed using Microsoft Excel 2019 (Microsoft Corporation, Redmond, WA, USA). As this was an exploratory study, no a priori sample size calculation was performed; instead, the total number of participants enrolled during the 4-day screening period was analyzed.

Continuous variables are presented as mean ± standard deviation or median and interquartile range as appropriate, based on distribution assessed using the Shapiro-Wilk test. Categorical variables are presented as absolute frequencies and percentages. Baseline characteristics of participants classified as AI-positive and AI-negative were summarized descriptively.

When applicable, comparisons between groups were performed using the unpaired Student's t test or the Mann-Whitney U test for continuous variables, and the chi-square test or Fisher's exact test for categorical variables, as appropriate. A p < 0.05 was considered statistically significant.

Diagnostic performance metrics of the AI algorithm, including sensitivity, specificity, positive predictive value (PPV), negative predictive value (NPV), and diagnostic odds ratio (DOR), were calculated using point-of-care seropositivity as the reference standard. 95%CIs were calculated for all estimates.

Since serological testing was not performed in all screened participants but followed a two-phase verification strategy, diagnostic performance measures should be interpreted as exploratory estimates within the tested sample. A detailed flowchart describing the study design and participant selection is provided in Figure 1.

 Results

A total of 1,115 individuals were screened during the community-based health campaign. Of these, 1,031 (92.5%) successfully completed the 12-lead ECG protocol. The mean age of participants was 56 years, and most were women (78.4%). According to the Minnesota Code classification, 402 individuals (39.0%) exhibited ECG abnormalities, including 284 (27.5%) with minor alterations and 118 (11.4%) with major abnormalities.

The AI-ECG algorithm generated 121 alerts for point-of-care serological testing. Of these, 80 corresponded to individuals classified as having suspected Chagas disease, and 41 to participants not initially considered at high risk. After excluding nine individuals who did not undergo testing due to loss to follow-up or logistical constraints, 112 participants completed serological evaluation. These included 73 individuals from the suspected Chagas disease group and 39 from the non-high-risk group. Detailed baseline characteristics are provided in Table 1.

Baseline characteristics of the study population
Characteristic Total (n = 1,031) AI-ECG positive (n = 121) AI-ECG negative (n = 910) p-value
Age, mean (SD), years 56.1 (± 11.2) 57.4 (± 10.2) 55.9 (± 11.3) 0.17
Women, n (%) 808 (78.4%) 95 (78.5%) 713 (78.3%) 0.96
ECG with any abnormality, n (%) 402 (39.0%) 48 (39.7%) 354 (38.9%) 0.87
Minor abnormality, n (%) 284 (27.5%) 31 (25.6%) 253 (27.8%) 0.61
Major abnormality, n (%) 118 (11.4%) 17 (14.0%) 101 (11.1%) 0.35
Serologically confirmed Chagas disease, n (%) 13 (1.2%) 13 (10.7%) 0 (0.0%) < 0.001*
Echocardiography performed, n (%) 1.031 (100%) 121 (100%) 910 (100%) N/A
Major abnormality, n (%) 262 (25.4%) 20 (16.5%) 242 (26.5%) 0.02*
LV or RV involvement, n (%) 42 (4.0%) 2 (1.7%) 40 (4.4%) 0.16
Normal echocardiogram, n (%) 455 (44.1%) 44 (36.3%) 411 (45.1%) 0.07

p < 0.05. AI: artificial intelligence; ECG: electrocardiography; LV: left ventricle; N/A: not applicable; RV: right ventricle; SD: standard deviation.

Of the 112 individuals tested, 13 (all from the suspected Chagas disease group) had positive serology confirming Chagas disease. No seropositive cases were identified among participants not initially considered at high risk. These findings yielded a sensitivity of 100% (95%CI: 69-100), specificity of 40% (95%CI: 30-50), NPV of 100% (95%CI: 91-100), and PPV of 12% (95%CI: 11-14), with a DOR of 6.6 for the combined AI-based algorithm.

Among the 99 participants classified as AI-positive but with negative serology, 46 (46.4%) exhibited ECG abnormalities, including 13 with major abnormalities and 33 with minor alterations.

In the subgroup of 13 individuals who were both AI-positive and seropositive, ECG findings showed that five had major abnormalities (four with RBBB associated with LAFB and one with isolated RBBB) while two had minor abnormalities and six had normal ECGs.

Although echocardiography was not incorporated into the algorithm or used for diagnostic classification, echocardiographic data were available for exploratory analysis in this subgroup. Seven participants had normal echocardiograms, three had mild findings (including isolated tricuspid regurgitation or right ventricular dilation), and three had moderate valvular abnormalities, including two with mitral regurgitation and one with combined mitral and tricuspid regurgitation suggestive of a rheumatic pattern. None of the seropositive individuals showed evidence of left ventricular systolic dysfunction.

 Discussion

The present study demonstrates that the integration of an AI-ECG algorithm with simple clinical variables can accurately identify seropositive cases of Chagas disease in a community-based screening campaign involving a non-selected population at high sociodemographic risk. The combined algorithm achieved a DOR of 6.6, with 100% sensitivity and NPV, supporting its potential utility as a rule-out tool in resource-limited settings. These findings indicate strong applicability as a triage strategy, particularly in contexts where prioritization of confirmatory testing is required. The ability of the algorithm to identify all seropositive individuals, even in the absence of overt structural heart disease, reinforces its clinical value in endemic regions with limited access to specialized diagnostic resources. Although specificity remained modest (40%), this trade-off may be acceptable in early screening strategies where minimizing false-negative results is a priority. These findings are particularly relevant in the context of neglected tropical diseases, in which underdiagnosis is common and early detection may reduce disease progression.

ECG remains the most accessible cardiovascular diagnostic tool in low-resource settings and has long been used in the evaluation of Chagas disease, as a core component of routine clinical assessment to identify heart involvement. Classical abnormalities (e.g., RBBB, LAFB, and premature ventricular contractions) are well-established markers of disease severity and progression,14 correlating with ventricular involvement, risk of malignant ventricular arrhythmias, and mortality.15 However, evidence indicates that a normal ECG, particularly with a narrow QRS complex, does not exclude early heart involvement in Chagas disease.16 These observations support the use of advanced computational approaches, such as AI, which may detect subclinical electrical patterns not identifiable through conventional visual interpretation.

Recent deep learning models have demonstrated promising results in detecting Chagas disease-related abnormalities from ECG data. Jidling et al. trained a neural network using the CODE and SaMi-Trop cohorts to identify T. cruzi seropositivity, achieving an AUC of 0.80 in internal validation and 0.68 in external validation.6 Similarly, prior work has shown that AI-ECG analysis can predict left ventricular systolic dysfunction in Chagas disease with AUC values of up to 0.84.7 The present study extends these findings by applying this approach in a real-world, prospective, community-based setting, involving individuals without prior clinical suspicion of Chagas disease.

An important methodological aspect of this study is the integration of AI-ECG with targeted clinical variables, which is consistent with evidence that ECG data alone may be insufficient for early-stage detection. In addition, a substantial proportion of individuals classified as AI-positive but with negative serology presented ECG abnormalities, suggesting the presence of early or alternative cardiovascular conditions detectable through ECG screening. This finding warrants further investigation, particularly regarding its prognostic implications.

Notably, a subgroup of individuals in this study presented normal conventional ECG findings but were classified as AI-positive and had confirmed seropositivity. This observation suggests AI-ECG analysis may detect subtle electrical patterns beyond the limits of expert visual interpretation, potentially reflecting very early myocardial involvement. This concept is supported by previous studies using the Selvester QRS score, which have demonstrated that myocardial fibrosis, as identified by cardiac magnetic resonance imaging, may be present even in the absence of overt ECG abnormalities.17,18 These findings reinforce the potential role of advanced ECG analysis, including AI-enhanced approaches, in the detection of early heart involvement in Chagas disease.

The clinical variables incorporated into the algorithm (i.e., residence in endemic areas, housing conditions associated with triatomine infestation, and family history of Chagas disease) were selected based on national clinical guidelines.10 These factors likely improved diagnostic yield by capturing key sociodemographic determinants of the disease. The AI-ECG model was originally trained in a general population rather than exclusively in individuals with Chagas disease, highlighting the importance of contextual adaptation when applied to high-risk populations.6 The integration of environmental and epidemiological variables enhanced its performance in this setting. However, prospective multicenter validation and implementation studies are necessary before broader clinical adoption of this triage strategy.

Finally, the distribution of seropositive cases observed in this community-based sample is consistent with previously reported epidemiological patterns in high-risk populations in Latin America, particularly in endemic rural and semi-urban regions. For example, Cucunubá et al. reported higher seropositivity rates among older adults in rural endemic areas.4 Although the present study was not designed to estimate disease prevalence, the identification of confirmed cases reinforces the need for scalable and accessible screening strategies in underserved populations as well as for appropriate prioritization of diagnostic and therapeutic resources.

Limitations of study

This study has some limitations. First, the cross-sectional design and the use of an artificial intelligence model previously trained on general population datasets may limit generalizability to other endemic or clinical settings and to specific high-risk subpopulations.

Second, although the AI-ECG algorithm demonstrated excellent sensitivity, the observed value of 100% should be interpreted with caution given the limited number of individuals who underwent serological testing, particularly among those classified as AI-negative. In small samples, estimates of perfect sensitivity are prone to overestimation, especially when no seropositive cases are identified in the AI-negative group.

Additionally, the relatively small number of AI-negative individuals who underwent serological testing, selected through age- and sex-matched sampling, may have introduced selection bias and reduced statistical power to detect false-negative cases. This limitation also affects the precision of specificity and PPV estimates, increasing uncertainty around the observed diagnostic performance metrics.

Furthermore, using selective serological verification may have introduced partial verification bias. As a result, the reported diagnostic metrics may not fully reflect the performance of the screening strategy in the entire study population. Additional studies are warranted to validate the model in broader and more representative cohorts.

Moreover, although the inclusion of basic clinical variables likely contributed to improved model performance, unmeasured confounders may have influenced the results. Finally, the selected clinical variables reflect traditional risk factors associated with vector-borne transmission. In regions with different transmission dynamics, such as the Amazon basin, where oral transmission predominates, the model may not adequately capture infection risk and may require adaptation to local epidemiological contexts.

Future prospective studies involving larger, more diverse populations, as well as comprehensive follow-up including echocardiographic correlation, are needed to further validate and calibrate the algorithm.

 Conclusion

This study highlights the high sensitivity and operational feasibility of an AI-ECG approach for detecting T. cruzi seropositivity in underserved settings. By integrating clinical variables with a neural network trained on large-scale ECG data from one of the largest telemedicine networks in Latin America, this strategy represents a promising and scalable solution for early detection and triage in the context of neglected diseases. Further research should focus on improving specificity and evaluating the integration of this approach into broader health system strategies for the control of Chagas disease.

This study was partially funded by Edwards Lifesciences Foundation, Every HEartbeat Matters Program 2025, CNPq grants 465518/2014-1, 310790/2021-2, 409604/2022-4, 445011/2023-8 and 310749/2022-0, and FAPEMIG grants RED 00192-23 and APQ-03291-18.

This study is not associated with any thesis or dissertation work.

This study was approved by the Ethics Committee of the Universidade Federal de Minas Gerais under the protocol number CAAE 37228120.9.0000.5149. All the procedures in this study were in accordance with the 1975 Helsinki Declaration, updated in 2013. Informed consent was obtained from all participants included in the study.

During the preparation of this work, the author(s) used ChatGPT for improve grammar, language clarify and manuscript organization. After using this tool/service, the author(s) reviewed and edited the content as needed and take full responsibility for the content of the published article.

 Availability of Research Data

All datasets supporting the results of this study are available upon request from the corresponding author.