As doenças cardiovasculares (DCVs) são a principal causa de mortalidade no mundo, englobando tanto condições transmissíveis quanto não transmissíveis.¹ Portanto, a estratificação do risco cardiovascular e a detecção precoce dessas doenças são essenciais. Nesse contexto, o eletrocardiograma (ECG) destaca-se como uma ferramenta bem estabelecida, devido à sua ampla disponibilidade, baixo custo e simplicidade operacional. No entanto, a interpretação do ECG apresenta uma limitação importante: sua subjetividade, uma vez que depende de critérios visuais que variam conforme o examinador.

Nos últimos anos, a inteligência artificial (IA) ganhou destaque significativo, especialmente na área da medicina, abrindo novas fronteiras na análise de dados. Abordagens baseadas em machine learning (ML) e deep learning (DL) demonstraram capacidade de reconhecer padrões complexos e sutis que podem passar despercebidos por observadores humanos. Isso levou à hipótese de que integrar IA à análise de ECG (IA-ECG) pode permitir a extração de informações prognósticas e de estratificação de risco cardiovascular anteriormente não identificadas.^2,3

Os modelos atuais de estimativa de risco cardiovascular apresentam limitações importantes, pois nem sempre refletem com precisão a realidade individual do paciente e, muitas vezes, não incorporam dados do ECG. O uso de métodos adicionais, como o escore de cálcio coronariano, apresenta bom desempenho na reestratificação do risco cardiovascular; entretanto, o custo permanece uma barreira significativa, especialmente em países de baixa e média renda.⁴ Como resultado, um número considerável de pacientes permanece desassistido, sobretudo aqueles de populações diversas cujas características sociais e raciais não são adequadamente consideradas. Isso reforça a necessidade de validação em populações heterogêneas – uma prática ainda ausente em alguns dos estratificadores de risco existentes.⁴

Embora a maioria dos eventos ateroscleróticos possa ser prevenida por meio de estratégias de promoção da saúde e do controle de fatores de risco conhecidos, variáveis individuais persistem, incluindo baixa adesão ao tratamento e desigualdade social.² Nesse contexto, a aplicação de IA à análise de ECG pode oferecer uma alternativa para apoiar o desenvolvimento de modelos de predição mais sensíveis, personalizados e integrados.³

O objetivo deste artigo é fornecer uma revisão sistemática atualizada e crítica das principais aplicações de IA na interpretação de ECG, com foco na predição de eventos cardiovasculares adversos maiores (MACE). O artigo examina os avanços recentes, os desafios associados à implementação em larga escala e as perspectivas para sua adoção na prática clínica. Os principais achados desta revisão sistemática estão resumidos na Ilustração Central.

Esta revisão sistemática foi conduzida de acordo com as diretrizes do Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA).⁵ O protocolo foi registrado no PROSPERO (1039916).

A metodologia desta revisão sistemática seguiu o modelo “PICOTS” (Population, Intervention, Comparator, Outcome, Timing, e Study design). Foram incluídos estudos envolvendo populações adultas que aplicaram modelos de IA utilizando exclusivamente sinais de ECG como entrada, sem a necessidade de um grupo comparador explícito. Os desfechos primários foram mortalidade por todas as causas, morte cardiovascular, insuficiência cardíaca (IC), infarto do miocárdio (IAM), acidente vascular cerebral (AVC) e doença cardiovascular aterosclerótica (DCVA). Os períodos de seguimento variaram entre os estudos, com predominância de delineamentos de coorte retrospectiva.

Um total de onze estudos originais foi incluído nesta revisão sistemática. Suas características estão resumidas na Tabela 1. Dez estudos eram coortes retrospectivas^6-15e um estudo tinha delineamento prospectivo.¹⁶ Os estudos analisaram uma ampla variedade de sinais de ECG, predominantemente ECGs de 12 derivações, com alguns também avaliando registros de derivação única (Derivação I).^6,7

Tabela 1

Autores	Ano de publicação	Título do artigo	Tipo do estudo	Técnicas de IA	Tipo de sinal de input	População	Número de ECGs	Idade média (anos)	Homens (%)	Seguimento (média de anos)	Validação externa	População de validação
Sau et al.6	2024	Artificial intelligence-enabled electrocardiogram for mortality and cardiovascular risk estimation: a model development and validation study	Retrospectivo	CNN	ECG de 12 derivações e de derivação única (DI)	BIDMC (EUA)	1 163 401	NR	NR	5.46	Sim	CODE (Brasil) SaMi-Trop (Brasil) ELSA-Brazil (Brasil) UK Biobank (Reino Unido)
Hughes et al.7	2023	A deep learning-based electrocardiogram risk score for long term cardiovascular death and disease	Retrospectivo	CNN	ECG de 12 derivações e de derivação única (DI)	Stanford Health Care (EUA)	500 000	59	54%	5	Sim	Cedars-Sinai Medical Center (EUA) Columbia University Irving Medical Center (EUA)
Al-Alusi et al.8	2025	A deep learning digital biomarker to detect hypertension and stratify cardiovascular risk from the electrocardiogram	Retrospectivo	CNN	ECG de 12 derivações	Massachusetts General Hospital (EUA)	752 415	57,3 ± 16,8	51,6%	5.6–7.8	Sim	Brigham and Women’s Hospital (EUA)
Sau et al.9	2025	Artificial intelligence-enhanced electrocardiography for the identification of a sex-related cardiovascular risk continuum: a retrospective cohort study	Retrospectivo	CNN	ECG de 12 derivações	BIDMC (EUA)	1 163 401	57,7 ± 18,69	47,9%	3.4–4.8	Sim	UK Biobank (Reino Unido)
Gao et al.16	2025	Electrocardiograph analysis for risk assessment of heart failure with preserved ejection fraction: A deep learning model	Retrospectivo	CNN	ECG de 12 derivações	First Hospital of Hebei Medical University (China)	238	NR	50,8%	2	Não	Validação interna prospectiva
Raghunath et al.10	2020	Prediction of mortality from 12-lead electrocardiogram voltage data using a deep neural network	Retrospectivo	CNN	ECG de 12 derivações	Geisinger (USA)	1 169 662	58 ± 18	47%	34	Não	Validação interna cruzada 5-Fold
Dhingra et al.11	2025	Heart failure risk stratification using artificial intelligence applied to electrocardiogram images: a multinational study	Retrospectivo	CNN	ECG de 12 derivações	YNHHS (USA)	286 880	57	43,4%	10	Sim	UK Biobank (Reino Unido) ELSA-Brazil (Brasil)
Lin et al.12	2025	A multitask deep learning model utilizing electrocardiograms for major cardiovascular adverse events prediction	Retrospectivo	CNN	ECG de 12 derivações	CGMH (Taiwan)	2 821 889	60 ± 14,5	50,2%	12	Sim	TSGH (Taiwan)
Butler et al.13	2023	A generalizable electrocardiogram-based artificial intelligence model for 10-year heart failure risk prediction	Retrospectivo	CNN	ECG de 12 derivações	ARIC (EUA)	14 613	54,2	44,7%	10	Sim	MESA (USA)
Sun et al.14	2023	Towards artificial intelligence-based learning health system for population-level mortality prediction using electrocardiograms	Retrospectivo	DL	ECG de 12 derivações	Alberta (Canadá)	1 605 268	65,80 ± 17,25	56,81%	13	Não	NR
Lin et al.15	2025	ECG-surv: A deep learning-based model to predict time to 1-year mortality from 12-lead electrocardiogram	Retrospectivo	CNN	ECG de 12 derivações	CGMH (Taiwan)	4 932 573	60,5 ± 16,8	52,5%	12	Sim	Tri-Service General Hospital (Taiwan)

IA: Inteligência Artificial; ARIC: Atherosclerosis Risk in Communities Study (Estudo de Risco de Aterosclerose em Comunidades); BIDMC: Beth Israel Deaconess Medical Center; BWH: Brigham and Women’s Hospital; CGMH: Chang Gung Memorial Hospital; CODE: Clinical Outcomes in Digital Electrocardiology; DL: Deep Learning (Aprendizado Profundo); DNN: Deep Neural Network (Rede Neural Profunda); ECG: Eletrocardiograma; ELSA-Brasil: Estudo Longitudinal de Saúde do Adulto; HECIUH: Health Examination Center at Inha University Hospital; HHMU: Hospital da Universidade Médica de Hebei; MESA: Multi-Ethnic Study of Atherosclerosis (Estudo Multiétnico de Aterosclerose); MGH: Massachusetts General Hospital; NR: Não reportado; SaMi-Trop: coorte brasileira de pacientes com doença de Chagas; TSGH: Tri-Service General Hospital; UK Biobank: Biobanco do Reino Unido; YNHHS: Yale New Haven Health System.

Entre os estudos incluídos, a maioria (90,9%) empregou CNNs como a principal arquitetura para análise dos sinais de ECG.^6-13,15,16 Especificamente, as CNNs foram utilizadas isoladamente ou em combinação com outros métodos, como camadas Long Short-Term Memory (LSTM), Residual Networks (ResNet) ou Variational Autoencoders (VAEs). Um estudo utilizou abordagens mais amplas de DL sem empregar explicitamente arquiteturas CNN, enquadrando-se na categoria de DNNs ou DL geral.¹⁴

Os tamanhos amostrais variaram substancialmente, de 238 pacientes a mais de 4 milhões de ECGs. As populações dos estudos consistiam principalmente de pacientes adultos provenientes de sistemas hospitalares associados a grandes biobancos, com idades médias geralmente variando entre 54 e 65 anos. No entanto, alguns estudos não forneceram informações demográficas detalhadas.⁶ Quanto ao período de seguimento, o mais longo relatado foi de 34 anos,¹⁰ enquanto o mais curto foi de dois anos.¹⁶

Como mostrado na Figura 2, a maioria das coortes utilizadas para treinar os modelos de IA era baseada nos Estados Unidos da América (EUA).^6-12 Dois estudos utilizaram populações de Taiwan,^13,17 enquanto um estudo incluiu populações da China¹⁰ e outro do Canadá.¹⁴

Figura 2

Os estudos que empregaram validação externa também incluíram participantes de países de alta renda, como o Reino Unido^6,9,11 e os EUA.^7,8,13 Apenas dois estudos utilizaram uma coorte do Brasil para validação externa,^6,12 e dois estudos incluíram populações de Taiwan.^12,15

Todos os desfechos relevantes para esta revisão estão apresentados na Tabela 2. Além disso, as Figuras 3 e 4 exibem forest plots que resumem o desempenho preditivo dos modelos de IA aplicados ao ECG nos estudos incluídos. A Figura 3 apresenta métricas de discriminação, incluindo o índice de concordância (índice-C) e a área sob a curva ROC (AUC/AUROC), enquanto a Figura 4 mostra medidas de efeito expressas como hazard ratios (HR) para diversos desfechos cardiovasculares, incluindo intervalos de confiança de 95% quando disponíveis.

Tabela 2

Autores	Mortalidade por todas as causas	Morte cardiovascular	DCVA	Insuficiência cardíaca	ICFEp	IAM	AVC	MACE
Sau et al.6	Índice-C 0,775 (0,773–0,776) Taxa de evento: NR	Índice-C 0,832 (0,831–0,834) Taxa de evento: NR	Índice-C 0,696 (0,694–0,698) Modelo SEER índice-C 0,547 (0,527–0,567) Taxa de evento: NR	Índice-C 0,787 (0,785–0,789) Taxa de evento: NR	-	-	-	-
Hughes et al.7	-	Stanford (12-derivações) AUC 0,832 (0,810–0,854), índice-C 0,815 (0,798–0,826); Cedars-Sinai (12-derivações) AUC 0,781 (0,767–0,795), índice-C 0,777 (0,768–0,783); Columbia (12-derivaçõesd) AUC 0,825 (0,821–0,829), índice-C 0,808 (0,806–0,810) Stanford (DI) AUC 0,797 (0,773–0,824), índice-C 0,781 (0,760–0,793); Cedars-Sinai (DI) AUC 0,778 (0,765–0,792), índice-C 0,771 (0,764–0,778); Columbia (DI) AUC 0,761 (0,757–0,765), índice-C 0,755 (0,753–0,757) Taxa de evento: NR	Stanford (12-derivações) AUC 0,668 (0,647–0,687), índice-C 0,661 (0,652–0,669); Cedars-Sinai (12-derivações) AUC 0,632 (0,591–0,674), índice-C 0,635 (0,619–0,652)Taxa de evento: NR	Stanford HR 3,2 (2,9–3,5) Taxa de evento: NR	-	Stanford HR 2.0 (1.7–2.5) Taxa de evento: NR	Stanford HR 1.6 (1.4–1.9) Taxa de evento: NR	-
Al-Alusi et al.8	HR 1,47 (1,36–1,60), Índice-C 0,804 (0,796–0,813) Taxa de evento: 32,7% mortes no grupo de alto risco 13% no grupo de baixo risco	-	-	HR 2,26 (1,90–2,69), Índice-C 0,804 (0,796–0,813) Taxa de evento: 5,9%	-	HR 1,87 (1,69–2,07), Índice-C 0,733 (0,725–0,742) Taxa de evento: 14,1%	HR 1,30 (1,18–1,44) Taxa de evento: 6,5%	-
Sau et al.9	Homens HR 1,22 (1,19–1,25), mulheres HR 1,17 (1,19–1,31) Taxa de evento: 18,4%	Homens HR 1,00 (0,63–1,58), mulheres HR 1,78 (1,18–2,70) Taxa de evento: 3,7%	-	-	-	-	-	-
Gao et al.16	-	-	-	-	ACC: 75% (Coorte A), 71,8% (Coorte B) Taxa de evento: NR	-	-	-
Raghunath et al.10	ECG AUC 0,855 Eventos: 14207	-	-	-	-	-	-	-
Dhingra et al.11	YNHHS HR 1,19 (1,15–1,24) UKB HR 2.13 (1,41–3,24) ELSA HR 3,64 (2,27–5,83) Taxa de evento: YNHHS 7,5%, UKB 0,8%, ELSA 1,7%	-	-	YNHHS HR 6,51 (6,11–6,93), índice-C 0,718 (0,697–0,738); UKB HR 18,33 (9,90–33,97), índice-C 0,769 (0,670–0,867); ELSA HR 32,06 (15,36–66,92), índice-C 0,810 (0,714–0,907) Taxa de evento: YNHHS 4,2%	-	YNHHS HR 1,44 (1,04–2,00) UKB HR 3,16 (1,98–5,02) ELSA HR 3,53 (1,4–8,85) Taxa de evento: YNHHS 0,1%, UKB 0,5%, ELSA 0,4%	UKB HR 2,30 (1,36–3,9) ELSA HR 5,74 (2,59–12,72) Taxa de evento: YNHHS 1,6%, UKB 0,5%, ELSA 0,4%	YNHHS HR 2,10 (2,04–2,17) UKB HR 2,79 (2,17–3,6) ELSA HR 4,04 (2,77–5,89) Taxa de evento: YNHHS 10,4%, UKB 1,8%, ELSA 2,5%
Lin et al.12	AUROC 0,89, Sensibilidade 0,81, Especificidade 0,83, AUROC (Externa) 0,83 Taxa de evento: 6,3% (3 meses), 8,5% (6 meses), 10,0% (9 meses), 11,4% (1 ano)	-	-	AUROC 0,90 Sensibilidade 0,83 Especificidade 0,81 Taxa de evento: 0,6% (3 meses), 0,8% (6 meses), 1,1% (9 meses), 1,2% (1 ano)	-	AUROC 0,85 Sensibilidade 0,76 Especificidade 0,79 Taxa de evento: 0,3% (3 meses), 0,4% (6 meses), 0,5% (9 meses), 0,5% (1 ano)	AUROC 0,76 Sensibilidade 0,75 Especificidade 0,63 Taxa de evento: 0,3% (3 meses), 0,4% (6 meses), 0,6% (9 meses), 0,7% (1 ano)	-
Butler et al.13	-	-	-	ARIC AUC 0,76 (0,72–0,83) MESA AUC 0,77 (0,74–0,79) Taxa de evento: 3,6% (MESA), 5,5% (ARIC)	-	-	-	-
Sun et al.14	30 dias: AUROC 0,843 (0,832–0,858), Brier Score 5,97 (5,83–6,12); 1 ano: AUROC 0,812 (0,807–0,81,6), Brier Score 11,44 (11,3-11,6); 5 anos: AUROC 0,798 (0,791–0,802), Brier Score 17,52 (17,29–17,83) Taxa de evento: 7,6% (30 dias) 17,3%, (1 ano) 32,9%, (5 anos)	-	-	-	-	-	-	-
Lin et al.15	CGMH: Índice C 0,860 (0,859–0,861) TSGH: Índice C 0,813 (0,807–0,814) Taxa de evento: CGMH 5,9% (3 meses), 7,8% (6 meses), 9,3% (9 meses), 10,5% (1 ano); TSGH 6,8% (3 meses), 8,5% (6 meses), 9,5% (9 meses), 10,5% (1 ano)	CGMH: índice-C 0,891 (0,890–0,893) Taxa de evento: NR	-	-	-	-	-	-

Os valores são apresentados como estimativas pontuais com intervalos de confiança de 95% entre parênteses, salvo indicação em contrário. ACC: acurácia; ARIC: Atherosclerosis Risk in Communities Study (Estudo de Risco de Aterosclerose em Comunidades); DCVA: doença cardiovascular aterosclerótica; AUC/AUROC: área sob a curva ROC; CGMH: Chang Gung Memorial Hospital; ECG: eletrocardiograma; ELSA-Brasil: Estudo Longitudinal de Saúde do Adulto; ICFEp: insuficiência cardíaca com fração de ejeção preservada; HR: hazard ratio (razão de risco); IAM: infarto agudo do miocárdio; MACE: eventos cardiovasculares adversos maiores; MESA: Multi-Ethnic Study of Atherosclerosis (Estudo Multiétnico de Aterosclerose); NR: não reportado; SEER: Surveillance, Epidemiology, and End Results (base de dados dos EUA); TSGH: Tri-Service General Hospital; UKB: UK Biobank (Biobanco do Reino Unido); YNHHS: Yale New Haven Health System

Figura 3

Figura 4

Os estudos revisados demonstram avanços substanciais na aplicação de IA à análise de ECG para estratificação de risco cardiovascular. Técnicas de DL, particularmente CNNs, mostraram capacidade de detectar alterações sutis no ECG associadas à hipertensão, disfunção ventricular e fibrilação atrial — mesmo em traçados considerados normais por especialistas. Esses achados reforçam o potencial clínico da IA-ECG para a detecção precoce de condições assintomáticas ou subclínicas, com a possibilidade de transformar a prática clínica ao permitir, a partir de um único exame, a identificação de indivíduos de alto risco e a implementação de intervenções precoces.

Paralelamente, outras linhas importantes de investigação têm explorado biomarcadores derivados de ECG por IA, como a idade eletrocardiográfica, que demonstraram fortes associações com mortalidade e desfechos cardiovasculares em grandes coortes populacionais. Por exemplo, estudos anteriores mostraram que discrepâncias entre a idade estimada pelo ECG por IA e a idade cronológica estão associadas a maior risco de mortalidade e eventos cardiovasculares incidentes, incluindo achados provenientes de coortes comunitárias.^18-20 Essas abordagens destacam o potencial mais amplo da IA-ECG para capturar sinais latentes de envelhecimento fisiológico e biológico. Embora tais estudos não tenham sido incluídos na presente revisão devido ao nosso foco pré-definido em modelos que predizem diretamente desfechos clínicos a partir exclusivamente dos sinais de ECG, eles fornecem evidências complementares importantes que sustentam o valor prognóstico da IA-ECG.

Apesar desses avanços, importantes limitações metodológicas comprometem comparações diretas entre os estudos. A heterogeneidade dos modelos de IA utilizados, a diversidade de métricas de desempenho empregadas e a variação nos desfechos clínicos analisados dificultam a consolidação dos resultados. Uma consideração crucial diz respeito à distinção entre validade estatística e validade clínica: embora métricas como AUROC e HR indiquem alto desempenho, permanece essencial determinar se as anormalidades identificadas pelos modelos correspondem a fenótipos fisiologicamente significativos, com implicações práticas para o manejo clínico. Caso contrário, existe o risco de que os algoritmos detectem apenas assinaturas estatísticas sem relevância clínica real.

A análise dos resultados mostra que, para mortalidade por todas as causas, os estudos utilizaram diferentes métricas – como AUROC e HR – além de períodos de seguimento variados (por exemplo, mortalidade em 1 ano versus 5 anos), o que dificulta comparações diretas. Ainda assim, nos estudos que utilizaram as mesmas métricas, os modelos demonstraram desempenho consistente em todos os horizontes temporais. Limitação semelhante foi observada para mortalidade cardiovascular, embora todos os modelos tenham apresentado alta acurácia preditiva. Apenas dois estudos avaliaram DCVA, cada um empregando métricas distintas, o que limitou comparações diretas; apesar de discriminação ligeiramente menor em comparação com mortalidade por todas as causas, os resultados permaneceram satisfatórios. Para infarto agudo do miocárdio, quatro estudos relataram desfechos: três utilizando valores de HR variando de 1,44 a 3,53 em diferentes coortes, e dois relatando AUROC em torno de 0,85, indicando desempenho preditivo consistente. Insuficiência cardíaca esteve entre os desfechos com maior desempenho relatado, alcançando AUROC de 0,90 e HR de 32,06. Por fim, alguns estudos também avaliaram acidente vascular cerebral, relatando HR entre 1,6 e 2,3, reforçando a capacidade dos modelos de IA-ECG de capturar risco em múltiplos desfechos cardiovasculares.

Modelos de IA-ECG tendem a apresentar desempenho mais robusto para mortalidade por todas as causas em comparação com desfechos cardiovasculares mais específicos, como DCVA. Essa diferença provavelmente reflete o fato de que a mortalidade por todas as causas abrange um espectro mais amplo de anormalidades sistêmicas e cardíacas que podem ser detectáveis nos sinais de ECG, enquanto a doença aterosclerótica nem sempre produz alterações elétricas ou estruturais mensuráveis antes da ocorrência de eventos clínicos. Como resultado, a aterosclerose subclínica pode permanecer indetectável por modelos baseados em ECG, limitando seu desempenho preditivo para DCVA. Além disso, a predição de DCVA apresentou heterogeneidade substancial entre os estudos, incluindo diferenças no tamanho das amostras e nas definições de desfecho, o que restringe ainda mais a comparabilidade direta e pode contribuir para a variabilidade dos resultados relatados.

Comparações entre modelos de IA-ECG e escores tradicionais de risco devem ser interpretadas com cautela, pois muitas ferramentas convencionais não foram originalmente desenvolvidas para prever desfechos como mortalidade por todas as causas. Diferenças nos alvos de predição podem explicar parcialmente as variações nas métricas de desempenho relatadas e limitar comparações diretas. Do ponto de vista clínico, esses achados sugerem que modelos de IA-ECG e escores tradicionais de risco podem desempenhar papéis complementares: enquanto ferramentas convencionais permanecem mais adequadas para estimar risco específico de doença (por exemplo, DCVA), a IA-ECG pode oferecer uma estratificação de risco mais ampla ao capturar sinais fisiológicos globais, apoiando uma avaliação mais integrada do risco do paciente.

Apesar disso, persistem lacunas metodológicas. Nem todos os estudos relataram o número de eventos clínicos, alguns omitiram métricas de calibração e muitos concentraram-se em desfechos de curto prazo, o que limita a extrapolação para risco de longo prazo. Outro aspecto pouco explorado é a generalização temporal: a maioria dos modelos foi desenvolvida em coortes estáticas, sem avaliar se o desempenho permanece estável ao longo do tempo em populações sujeitas a mudanças epidemiológicas, terapêuticas ou de estilo de vida. A atualização contínua dos modelos e o monitoramento prospectivo serão necessários para garantir utilidade clínica duradoura da IA-ECG.

Além disso, nossa seleção de estudos foi restrita a modelos que utilizam sinais de ECG como única variável de entrada, o que aumenta a consistência, mas não reflete completamente a prática clínica real, na qual múltiplos fatores do paciente são considerados. Portanto, quando combinada com variáveis clínicas tradicionais, a IA-ECG tem potencial para funcionar como um biomarcador digital, aprimorando a identificação de indivíduos de alto risco e reduzindo o subdiagnóstico. Pesquisas futuras devem avançar integrando IA-ECG com dados laboratoriais, exames de imagem e até informações provenientes de dispositivos vestíveis, caminhando em direção a uma abordagem multimodal capaz de personalizar a estratificação de risco cardiovascular.

A escalabilidade da IA-ECG representa uma grande vantagem, especialmente em contextos com recursos limitados, dada a acessibilidade e a simplicidade da aquisição do ECG. No entanto, a maioria dos modelos foi desenvolvida e validada utilizando dados de países de alta renda, predominantemente dos Estados Unidos, o que limita sua generalização. Em muitos casos, as validações consistiram em replicações dentro de sistemas de saúde relacionados, biobancos ou populações com perfis demográficos e clínicos semelhantes, em vez de avaliações em coortes distintas e heterogêneas. Distinguir entre replicação interna e validação externa genuína é essencial, pois esta última fornece o teste mais rigoroso da robustez e da transportabilidade dos modelos de IA-ECG.

O estudo de Sau et al.⁶ foi um dos poucos a realizar validação externa em uma população geográfica ou demograficamente distinta – especificamente no Brasil – fornecendo evidências mais fortes de generalização. Um segundo estudo, de Dhingra et al.,¹¹ também incluiu uma coorte brasileira, confirmando que, mesmo em populações com características sociodemográficas e clínicas diferentes, os modelos mantiveram bom desempenho. Al-Alusi et al.⁸ conduziram validações interna e externa em populações semelhantes, com pequenas diferenças, como maior proporção de mulheres e indivíduos negros na coorte externa. Ainda assim, os perfis de comorbidades eram amplamente comparáveis entre os grupos. Por outro lado, Gao et al.¹⁶ não relataram características detalhadas da população, limitando as comparações entre coortes. Da mesma forma, nos estudos de Lin et al.¹² e Lin et al.,¹⁵ a validação externa foi limitada devido à ausência de informações clínicas, permitindo apenas a avaliação da mortalidade em um ano como desfecho.

O número reduzido de validações verdadeiramente independentes, combinado com dados demográficos incompletos, permanece uma barreira importante para a ampla adoção clínica dessas ferramentas, pois dificulta a avaliação da diversidade populacional e reduz tanto a comparabilidade quanto a interpretabilidade dos resultados.

Entre os pontos fortes dos estudos incluídos estão o uso de grandes bases de dados, metodologias avançadas de IA – especialmente CNNs – e períodos de seguimento prolongados. As CNNs demonstraram notável eficácia na análise de sinais brutos de ECG, capturando características temporais e espaciais com mínima necessidade de pré-processamento. Em contraste, estudos classificados como DNNs ou DL geral frequentemente careciam de especificidade arquitetural e ofereciam interpretabilidade limitada.

Nesse contexto, a maioria dos estudos analisados empregou técnicas de interpretabilidade para aumentar a transparência dos modelos de IA aplicados ao ECG, refletindo a crescente demanda por sistemas explicáveis. O método mais utilizado foi o de saliency maps, que gera heatmaps sobre o traçado do ECG para destacar regiões presumivelmente relevantes para as predições, como a onda P, o complexo QRS ou o intervalo PR. Apesar de sua popularidade, evidências da literatura em imagem médica indicam que esses mapas podem ser instáveis, pouco reprodutíveis e, em alguns casos, fornecer explicações enganosas que parecem plausíveis, mas não refletem o verdadeiro raciocínio do modelo.^21,22

O SHAP também foi utilizado em vários estudos. Esse método, fundamentado na teoria dos jogos, atribui valores quantitativos à contribuição de cada variável para a saída do modelo, permitindo quantificar a influência de cada característica. Diferentemente dos métodos puramente baseados em gradiente, o SHAP fornece uma estrutura de atribuição aditiva que integra interpretações locais e globais, oferecendo maior consistência entre ambas. Sua capacidade de gerar visualizações intuitivas — como gráficos coloridos que destacam pixels importantes em imagens ou segmentos temporais relevantes em sinais de ECG — tornou-o particularmente valioso em aplicações biomédicas. Entre suas limitações estão o alto custo computacional, desafios relacionados a variáveis temporais altamente correlacionadas e possíveis inconsistências na captura de dependências entre características.^23,24

Outras abordagens de interpretabilidade, incluindo ablação de neurônios combinada com heatmaps de pesos de CNN, VAEs e análises de associação biológica (por exemplo, GWAS, PheWAS), também foram exploradas para fornecer insights adicionais sobre o comportamento dos modelos. Essas técnicas podem esclarecer representações latentes ou a plausibilidade biológica das predições, mas muitas vezes são limitadas por complexidade técnica, restrições de acesso ao modelo e vieses presentes nos dados.^22-24

De modo geral, o cenário atual indica que, embora múltiplas técnicas de interpretabilidade estejam disponíveis, sua integração na prática clínica ainda é limitada. Como observado por Yanagawa e Sato,²² esforços futuros devem priorizar métodos que não apenas esclareçam as predições dos modelos, mas também aproximem a compreensão clínica dos padrões do ECG, potencialmente revelando marcadores fisiológicos sutis ou subtipos de doença que não são facilmente identificáveis por meio da análise convencional. A combinação de interpretabilidade com validação sistemática e avaliação clínica prospectiva pode transformar os modelos de IA de ferramentas puramente preditivas em instrumentos que apoiam ativamente o raciocínio clínico e a geração de hipóteses.

Notavelmente, apenas Gao et al.¹⁶ testaram prospectivamente a IA-ECG em um cenário do mundo real, aplicando o modelo no momento da admissão para estimar o risco de ICFEp em comparação com medições invasivas. Embora modelos como o AIRE⁶ e o ECG-surv15¹⁵ tenham demonstrado fortes associações com características fisiológicas e sobrevida, a implementação clínica em larga escala ainda é incipiente.

Para que a IA-ECG faça a transição do uso experimental para a prática clínica, é essencial sua integração com os sistemas de saúde e os prontuários eletrônicos. Os marcos regulatórios precisam evoluir para avaliar os modelos não apenas quanto à acurácia, mas também quanto à equidade, transparência e utilidade clínica. Investimentos em infraestrutura, interoperabilidade e capacitação de profissionais de saúde são necessários para garantir o uso seguro e eficaz dessas tecnologias. Ensaios clínicos prospectivos também são fundamentais, especialmente em contextos de prevenção primária.

Por fim, estratégias de saúde pública podem se beneficiar da IA-ECG ao possibilitar a detecção precoce de indivíduos de alto risco, potencialmente reduzindo custos de longo prazo e melhorando desfechos. No entanto, considerações éticas – como transparência algorítmica, privacidade de dados, responsabilidade e acesso equitativo – precisam ser abordadas. Modelos treinados em populações homogêneas e privilegiadas correm o risco de perpetuar disparidades em saúde, a menos que sejam adaptados a contextos clínicos e demográficos diversos.

Em resumo, o uso efetivo da IA-ECG exige uma abordagem transdisciplinar que conecte inovação tecnológica, prática clínica, saúde pública e ética. Somente sob essa perspectiva a IA-ECG pode evoluir de uma ferramenta promissora para um instrumento transformador na redução de iniquidades em saúde, na otimização do cuidado e no avanço da saúde populacional.

A aplicação de IA à análise de ECG representa um avanço promissor na avaliação personalizada do risco cardiovascular. No entanto, mais pesquisas são necessárias para garantir a segurança, a eficácia e a integração clínica equitativa dessas tecnologias. As evidências atuais, embora convincentes, destacam a necessidade de populações mais diversas nos conjuntos de treinamento e validação, maior interpretabilidade dos modelos e ensaios clínicos prospectivos para avaliar plenamente o impacto no mundo real e a generalização dos modelos de IA-ECG. Somente por meio de validação rigorosa e integração cuidadosa a IA-ECG poderá fazer a transição de uma fronteira de pesquisa para uma ferramenta transformadora na medicina cardiovascular.