Um modelo explicável para classificação de arritmias cardíacas utilizando a rede LSTM

• Amanda Souza Zírpolo UFF
• Evandro Tinoco Mesquita UFF
• Taiane Coelho Ramos UFF

DOI: https://doi.org/10.5753/sbcas_estendido.2025.7232

Resumo

Arritmias cardíacas são anomalias nos impulsos elétricos do coração que resultam em um ritmo alterado, podendo indicar doenças cardíacas potencialmente fatais. No Brasil, essas doenças são a principal causa de morte e, globalmente, representam 16% dos óbitos. O diagnóstico precoce é essencial para aumentar as chances de tratamento e reduzir a mortalidade. O principal exame utilizado é o eletrocardiograma (ECG), um método de baixo custo e rápida obtenção de resultados. No entanto, a identificação de arritmias enfrenta desafios, como a necessidade de análise criteriosa por profissionais especializados, possíveis divergências nas interpretações, interferências nos sinais do ECG e a baixa sensibilidade na detecção de algumas doenças. Para superar essas limitações, sistemas automatizados baseados em aprendizado profundo demonstram um enorme potencial, proporcionando uma análise mais precisa dos sinais cardíacos e aumentando a assertividade do diagnóstico. Dentre as abordagens mais promissoras, redes neurais profundas recorrentes (RNNs) têm demonstrado um excelente desempenho na análise de séries temporais de ECG. Este trabalho obteve 92% de acurácia no conjunto teste classificando 5 classes. Aplicamos o framework SHAP para validar as respostas da rede, fazendo com que a explicabilidade aprimorasse a confiabilidade na identificação e na classificação de arritmias cardíacas. Os pontos destacados pelo modelo como importantes para o diagnóstico da rede foram coerentes com a análise feita pelo especialista da área.

Referências

Andalaft (2012). The use of non-invasive diagnostic methods for arrhythmias in childhood. Journal of Cardiac Arrythmias.

Ansari et. al (2023). Deep learning for ECG Arrhythmia detection and classification: an overview of progress for period 2017–2023. Frontiers in Physiology.

Cabanelas et. al (2012). Added value of cardiac magnetic resonance in etiological diagnosis of ventricular arrhythmias. Portuguese Journal of Cardiology.

Costa et. al (2024). Arritmias Cardíacas: Diagnóstico, Tratamento e Prevenção. Brazilian Journal of Implantology and Health Sciences.

Khan and Kim (2020). Cardiac Arrhythmia Disease Classification Using LSTM Deep Learning Approach. Tech Science Press.

Marinho et. al (2018). Burden of disease in Brazil, 1990–2016: a systematic subnational analysis for the Global Burden of Disease Study 2016. Elsevier.

Monard, Baranauskas (2003). Conceitos sobre Aprendizado de Máquina. Manole.

Scott Lundberg (2018). SHAP documentation.

Sraitih et. al (2021). An Automated System for ECG Arrhythmia Detection Using Machine Learning Techniques. Journal of Clinical Medicine.

World Health Organization (2019). Leading causes of death and disability: A visual summary of global and regional trends 2000-2019. Acesso em abril, 2024.

Zheng et. al (2020). A 12-lead electrocardiogram database for arrhythmia research covering more than 10,000 patients. Nature.