Rede neural analisa ECG comum e identifica grupo em que 7% morrem de parada súbita por ano, contra 4,6%
Nos EUA, mais de 300 mil pessoas morrem por ano de parada cardíaca súbita, e os médicos têm dificuldade para saber antecipadamente quem precisa de um desfibrilador. Uma rede neural de Berkeley, treinada com 440 mil ECGs suecos, isolou um grupo em que 7% dos pacientes morrem em um ano. O critério habitual — quanto sangue o coração ejeta a cada batimento — identifica um grupo com 4,6%. Para rodar o modelo bastam ECGs comuns do arquivo hospitalar, sem a necessidade de um novo exame.
Processado por IA de Science Daily AI; editado por Hamidun News
Imagine um sistema de alerta que deveria destacar os usuários prestes a sair, mas acaba pegando os errados e deixando passar os casos mais importantes. Mais ou menos assim funciona hoje a medicina diante da parada cardíaca súbita. O tratamento existe: o desfibrilador implantável interrompe a arritmia perigosa com uma descarga elétrica.
Mas é quase impossível saber antecipadamente quem precisa dele. Pesquisadores da Universidade da Califórnia em Berkeley treinaram uma rede neural para buscar pistas em um ECG comum e publicaram o resultado na revista Nature. O grupo de pacientes selecionado pela IA se revelou mais perigoso: nele, 7% das pessoas morrem de parada cardíaca súbita por ano.
No grupo montado pelo critério padrão dos médicos (quão bem o coração ejeta sangue a cada contração), essa taxa é de 4,6%. Em outras palavras, a IA apontou com mais precisão quem de fato corre risco.
Por que a triagem atual falha
Nos EUA, mais de 300 mil pessoas morrem por ano de parada cardíaca súbita. Não se trata de infarto: no infarto, um vaso é obstruído, enquanto aqui falha o sistema elétrico que define o ritmo do coração. Cerca de 90% das pessoas que sofrem essa parada fora do hospital morrem em poucos minutos.
Hoje, a decisão sobre o desfibrilador se baseia sobretudo no volume de sangue que o coração ejeta a cada batimento. Se a bomba funciona abaixo do limite, o paciente é considerado candidato ao implante. O método tem duas fraquezas. Primeiro, essa medição exige um exame específico, e muitas das futuras vítimas não o fazem, porque não têm nenhum motivo aparente de alerta. Segundo, em cerca de dois terços dos pacientes de alto risco que receberam o implante, o dispositivo nunca chega a disparar. Algumas pessoas passam por uma cirurgia invasiva e cara sem benefício, enquanto outras morrem sem qualquer aviso.
Como a rede neural foi treinada
A equipe de Ziad Obermeyer começou com seis anos de ECGs do sistema de saúde unificado da Suécia: mais de 440 mil registros. Esses dados foram cruzados com atestados de óbito. Assim, o modelo passou a reconhecer três grupos: pessoas saudáveis, pessoas com riscos cardíacos conhecidos e pessoas que depois morreram de causa cardíaca súbita. Ele aprendeu sozinho a identificar combinações de picos, ondas e outras características do sinal associadas a maior risco.
Em seguida, o algoritmo foi testado em dois conjuntos independentes: dois anos de ECGs anonimizados do sistema hospitalar de San Diego e dados de Taipei. Isso é importante, porque um modelo treinado com dados suecos poderia simplesmente ter memorizado particularidades de uma única população. O teste nos EUA e em Taiwan mostrou que o sinal encontrado também funciona em outros países.
O algoritmo também identificou um grupo de risco mais amplo: milhares de pessoas que, pelas recomendações atuais, seriam consideradas de baixo risco. Além disso, ele precisa apenas dos ECGs comuns que os hospitais já coletam, o que significa que não é necessário um novo tipo de exame.
Próximos passos e limitações
A aplicação rotineira ainda está distante. Os autores trabalham com sistemas de saúde da Suécia, de Taiwan e dos EUA para rodar o algoritmo nas bases de ECG dos hospitais. O plano prevê que médicos entrem em contato com os pacientes de pontuação alta e proponham o uso de um adesivo com registro contínuo da atividade cardíaca. Esses dados ajudarão a entender quais processos no coração geram o sinal e, em alguns pacientes, poderão embasar a indicação de um desfibrilador implantável.
Há também uma ressalva honesta: os cientistas ainda não sabem o que, no coração, altera o padrão elétrico que o modelo aprendeu a reconhecer. É uma ferramenta prática poderosa, mas ainda não tem explicação. Para a adoção clínica, serão necessários estudos prospectivos e a aprovação dos órgãos reguladores.
Para a indústria de IA médica, há duas lições. A primeira é que o valor muitas vezes não vem da arquitetura do modelo, e sim do acesso aos dados. Obermeyer afirma que esses dados são "incrivelmente difíceis de obter". Ele levou cerca de dez anos para reunir os três conjuntos, junto com projetos como o Dandelion Health e o Nightingale Open Science, que ajudou a criar. A segunda lição é que os sinais médicos mais baratos e familiares, como o ECG, podem guardar mais informação do que o médico consegue enxergar. Equipes que desenvolvem IA clínica devem buscar aplicações nos arquivos que já existem e testar o modelo com dados de outros países e hospitais.
- 2 de fev. de 2026Gemini 3 e o blefe: por que as redes neurais agora jogam pôquer
- 2 de mai. de 2026PhenMap e NHS: IA indica a quem o bevacizumabe não ajudará no câncer de intestino
- 16 de jun. de 2026Rede neural local para monitorar logs de servidores
- 27 de out. de 2026OpenAI e Anthropic afirmam que sua IA refutou a ETH, hipótese sobre a dificuldade de certos problemas
Perguntas frequentes sobre a notícia
Por que a triagem atual falha?
Nos EUA, mais de 300 mil pessoas morrem por ano de parada cardíaca súbita. Não se trata de infarto: no infarto, um vaso é obstruído, enquanto aqui falha o sistema elétrico que define o ritmo do coração. Cerca de 90% das pessoas que sofrem essa parada fora do hospital morrem em poucos minutos. Hoje, a decisão sobre o desfibrilador se baseia sobretudo no volume de sangue que o coração ejeta a cada batimento. Se a bomba funciona abaixo do limite, o paciente é considerado candidato ao implante.
Como a rede neural foi treinada?
A equipe de Ziad Obermeyer começou com seis anos de ECGs do sistema de saúde unificado da Suécia: mais de 440 mil registros. Esses dados foram cruzados com atestados de óbito. Assim, o modelo passou a reconhecer três grupos: pessoas saudáveis, pessoas com riscos cardíacos conhecidos e pessoas que depois morreram de causa cardíaca súbita. Ele aprendeu sozinho a identificar combinações de picos, ondas e outras características do sinal associadas a maior risco.
O que se sabe sobre Próximos passos e limitações?
A aplicação rotineira ainda está distante. Os autores trabalham com sistemas de saúde da Suécia, de Taiwan e dos EUA para rodar o algoritmo nas bases de ECG dos hospitais. O plano prevê que médicos entrem em contato com os pacientes de pontuação alta e proponham o uso de um adesivo com registro contínuo da atividade cardíaca. Esses dados ajudarão a entender quais processos no coração geram o sinal e, em alguns pacientes, poderão embasar a indicação de um desfibrilador implantável.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.