Validação de algoritmo para análise e classificação de anomalias em sons cardíacos utilizando processamento digital e redes neurais artificiais

Resumo

INTRODUÇÃO: A ausculta de sons cardíacos é uma ferramenta diagnóstica valiosa na medicina, embora sua interpretação frequentemente depende das habilidades e percepção auditiva do clínico. OBJETIVOS: Este estudo apresenta o desenvolvimento e a validação de um algoritmo projetado para classificar anomalias cardíacas utilizando processamento digital de sinais e redes neurais artificiais, com o objetivo de auxiliar em diagnósticos precisos. MÉTODO: Foi realizada uma revisão de literatura, seguida de uma análise dos bancos de dados de ausculta de acesso público. Foi selecionados um conjunto de dados de 1.103 arquivos que foram pré-processados e segmentados em trechos de 3 segundos, visando a análise detalhada através de características como Coeficientes Cepstrais de Frequência Mel (MFCC), Transformada Wavelet Discreta (DWT), entropia espectral e entre outros. Para decodificação, foi elaborado modelo de machine learning com objetivo de classificar as condições cardíacas com base nas características extraídas. Depois foi desenvolvido um algoritmo de processamento de áudio com machine learning, com a finalidade de classificar os áudios. O algoritmo foi treinado com 75% dos dados, e os 25% restantes foram reservados para teste e validação. A partir disso, foi calculado os coeficientes de sensibilidade, especificidade e acurácia para validar a capacidade dos algoritmos na prática clínica. RESULTADOS: O protótipo foi capaz de classificar os áudios alcançando uma acurácia de 96% quando analisado a presença de anomalias no geral, tendo especificidade de 90% e de 98%. Ao especificar o tipo de achado a ser categorizado encontrou-se uma sensibilidade de 84% e de 98% para sopros diastólicos e sistólicos, respectivamente. O código de teste diagnóstico forneceu especificidades de 97%, para ruídos diastólicos, e 92% para sopros sistólicos. Por fim, acerca da acurácia provida pelo algoritmo, apurou-se que a proporção de previsões corretas foi de 92%. DISCUSSÃO E CONCLUSÕES: O algoritmo apresentou boa acurácia geral na identificação de alterações semiológicas, mas a precisão caiu em análises específicas. Isso ocorreu devido a erros na diferenciação entre sopros sistólicos. A especificidade foi maior para diastólicos (97%) que para sistólicos (92%), influenciada pela baixa quantidade de áudios normais (n = 67). Limitações como falta de padronização (dados ausentes como foco de ausculta e posição do paciente) e escassez de dados epidemiológicos restringiram a validação, mas o modelo ainda se mostrou útil para auxiliar a prática clínica.