Introdução: O avanço da inteligência artificial (IA) pode aprimorar a análise automática de eletrocardiogramas (ECGs). Modelos baseados em redes neurais profundas oferecem alto grau de precisão, permitindo análise refinada e personalizada. A eficácia desses modelos depende da capacidade de adaptação às variações individuais, gerando a necessidade de métodos que conciliem generalização e personalização. O estudo propõe a implementação dessas redes para segmentação automática do ECG, utilizando um modelo baseado em redes convolucionais combinadas com redes Bidirectional Long Short-Term Memory. O objetivo é desenvolver um modelo capaz de ajustar-se a cada paciente por meio de fine-tuning, mantendo um desempenho robusto.
Métodos: Os dados utilizados neste estudo foram extraídos do banco QT Database (QTDB), que contém 105 registros. O pré-processamento envolveu a aplicação de um filtro Butterworth de três polos para atenuação de ruídos, seguido de filtro de média móvel para correção do desvio na linha de base. O treinamento da rede utilizou dois canais.
Resultados: A aplicação de fine-tuning resultou em segmentação mais precisa das ondas P e T, reduzindo os desvios temporais e melhorando a detecção dos eventos cardíacos. Foi feita análise estatística para cálculo da sensibilidade e especificidade. Essa abordagem obteve uma taxa de detecção de 99,49% para a onda P, 99,84% para o complexo QRS e 100% para a onda T, enquanto a rede genérica alcançou 97,54%, 99,92% e 99,84%, respectivamente. Comparado a abordagens generalistas, o modelo adaptativo demonstrou uma previsibilidade superior em cenários individuais, onde a personalização se mostrou essencial para reduzir erros. Um dos diferenciais deste estudo foi a adaptação específica do modelo para cada paciente.Registros auditados do QTDB foram empregados para assegurar a confiabilidade dos resultados. Para isso, foram utilizados 20% dos dados individuais do ECG demarcado por especialistas, aplicando uma janela deslizante para aumentar os segmentos de treinamento.
Conclusão: A utilização de redes neurais adaptativas para segmentação do ECG permitiu a personalização da análise de sinais cardíacos, gerando segmentações com maior confiabilidade. A técnica de fine-tuning mostrou-se eficiente na melhoria da segmentação, reduzindo os desvios médios e aumentando a precisão. Os resultados reforçam o uso da IA para otimizar a interpretação automatizada de ECGs, sugerindo a necessidade entre equilíbrio entre especialização e robustez do modelo.
