Introdução: A identificação precoce das arritmias é fundamental para eliminar sintomas e reduzir o risco de desfechos adversos, como acidente vascular cerebral, comprometimento hemodinâmico e morte súbita. A Inteligência Artificial (IA) surge como uma ferramenta promissora, auxiliando na predição e detecção das arritmias, contribuindo para um manejo mais eficaz e seguro dos pacientes. Objetivo: Revisar os avanços em modelos de aprendizado de máquina aplicados à predição e detecção de arritmias. Métodos: Revisão integrativa com busca nas bases de dados PUBMED e Biblioteca Virtual de Saúde. Foram utilizados descritores MeSH relacionados a arritmias e IA, combinados com operadores AND e OR. Foram incluídos artigos originais, publicados nos últimos cinco anos, no idioma inglês, disponíveis na íntegra. Resultados: A busca resultou em 23 artigos. Onze foram removidos por duplicatas, quatro por ausência dos descritores ou de suas sinonímias e cinco por não abordarem o tema foco do estudo. Foram incluídos três estudos, todos observacionais retrospectivos, que avaliaram o uso de IA multimodal na predição e detecção de arritmias. Os modelos multimodais demonstraram desempenho superior em comparação às abordagens baseadas em modalidades individuais. O dispositivo desenvolvido e validado para prever arritmias ventriculares malignas apresentou sensibilidade de 98,1%, especificidade de 73% e Área Sob a Curva ROC (AUC) de 0,84 (IC 95% 0,71–0,96). Outro modelo de detecção, especificamente, para taquicardia ectópica juncional, demonstrou que a integração de dados clínicos, eletrocardiograma e pressão venosa central melhora significativamente a detecção desta arritmia, alcançando AUC de 0,83. A IA multimodal que combinou dados clínicos, eletrograma e eletrocardiograma após ablação por cateter superou as previsões baseadas em escores tradicionais, como APPLE e CHA2DS2-VASc para a previsão de desfechos adversos , alcançando uma AUC de 0,859. Vale destacar que os estudos apresentam limitada validade externa, visto que as fontes de dados foram circunscritas a grandes centros médicos com alto desenvolvimento econômico e tecnológico e baixa heterogeneidade de pacientes. Conclusão: A integração de dados clínicos, eletrocardiográficos e hemodinâmicos melhora significativamente o desempenho dos modelos preditivos, tornando-os ferramentas promissoras para a estratificação de risco e tomada de decisão clínica.
