Detecção automática de infarto do miocárdio em eletrocardiogramas utilizando redes neurais convolucionais e classificação multiclasse

Abstract

As doenças cardiovasculares estão entre as principais causas de mortalidade no mundo, sendo o infarto do miocárdio uma condição associada à interrupção do ŕuxo sanguíneo coronariano e à consequente lesão do tecido cardíaco. O eletrocardiograma de 12 derivações é uma das ferramentas mais utilizadas na triagem inicial dessa condição, por ser um exame não invasivo, de baixo custo e amplamente disponível. Entretanto, sua interpretação pode ser afetada por variabilidade entre especialistas, fadiga e pela presença de outras patologias cardíacas com manifestações eletrocardiográőcas semelhantes. Nesse contexto, este trabalho propõe uma abordagem de classiőcação multiclasse para detecção automática de infarto do miocárdio em sinais de ECG, utilizando redes neurais convolucionais unidimensionais e a base pública PTB-XL. Diferentemente de formulações binárias, restritas às classes Normal e Infarto, a metodologia incorpora uma terceira classe, denominada Outras Patologias, com o objetivo de representar sinais eletrocardiográőcos anômalos não associados diretamente ao infarto. Foram avaliados dois cenários experimentais: uma abordagem binária de referência e uma abordagem multiclasse com três classes. Os resultados indicaram que o modelo binário obteve maior acurácia global, com 95,12% na validação, mas não possui mecanismo explícito para identiőcar sinais patológicos fora das classes consideradas. O modelo multiclasse obteve acurácia de 82,71%, permitindo distinguir exames normais, registros associados ao infarto e outras alterações cardíacas. Os resultados sugerem que a inclusão da classe Outras Patologias reduz a simpliőcação do espaço diagnóstico e torna a avaliação mais próxima de cenários de triagem clínica.