A carregar...
Publicação
CardioRiskAI : a clinical application for rapid and affordable cardiovascular risk assessment using ECG analysis and machine learning
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 6.46 MB | Adobe PDF |
Resumo(s)
Cardiovascular diseases (CVDs) are the leading global cause of death, yet traditional risk assessment is often slow and resource-intensive. This work investigates a novel approach for rapid, accessible CVD risk assessment using engineered electrocardiography (ECG) features combined with minimal clinical data (age, BMI, smoking, and diabetes status). By leveraging increasingly portable and inexpensive ECG technology, we aim to provide a cost-effective alternative to lab-dependent methods like the Framingham score. An ECG processing pipeline was developed to extract 102 features, which were used to train classification and regression models targeting the Framingham risk score. The models demonstrated excellent performance: binary classification distinguishing between low- and high-risk patients achieved 97.4% accuracy (AUC 0.99); the multiclass comparison among low-, moderate-, and high-risk groups reached 86.79% accuracy (AUC = 0.88); and regression analysis produced RMSE of between 4 to 6 percentage points. To translate these findings into practice, a clinical application was co-developed with cardiologists, integrating secure authentication, patient management, explainable AI, and automated reporting. The results indicate that a compact set of ECG-derived features, coupled with basic clinical information, can provide rapid and cost-effective cardiovascular risk assessment. This approach holds the potential to democratize risk assessment in low-resource settings and accelerate urgent care evaluations. If validated for generalizability, these models could significantly reduce the reliance on extensive and costly blood laboratory tests for cardiovascular risk stratification.
As doenças cardiovasculares (DCVs) constituem a principal causa de morte a nível global, embora a avaliação tradicional do risco seja frequentemente lenta e exigente em termos de recursos. Este trabalho investiga uma abordagem inovadora para uma avaliação rápida e acessível do risco cardiovascular, recorrendo a características de eletrocardiografia (ECG) cuidadosamente desenvolvidas e combinadas com um conjunto mínimo de dados clínicos (idade, índice de massa corporal, tabagismo e estado de diabetes). Ao aproveitar a crescente portabilidade e baixo custo da tecnologia de ECG, pretende-se disponibilizar uma alternativa economicamente viável aos métodos dependentes de análises laboratoriais, como o score de Framingham. Foi desenvolvido um pipeline de processamento de ECG para extrair 102 características, utilizadas no treino de modelos de classificação e regressão com o score de Framingham como variável alvo. Os modelos demonstraram um desempenho excelente: a classificação binária entre doentes de baixo e alto risco alcançou uma precisão de 97,4% (AUC = 0,99); a comparação multiclasse entre grupos de baixo, moderado e alto risco atingiu 86.79% de precisão (AUC = 0.88); e a análise de regressão apresentou um erro quadrático médio entre 4 a 6 pontos percentuais entre todas as comparações. Para transpor estes resultados para a prática clínica, foi co-desenvolvida com cardiologistas uma aplicação clínica, integrando autenticação segura, gestão de doentes, inteligência artificial explicável e relatórios automatizados. Os resultados indicam que um conjunto compacto de características derivadas do ECG, aliado a informação clínica básica, pode fornecer uma avaliação do risco cardiovascular rápida e economicamente eficiente. Esta abordagem tem o potencial de democratizar a estratificação de risco em contextos com recursos limitados e de acelerar a avaliação em situações de urgência. Caso seja validada a sua generalização, estes modelos poderão reduzir significativamente a dependência de análises laboratoriais extensas e dispendiosas na avaliação do risco cardiovascular.
As doenças cardiovasculares (DCVs) constituem a principal causa de morte a nível global, embora a avaliação tradicional do risco seja frequentemente lenta e exigente em termos de recursos. Este trabalho investiga uma abordagem inovadora para uma avaliação rápida e acessível do risco cardiovascular, recorrendo a características de eletrocardiografia (ECG) cuidadosamente desenvolvidas e combinadas com um conjunto mínimo de dados clínicos (idade, índice de massa corporal, tabagismo e estado de diabetes). Ao aproveitar a crescente portabilidade e baixo custo da tecnologia de ECG, pretende-se disponibilizar uma alternativa economicamente viável aos métodos dependentes de análises laboratoriais, como o score de Framingham. Foi desenvolvido um pipeline de processamento de ECG para extrair 102 características, utilizadas no treino de modelos de classificação e regressão com o score de Framingham como variável alvo. Os modelos demonstraram um desempenho excelente: a classificação binária entre doentes de baixo e alto risco alcançou uma precisão de 97,4% (AUC = 0,99); a comparação multiclasse entre grupos de baixo, moderado e alto risco atingiu 86.79% de precisão (AUC = 0.88); e a análise de regressão apresentou um erro quadrático médio entre 4 a 6 pontos percentuais entre todas as comparações. Para transpor estes resultados para a prática clínica, foi co-desenvolvida com cardiologistas uma aplicação clínica, integrando autenticação segura, gestão de doentes, inteligência artificial explicável e relatórios automatizados. Os resultados indicam que um conjunto compacto de características derivadas do ECG, aliado a informação clínica básica, pode fornecer uma avaliação do risco cardiovascular rápida e economicamente eficiente. Esta abordagem tem o potencial de democratizar a estratificação de risco em contextos com recursos limitados e de acelerar a avaliação em situações de urgência. Caso seja validada a sua generalização, estes modelos poderão reduzir significativamente a dependência de análises laboratoriais extensas e dispendiosas na avaliação do risco cardiovascular.
Descrição
Palavras-chave
Cardiovascular diseases Cardiovascular risk Clinical application Clinical decision support Electrocardiogram Framingham score Machine learning Aplicação clínica Doenças cardiovasculares Risco cardiovascular Suporte à decisão clínica Eletrocardiograma Score de Framingham Aprendizagem automática
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC