Detection of Cardiovascular Diseases using Deep Learning and ECG Signals

Sumario: As doenças cardiovasculares representam a principal causa de mortalidade em âmbito global, respondendo por milhões de mortes anuais. O diagnóstico precoce e preciso é o fator mais determinante para a sobrevida e para a qualidade de vida dos pacientes. Nesse contexto, o Eletrocardiograma (ECG) destaca-se como o exame clínico padrão-ouro inicial, por ser não invasivo, de baixo custo e amplamente acessível. O ECG registra a atividade elétrica do coração ao longo do tempo, e suas morfologias (ondas P, QRS e T) contêm informações cruciais sobre o estado de saúde cardíaco, permitindo a detecção de arritmias, infartos, hipertrofias, entre outras patologias.

Historicamente, a análise do ECG é feita visualmente por cardiologistas experientes. Contudo, essa avaliação manual é suscetível a fadiga, variações de interpretação entre especialistas e demanda um tempo considerável, o que é um gargalo em sistemas de saúde pública e em emergências. Nos últimos anos, a Inteligência Artificial (IA), mais especificamente o Aprendizado Profundo, revolucionou a capacidade de automação no diagnóstico médico. Redes neurais profundas têm demonstrado uma capacidade notável de extrair padrões complexos e não lineares ocultos nos sinais de ECG, muitas vezes superando a acurácia de métodos tradicionais de aprendizado de máquina e equiparando-se ao desempenho humano.

Contudo, um dos maiores obstáculos para a implantação clínica desses modelos é a sua natureza de “caixa-preta”. Profissionais de saúde necessitam entender a lógica por trás da decisão algorítmica. Por isso, integrar técnicas de Inteligência Artificial Explicável (XAI), como Grad-CAM e SHAP, não é apenas um diferencial acadêmico, mas um requisito regulatório e ético para validar quais partes do sinal (ou do espectrograma) levaram o modelo a diagnosticar uma patologia.

O objetivo deste projeto é o desenvolvimento de modelos de aprendizado profundo para a detecção de doenças cardiovasculares por meio de sinais de ECG.

Fecha de início: 10/03/2026
Plazo (meses): 24

Participantes:

Papel	Nombre
Coordinator *	PATRICK MARQUES CIARELLI