Uso de inteligência artificial para análise da VFC como ferramenta de predição de risco cardiovascular, uma revisão integrativa
DOI:
https://doi.org/10.55892/jrg.v9i20.3406Palavras-chave:
variabilidade da frequência cardíaca, inteligência artificial, machine learning, risco cardiovascular, predição cardiovascularResumo
A variabilidade da frequência cardíaca (VFC) representa um importante marcador da modulação autonômica cardíaca e tem sido amplamente utilizada na avaliação do risco cardiovascular. Com o avanço da inteligência artificial (IA), diferentes algoritmos de machine learning e deep learning passaram a ser aplicados na análise de sinais fisiológicos, permitindo a identificação de padrões complexos associados a eventos cardiovasculares. Nesse contexto, o presente estudo teve como objetivo compreender o uso da inteligência artificial aplicada à análise da VFC como ferramenta de predição do risco cardiovascular. Trata-se de uma revisão integrativa da literatura, conduzida a partir de buscas nas bases de dados PubMed/MEDLINE, Scopus, Web of Science, Embase e Google Scholar. Foram incluídos estudos publicados que abordassem a aplicação de modelos de inteligência artificial associados à VFC na predição, classificação ou monitorização de desfechos cardiovasculares. Após as etapas de triagem, leitura completa e aplicação dos critérios de elegibilidade, 21 estudos foram incluídos na revisão. Os resultados demonstraram que os modelos baseados em machine learning apresentaram desempenho promissor na predição de eventos cardiovasculares, com valores de AUC variando entre 0,75 e 0,98, além de elevadas taxas de acurácia diagnóstica. Os principais algoritmos utilizados incluíram support vector machine (SVM), redes neurais artificiais, boosting e modelos de deep learning. Entre os desfechos avaliados destacaram-se infarto agudo do miocárdio, insuficiência cardíaca, mortalidade cardiovascular e parada cardíaca intra-hospitalar. Entretanto, observou-se significativa heterogeneidade metodológica entre os estudos, especialmente quanto ao tamanho amostral, parâmetros de VFC analisados e estratégias de treinamento dos algoritmos. Conclui-se que a inteligência artificial aplicada à análise da variabilidade da frequência cardíaca apresenta potencial relevante para auxiliar na predição de risco cardiovascular e na estratificação clínica de pacientes. Contudo, ainda são necessários estudos multicêntricos, com validação externa robusta e maior padronização metodológica, a fim de ampliar a aplicabilidade clínica dessas ferramentas.
Downloads
Referências
AGLIARI, E. et al. Detecting cardiac pathologies via machine learning on heart-rate variability time series and related markers. Scientific Reports, Londres, v. 10, n. 1, 2020. DOI:10.1038/s41598-020-64083-4
BRINZA, C. et al. Heart Rate Variability in Acute Myocardial Infarction: Results of the HeaRt-V-AMI Single-Center Cohort Study. Journal of Clinical Medicine, Basileia, v. 13, n. 4, 2024. DOI: 10.3390/jcdd11080254.
CHUMACHENKO, V. et al. Machine Learning Methods in Predicting Patients with Suspected Myocardial Infarction Based on Short-Time HRV Data. Sensors, Basileia, v. 22, n. 18, 2022. DOI:10.3390/s22187033.
FAUST, O. et al. Heart rate variability for healthcare applications using artificial intelligence techniques: a review. Computer Methods and Programs in Biomedicine, Amsterdã, v. 223, 2022. DOI: 10.1016/j.cmpb.2022.106991.
GONZÁLEZ, A. et al. Multimodal deep learning for heart failure prediction using ECG and heart rate variability. arXiv, Ithaca, 2024. Disponível em: https://arxiv.org/abs/2403.15408. Acesso em: 6 maio 2026.
KUMAR, R.; AGGARWAL, Y.; NIGAM, V. K. Heart rate dynamics in the prediction of coronary artery disease and myocardial infarction using artificial neural network and support vector machine. Journal of Applied Biomedicine, České Budějovice, v. 20, n. 2, p. 70-79, 2022. DOI: 10.32725/jab.2022.008.
LEE, H. et al. Real-time machine learning model to predict in-hospital cardiac arrest using heart rate variability in ICU. npj Digital Medicine, Londres, v. 6, n. 1, 2023. DOI: 10.1038/s41746-023-00960-2
LIU, N. et al. Beatquency domain and machine learning improve prediction of cardiovascular death after acute coronary syndrome. Scientific Reports, Londres, v. 6, 2016. DOI: 10.1038/srep34545.
MARTINEZ-ALANIS, J. et al. Prediction of Sudden Cardiac Death Risk with a Support Vector Machine Based on Heart Rate Variability and Heartprint Indices. Sensors, Basileia, v. 20, n. 19, 2020. DOI: 10.3390/s20195483.
MELILLO, P. et al. Automatic prediction of cardiovascular and cerebrovascular events using heart rate variability analysis. PLoS ONE, San Francisco, v. 10, n. 3, 2015. DOI: 10.1371/journal.pone.0118504.
NAYAK, A. et al. A Review of Methods and Applications for a Heart Rate Variability Analysis. Algorithms, Basileia, v. 16, n. 9, 2023. DOI: 10.3390/a16090433.
SHAFFER, F.; GINSBERG, J. P. An Overview of Heart Rate Variability Metrics and Norms. Frontiers in Public Health, Lausanne, v. 5, 2017. DOI: 10.3389/fpubh.2017.00258.
SHAH, S. et al. Heart rate variability as a marker of cardiovascular dysautonomia in post-COVID-19 syndrome using artificial intelligence. International Journal of Psychophysiology, Amsterdã, v. 175, 2022. DOI: 10.1016/j.ipej.2022.01.004.
SILVA-FILHO, A. G. et al. A Machine Learning model of the combination of normalized SD1 and SD2 indexes from 24h-Heart Rate Variability as a predictor of myocardial infarction. arXiv, Ithaca, 2021. Disponível em: https://arxiv.org/abs/2102.09410. Acesso em: 6 maio 2026.
SONG, M. H. et al. Usefulness of the heart-rate variability complex for predicting cardiac mortality after acute myocardial infarction. BMC Cardiovascular Disorders, Londres, v. 14, 2014. DOI: 10.1186/1471-2261-14-59.
TASMURZAYEV, N. et al. A wearable IoT-based measurement system for real-time cardiovascular risk prediction using heart rate variability. Eng, Basileia, v. 6, n. 10, 2025. DOI: 10.3390/eng6100259.
VAN ES, R. et al. Effect of urban environment on cardiovascular health: a feasibility pilot study using machine learning to predict heart rate variability in patients with heart failure. European Heart Journal Digital Health, Oxford, v. 5, n. 5, 2024. DOI:10.1093/ehjdh/ztae050.
WANG, L. et al. Heart diseases recognition model based on HRV feature extraction over 12-lead ECG signals. Sensors, Basileia, v. 24, n. 16, 2024. DOI: 10.3390/s24165296.
YADAV, I. et al. Heart rate variability as a predictor of mortality in heart failure: a systematic review and meta-analysis. Cureus, Palo Alto, v. 17, n. 12, 2025. DOI: 10.7759/cureus.99120.
ZHANG, Y. et al. Efficient and Direct Inference of Heart Rate Variability using Both Signal Processing and Machine Learning. arXiv, Ithaca, 2023. Disponível em: https://arxiv.org/abs/2303.13637. Acesso em: 1 maio 2026.
ACCARDO, A. et al. Detection of subjects with ischemic heart disease by using machine learning technique based on heart rate total variability parameters. Physiological Measurement, Bristol, v. 41, n. 11, 2020. DOI: 10.1088/1361-6579/abc321.
BRINZA, C. et al. Measuring heart rate variability in patients admitted with ST-elevation myocardial infarction for the prediction of subsequent cardiovascular events: a systematic review. Medicina, Basileia, v. 57, n. 10, 2021. DOI: 10.3390/medicina57101021.
Downloads
Publicado
Como Citar
Edição
Seção
ARK
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
