Entenda como a IA pode ajudar a detectar fibrilação atrial

A fibrilação atrial (FA) é a arritmia sustentada mais prevalente na prática clínica e comumente associada ao risco de acidente vascular cerebral, insuficiência cardíaca, demência e mortalidade. O grande desafio clínico é que cerca de um terço dos pacientes não tem o diagnóstico da FA no momento do evento tromboembólico.

Uma revisão publicada em 2026 — Present state and future of screening for atrial fibrillation: a state-of-the-art review — analisou os principais ensaios randomizados sobre rastreamento de FA e destacou três estratégias principais:

• rastreamento oportunístico

• rastreamento sistemático

• rastreamento com tecnologias digitais e inteligência artificial

A seguir, resumimos os principais achados.

Rastreamento oportunístico durante consultas médicas de rotina

Historicamente, o eletrocardiograma (ECG) convencional é o principal meio diagnóstico de FA, entretanto, sabe-se que um único ECG apresenta sensibilidade limitada para o diagnóstico de FA paroxística após evento tromboembólico e que a detecção é maior quando é feita a monitorização prolongada intermitente ou contínua (dispositivos implantáveis).

Apesar de maior taxa de detecção de FA com a monitorização prolongada, os grandes ensaios clínicos não conseguiram mostrar redução consistente de desfechos clínicos, incluindo AVC ou mortalidade.

No rastreamento oportunístico durante consultas médicas de rotina, o diagnóstico pode ser realizado durante o exame físico e/ou através da realização do ECG. Essa forma de rastreamento foi avaliada no estudo SAFE que demonstrou aumento modesto na detecção de FA com uma boa relação custo-efetividade.

Estudos mais recentes, entre eles o VITAL-AF, observaram um impacto discreto na detecção global e benefício mais evidente apenas em indivíduos mais idosos (> 85 anos). É uma estratégia simples, de baixo custo e fácil implementação, no entanto por avaliar o ritmo apenas em um único momento, não apresenta um ganho incremental de rastreamento global.

Rastreamento sistemático de grupos selecionados

Outra estratégia é o rastreamento sistemático de grupos selecionados, baseado na identificação de grupos com maior risco cardiovascular como idosos e presença de múltiplas comorbidades. O estudo STROKESTOP I demonstrou redução significativa de desfechos combinados após um seguimento de 6,9 anos, mesmo com adesão de apenas 51%. A estratégia utilizou ECG intermitente por duas semanas e identificou aproximadamente 3% de novos casos.

Já o STROKESTOP II com a incorporação do NT-proBNP como critério prévio de seleção, não mostrou redução significativa de AVC ou de embolia sistêmica após 5 anos de acompanhamento. Ensaios com monitorização contínua com gravador de eventos implantável, como o LOOP, aumentaram a detecção de FA, porém a maioria dos episódios foi de baixa carga arrítmica e sem redução estatisticamente significativa de eventos tromboembólicos.

Inteligência artificial na fibrilação atrial

As evidências atuais sobre as metodologias clássicas de rastreamento são consideradas inadequadas pois geralmente identificam episódios curtos sem correlação prognóstica. Metodologias usando inteligência artificial estão cada vez presentes na prática clínica  e buscam superar as limitações existentes. Tanto os modelos baseados em machine learning quanto dispositivos vestíveis desempenham ferramentas promissoras na detecção precoce de FA.

Diferentes modelos de machine learning foram desenvolvidos com o objetivo de prever risco de FA antes mesmo de sua manifestação eletrocardiográfica. Algoritmos aplicados a eletrocardiogramas de uma derivação demonstraram capacidade de identificar padrões discretos associados ao desenvolvimento futuro da arritmia. Em um dos modelos, a predição de FA em curto prazo apresentou área sob a curva (AUC) de 0,62 em uma amostra etariamente homogênea e de 0,80 em população mais heterogênea.

Outro algoritmo, baseado em dados de prontuários eletrônicos (FIND-AF), mostrou AUC de 0,82 para predição de FA em seis meses. Estudos prospectivos não randomizados que utilizaram triagem guiada por IA aplicada ao ECG sugerem que essa abordagem pode aumentar a eficiência do rastreamento ao direcionar monitorização mais intensiva apenas a indivíduos com maior risco de desenvolver FA.

Dispositivos vestíveis e detecção de FA

Grandes estudos populacionais já fornecem dados robustos sobre desempenho diagnóstico dos dispositivos vestíveis. O Apple Heart Study com mais de 419 mil participantes identificou um pulso irregular em 0,52% dos usuários; entre aqueles que realizaram monitorização confirmatória com patch de ECG, 34% tiveram diagnóstico de FA, com valor preditivo positivo de 84%.

O Huawei Heart Study avaliou mais de 187 mil indivíduos e observou notificação em 0,23%, sendo que 87% dos casos avaliados com ECG ou Holter tiveram FA confirmada.

No Fitbit Heart Study foi utilizado critérios mais rigorosos para emissão de alerta; a notificação de arritmia ocorreu em 1% da amostra com valor preditivo positivo de 98,2% quando foi confirmada por ECG simultâneo.

Limitações atuais das tecnologias digitais

Apesar desses achados promissores, a maioria dos estudos com dispositivos vestíveis foi realizada em populações predominantemente jovens e de baixo risco cardiovascular, o que limita a generalização para indivíduos mais idosos e com maior carga de comorbidades.

Diferenças entre os algoritmos, nos critérios de notificação e na frequência de análise dificultam comparações diretas e ainda faltam evidências quanto à redução de desfechos clínicos relevantes.

Mensagem prática

Quais são os desafios hoje? O desafio atual não é apenas detectar mais FA, mas identificar pacientes com o risco real de eventos tromboembólicos futuros que possam se beneficiar de intervenções precoces. Esse fato dependerá de futuros estudos desenhados para avaliação do impacto clínico, para definição clara de limiares terapêuticos e para integração eficiente entre tecnologia digital e prática médica.

O futuro do rastreamento da FA tende a ser mais individualizado, orientado por risco e sustentado por análise avançada de dados.