Monitorização e diagnóstico ambulatorial
Cardiologs AI
O futuro do diagnóstico cardíaco passa pela análise assistida por IA
O mecanismo Philips Cardiologs AI utiliza tecnologia de redes neurais profundas (DNN) para ajudar profissionais de saúde e prestadores de serviços a diagnosticar pacientes de forma mais eficiente, reduzindo o volume de tarefas repetitivas de análise de ECG. Também estamos pavimentando o caminho para o futuro do monitoramento cardíaco ao explorar o uso da tecnologia de redes neurais profundas (DNN) para desenvolver biomarcadores de ECG e analisar dados cardíacos provenientes de smartwatches [1].
Resultados comprovados
20+
publicações científicas e resumos revisados por pares
Os algoritmos de IA usados em nossos produtos foram clinicamente validados e continuamos inovando.
Baixar42%
de redução do tempo de análise do Holter [2,3]
Com base em um estudo clínico que comparou a solução Cardiologs AI com uma solução convencional [3].
Saiba mais
Philips Cardiologs AI
Com base em tecnologia de aprendizado profundo e em mais de 200 milhões de registros [4], o Philips Cardiologs AI analisa os traçados de onda de ECG como um todo, imitando o funcionamento do cérebro humano. Isso permite que nossos algoritmos lidem melhor com padrões complexos de ECG do que algoritmos convencionais que dependem de um número limitado de regras predefinidas. Quer saber mais?
O algoritmo do Holter detecta mais de 20 tipos de eventos.
Incluindo as principais arritmias:
- Congelar
- Bloqueio atrioventricular (segundo grau, terceiro grau, alto grau avançado)
- Fibrilação atrial ou Flutter atrial
- Taquicardia ventricular
- Batimentos supraventriculares prematuros (PSVCs), Pares de PSVC
- Batimentos ventriculares prematuros (PVCs)
- Pares de extrassístoles ventriculares, Bigeminia ventricular, Trigeminia ventricular
- Ritmo sinusal, Bradicardia, Taquicardia
Redução de 10 vezes nos falsos positivos de fibrilação atrial no Holter
Validação do nosso algoritmo de IA. Utilizando o banco de dados público MIT-BIH, nosso algoritmo Cardiologs AI foi comparado aos resultados de um método de referência baseado em intervalo R-R [5]. Foi demonstrado que nosso algoritmo de IA melhora a especificidade da detecção de fibrilação atrial, mantendo sensibilidade comparável e reduzindo a taxa de falsos positivos de 17,2% para 1,5%.
Nossa IA de nível médico está disponível no Cardiologs Holter
A plataforma Cardiologs Holter emprega tecnologia de redes neurais profundas e computação em nuvem para facilitar a análise de ECGs ambulatoriais contínuos.
Notas de rodapé
- Os algoritmos do Cardiologs para análise de dados de smartwatches e biomarcadores de ECG estão sob investigação. Eles não estão disponíveis para venda.
- A plataforma Cardiologs Holter é um equipamento médico destinado ao uso por profissionais de saúde qualificados para a avaliação de arritmias utilizando dados de ECG. Possui marcação CE e liberação pela Agência de alimentos e medicamentos dos EUA sob um 510(k).
- Fiorina, L., Marijon, E., Maupain, C., et al. AI-based strategy enables faster Holter ECG analysis with equivalent clinical accuracy compared to a classical strategy. EP Europace. 2020;22(suppl 1), euaa162.374. DOI: 10.1093/europace/euaa162.374.
- Banco de dados do Philips Cardiologs, outubro de 2023.
- Li, J., Rapin, J., Rosier, A., Smith, S.W., Fleureau, Y., Taboulet, P. Deep neural networks improve atrial fibrillation detection in Holter: first results. European Journal of Preventive Cardiology. 2016;23(2suppl):41-55. DOI: 10.1177/2047487316668070.
- Fiorina, L., Maupain, C., Gardella, C., et al. Evaluation of an Ambulatory ECG Analysis Platform Using Deep Neural Networks in Routine Clinical Practice. Journal of the American Heart Association. 2022;11(18):e026196. DOI: 10.1161/JAHA.122.026196.
- Fiorina, L., Chemaly, P., Cellier, J., et al. Artificial intelligence-based electrocardiogram analysis improves atrial arrhythmia detection from a smartwatch electrocardiogram. European Heart Journal - Digital Health. 2024;00:1-7. DOI: 10.1093/ehjdh/ztae047.
- Singh, J.P., Fontanarava, J., de Massé, G., et al. Short-term prediction of atrial fibrillation from ambulatory monitoring ECG using a deep neural network. European Heart Journal - Digital Health. 2022;3(2):208-217. DOI: 10.1093/ehjdh/ztac014ztac014.
Aviso legal
Os resultados são específicos da instituição onde foram obtidos e podem não refletir os resultados alcançáveis em outras instituições. Os resultados em outros casos podem variar.