Neste artigo
A interpretação do eletrocardiograma (ECG) é uma habilidade clínica fundamental para enfermeiros, médicos e outros profissionais de saúde. Um novo estudo publicado no Frontiers in Medicine revela que a tecnologia de rastreamento ocular combinada com machine learning pode identificar objetivamente o nível de expertise de um profissional — com precisão de até 84%.
A pesquisa, conduzida por Attar e colaboradores, analisou os padrões de olhar de 62 participantes — incluindo estudantes de medicina, enfermeiros, técnicos, residentes e cardiologistas — durante a leitura de ECGs. Os resultados demonstram diferenças marcantes na forma como especialistas e novatos processam visualmente as informações.
Especialistas identificaram informações diagnósticas críticas até 50% mais rápido do que iniciantes, com menos revisitas aos mesmos pontos do traçado.
Na interpretação de ECG, a diferença entre expertise e inexperiência não está apenas no conhecimento — está nos olhos. Machine learning pode agora medir objetivamente o que antes era intuição.
O Desafio da Interpretação de ECG na Prática Clínica
Erros na interpretação de ECG continuam sendo um problema significativo na prática clínica. Estudos anteriores demonstram que erros diagnósticos são comuns, especialmente entre profissionais em treinamento e clínicos não especialistas.
Esses erros podem resultar em atrasos diagnósticos, tratamentos inadequados e, em casos graves, danos evitáveis aos pacientes. A detecção precoce de arritmias, isquemia miocárdica e distúrbios de condução depende diretamente da habilidade interpretativa.
Até agora, avaliar a competência em leitura de ECG dependia de testes escritos ou avaliações subjetivas. Esta pesquisa propõe uma abordagem radicalmente diferente: medir a expertise através do comportamento visual.
Metodologia: Eye-Tracking e Inteligência Artificial
Os pesquisadores utilizaram um rastreador ocular Tobii Pro X2-60 para capturar os movimentos dos olhos dos participantes enquanto interpretavam 12 ECGs padronizados. Cada profissional teve 30 segundos por ECG — simulando a pressão temporal do ambiente clínico real.
Os participantes foram divididos em três níveis de expertise:
- Novatos (n=21) — estudantes de medicina juniores e seniores
- Intermediários (n=22) — residentes, técnicos, enfermeiros de UTI coronariana e hemodinâmica
- Especialistas (n=19) — fellows, médicos e cardiologistas consultores
É importante destacar que enfermeiros representaram uma parcela significativa dos participantes intermediários, refletindo sua importância na interpretação rotineira de ECGs em unidades de cuidados coronarianos e laboratórios de cateterismo.
Métricas de Rastreamento Ocular Analisadas
O estudo extraiu múltiplas métricas do comportamento visual de cada participante:
- TTFF (Time to First Fixation) — tempo até a primeira fixação em uma área de interesse
- Contagem de fixações — número de pontos onde o olhar se deteve
- Duração do olhar — tempo total de observação em cada região
- Contagem de revisitas — quantas vezes o profissional voltou a olhar para a mesma área
- Duração média de fixação — tempo médio de cada fixação individual
Essas métricas foram calculadas tanto para áreas de interesse baseadas em grade (24 regiões retangulares) quanto para áreas funcionais (derivações diagnósticas curtas vs. tira de ritmo longa).
Resultados: Como Especialistas e Novatos Diferem
As análises estatísticas revelaram diferenças consistentes e significativas entre os grupos de expertise. Especialistas demonstraram padrões de varredura visual marcadamente mais eficientes.
Tempo até primeira fixação (TTFF): Especialistas orientaram-se para regiões diagnósticas em média 812 milissegundos, enquanto novatos demoraram 1.692 milissegundos — mais que o dobro do tempo (p < 0,001).
Contagem de revisitas: Especialistas revisitaram áreas de interesse em média 3,2 vezes, contra 6,1 vezes dos novatos. Isso indica maior confiança diagnóstica e menor necessidade de confirmação.
Duração do olhar: Novatos gastaram significativamente mais tempo total olhando para o ECG (11.120 ms vs. 14.240 ms dos especialistas), mas de forma menos eficiente.
Um achado aparentemente paradoxal: especialistas tiveram mais fixações totais por ECG, mas menos fixações por área de interesse. Isso significa que distribuíram sua atenção de forma mais ampla e sistemática.
Machine Learning: Classificação com 84% de Precisão
Os pesquisadores treinaram três algoritmos de aprendizado de máquina supervisionado para classificar automaticamente o nível de expertise com base nas características do olhar:
- Random Forest — alcançou a maior precisão: 84%
- Support Vector Machine (SVM) — precisão de 78%
- K-Nearest Neighbors (KNN) — precisão de 74%
O modelo Random Forest foi validado com cross-validation de 5 folds e um teste de permutação com 1.000 iterações (p < 0,001), demonstrando que a classificação não ocorreu por acaso.
A análise de importância das features revelou quais regiões do ECG foram mais preditivas de expertise:
- Derivações V1 e V2 — as mais importantes para distinguir níveis
- Tira de ritmo (D2 longa) — terceira região mais preditiva
- Derivações precordiais V3-V6 — também contribuíram significativamente
Essas são exatamente as derivações clinicamente mais relevantes para detectar isquemia e arritmias, sugerindo que o comportamento visual dos especialistas está alinhado com o raciocínio diagnóstico.
As derivações V1, V2 e a tira de ritmo emergiram como os preditores mais importantes de expertise — exatamente as regiões que cardiologistas consideram críticas para diagnóstico. O olhar dos especialistas reflete seu conhecimento.
Clustering Não-Supervisionado: Grupos Naturais de Expertise
Além da classificação supervisionada, os pesquisadores aplicaram K-means clustering para identificar agrupamentos naturais nos dados de olhar — sem informar ao algoritmo os níveis de expertise.
O resultado foi impressionante: os três clusters identificados corresponderam fortemente aos grupos novato, intermediário e especialista definidos previamente. A pontuação de silhueta de 0,64 indicou boa validade interna.
Características de cada cluster:
- Cluster 0 (Especialistas) — TTFF rápido, poucas revisitas, curta duração de olhar
- Cluster 1 (Intermediários) — fixações e revisitas moderadas
- Cluster 2 (Novatos) — TTFF lento, alta contagem de revisitas, longa duração de olhar
Implicações para a Enfermagem
Este estudo tem implicações diretas para a educação e avaliação de enfermeiros em unidades cardíacas. A tecnologia de eye-tracking combinada com IA oferece uma ferramenta objetiva para:
Avaliação de competências: Em vez de depender apenas de testes escritos, programas de treinamento poderiam usar métricas de olhar para avaliar se um enfermeiro desenvolveu padrões de varredura visual eficientes.
Feedback personalizado: Enfermeiros em treinamento poderiam receber feedback em tempo real sobre suas estratégias de busca visual, aprendendo a focar nas derivações clinicamente mais relevantes.
Identificação de lacunas: O sistema poderia identificar profissionais que, apesar de anos de experiência, ainda exibem padrões de novato — possibilitando intervenções educacionais direcionadas.
Validação de competência: Para certificações e credenciamentos, métricas de eye-tracking poderiam complementar avaliações tradicionais com medidas objetivas de processamento visual.
Base Teórica: Por Que Especialistas “Olham Diferente”
Os resultados são consistentes com teorias cognitivas estabelecidas sobre expertise visual:
Hipótese de Redução de Informação: Especialistas suprimem estrategicamente informações irrelevantes e focam atenção em pistas diagnósticas significativas. Isso resulta em menos fixações redundantes e menor duração de olhar.
Teoria da Memória de Trabalho de Longo Prazo: Especialistas codificam conhecimento específico do domínio de forma estruturada, permitindo acesso rápido a padrões diagnósticos. Isso explica o TTFF mais curto.
Teoria da Carga Cognitiva: Novatos experimentam maior carga intrínseca ao processar estímulos visuais complexos, resultando em fixações mais longas e maior número de revisitas.
Limitações e Considerações
Os autores reconhecem algumas limitações importantes:
O estudo utilizou um dataset secundário de 62 participantes — um tamanho amostral adequado, mas que poderia ser expandido em pesquisas futuras para aumentar a generalização.
A classificação em três níveis (novato, intermediário, especialista) pode não capturar toda a nuance do desenvolvimento de expertise, que é um continuum.
O estudo focou em comportamento visual, não em precisão diagnóstica. Embora as métricas de olhar tenham distinguido os grupos, a correlação com acurácia de diagnóstico não foi testada diretamente nesta análise.
Conclusão: O Futuro da Avaliação de Competências
Este estudo demonstra que parâmetros de rastreamento ocular podem diferenciar níveis de expertise na interpretação de ECG com alta precisão. As métricas derivadas do olhar podem servir como indicadores objetivos que apoiam avaliação e treinamento em educação médica e de enfermagem.
A integração de eye-tracking com inteligência artificial abre possibilidades para ferramentas de avaliação baseadas em dados que complementam métodos tradicionais. Para a enfermagem, isso significa uma nova fronteira na formação de profissionais competentes em interpretação de ECG.
À medida que a tecnologia se torna mais acessível, podemos imaginar um futuro onde simuladores com rastreamento ocular são parte rotineira do treinamento em unidades coronarianas — oferecendo feedback objetivo e personalizado para cada profissional.
Referência
Attar, N. (2025). Eye-tracking biomarkers of clinical expertise in ECG interpretation: statistical and machine learning evidence. Frontiers in Medicine, 12:1704829. DOI: 10.3389/fmed.2025.1704829
