Neste artigo
Interpretar um eletrocardiograma (ECG) é uma habilidade crítica e, ao mesmo tempo, difícil de dominar com consistência, especialmente para profissionais em formação e não especialistas. Em um cenário de alta demanda e múltiplas prioridades, a pergunta prática é: o que diferencia o olhar de um especialista do olhar de um iniciante?
Um estudo recente investigou isso usando eye-tracking (rastreamento ocular) e machine learning, analisando como diferentes profissionais percorrem visualmente as regiões do ECG durante a interpretação. E tem um detalhe que interessa muito à enfermagem: entre os participantes havia enfermeiros, além de estudantes e outros papéis clínicos.
Segundo o trabalho, padrões de olhar (como tempo até a primeira fixação, revisitas e duração das fixações) conseguem diferenciar níveis de expertise e, com isso, abrir caminho para novas formas de treinamento e avaliação de competência em leitura de ECG.
Quando o tempo é curto, a diferença entre um iniciante e um especialista pode estar menos no “quanto olha” e mais em onde e quando o olhar chega às regiões certas do ECG.
O que o estudo avaliou (e por que isso importa)
De acordo com a descrição do artigo (e seu abstract), o dataset original incluiu 62 participantes de 10 papéis na saúde, incluindo estudantes, enfermeiros, técnicos e médicos em diferentes níveis de experiência.
Enquanto interpretavam ECGs padronizados, os movimentos oculares foram capturados com um rastreador (Tobii Pro X2-60). Em seguida, o ECG foi dividido em áreas de interesse (AOIs) para medir como a atenção visual se distribui.
- AOIs em grade — o traçado é dividido em zonas retangulares, permitindo uma análise espacial mais “fina” do olhar.
- AOIs funcionais — separação entre as derivações curtas (as 12 derivações) e a tira de ritmo (ritmo longo), aproximando a análise do raciocínio diagnóstico real.
- Métricas de gaze — contagem de fixações, duração do olhar, TTFF (time to first fixation, tempo até a primeira fixação) e contagem de revisitas.
Na prática, isso é relevante porque leitura de ECG é uma competência transversal: aparece em pronto atendimento, unidades de internação, UTI, clínica médica e em decisões rápidas de priorização. E, para a enfermagem, a capacidade de reconhecer sinais de alerta e comunicar achados com precisão faz parte do cuidado seguro.
O que diferencia o “olhar” de especialistas e iniciantes
O estudo relata diferenças claras entre níveis de expertise. Em termos gerais, especialistas tendem a orientar o olhar mais rapidamente para regiões diagnósticas e a “rodar menos em círculos” (menos revisitas), sugerindo um padrão mais eficiente de exploração visual.
Os autores descrevem que especialistas apresentaram:
- TTFF mais rápido — chegam antes às áreas críticas do ECG.
- Menos revisitas — voltam menos vezes às mesmas regiões, o que pode indicar maior confiança ou melhor estratégia de varredura.
- Fixações mais curtas em regiões diagnósticas — menos “travamento” em um ponto específico, com leitura mais fluida.
Um ponto interessante é que o padrão não é simplesmente “olhar menos”. O artigo sugere que especialistas podem ter uma varredura mais sistemática e ampla do ECG, com um uso mais eficiente de fixações dentro de cada AOI diagnóstica.
Quando entra o machine learning (e o que ele conseguiu fazer)
Depois de extrair as métricas de eye-tracking, o estudo testou modelos de aprendizado de máquina para classificar o nível de expertise com base apenas no comportamento visual.
Entre os modelos descritos no abstract, foram usados:
- Random Forest — o melhor desempenho reportado.
- SVM (Support Vector Machine) — desempenho intermediário.
- KNN (K-Nearest Neighbors) — desempenho um pouco abaixo dos demais.
O artigo relata que o Random Forest atingiu 84% de acurácia (com validação cruzada), superando SVM (78%) e KNN (74%). Também foi feito um teste de permutação (1.000 permutações) com p < 0,001, sugerindo que o resultado ficou bem acima do que seria esperado por acaso.
Além disso, o texto reporta uma correlação forte entre contagem de fixações e duração total do olhar (R² = 0,76). Isso indica que, ao aumentar a exploração visual, aumenta também o tempo total de atenção no ECG, algo intuitivo, mas importante para validar coerência das métricas.
Por que V1, V2 e a tira de ritmo aparecem como “regiões-chave”
Outro achado relevante descrito é que, na importância de variáveis do Random Forest, as regiões associadas às derivações V1, V2 e à tira de ritmo apareceram como fortes preditores de expertise.
Sem entrar em diagnóstico específico (o paper completo traz os detalhes), dá para entender o porquê do ponto de vista clínico: essas regiões frequentemente carregam informações críticas para reconhecimento de padrões, condução elétrica e arritmias, o que tende a ser explorado de forma mais consistente por quem tem maior experiência.
Se conseguimos medir como alguém olha para o ECG, conseguimos treinar não só “o que saber”, mas também como procurar o que precisa ser encontrado.
Implicações diretas para a enfermagem: treinamento, segurança e comunicação
Mesmo que o estudo não seja “exclusivo” da enfermagem, ele conversa com necessidades muito reais da prática. Em educação e serviço, o desafio não é apenas ensinar teoria, mas criar padrões de leitura que reduzam erro e aumentem segurança.
- Treinamento mais objetivo — eye-tracking pode ajudar a mostrar ao profissional onde ele está “perdendo tempo” e como reorganizar a varredura do ECG.
- Feedback imediato — em simulações, seria possível comparar o padrão de olhar do aprendiz com um padrão de referência (de especialistas).
- Competência mensurável — além de prova teórica, métricas de gaze podem funcionar como indicador complementar de desenvolvimento (sempre com cuidado ético e pedagógico).
Em termos de segurança do paciente, isso pode se traduzir em menos atrasos no reconhecimento de alterações relevantes e em comunicação mais precisa entre equipe de enfermagem e equipe médica, especialmente em ambientes onde o ECG é usado para tomada de decisão rápida.
Cuidados e limites (importantes para não vender “milagre”)
Com base no abstract, o estudo é promissor, mas também aponta para limites que precisam ser lembrados antes de extrapolar para a prática:
- Generalização — um modelo treinado em um conjunto específico pode ter desempenho diferente em outros serviços, ECGs e populações.
- Contexto clínico — olhar “como especialista” não substitui conhecimento e raciocínio, e nem sempre o mesmo padrão visual vale para todos os casos.
- Uso ético — métricas de performance em educação e trabalho precisam de governança para não virar vigilância punitiva.
Ou seja, a mensagem mais útil aqui é: o eye-tracking pode ajudar a tornar visível um pedaço do raciocínio clínico, e isso pode apoiar educação e avaliação. Mas ele deve ser usado como ferramenta de melhoria, não como juiz único de competência.
Conclusão
Este estudo mostra que padrões de atenção visual durante a interpretação de ECG podem ser medidos e usados para diferenciar níveis de expertise, com modelos de machine learning alcançando desempenho relevante (como o 84% de acurácia reportado para Random Forest).
Para a enfermagem, a oportunidade é clara: transformar treinamento de ECG em algo mais “observável”, com feedback sobre estratégia de leitura, não só sobre acertos e erros finais.
Se bem implementada, essa abordagem tem potencial para apoiar um objetivo que vale ouro na prática: reduzir variabilidade na leitura, ganhar tempo em situações críticas e fortalecer a segurança do paciente com comunicação mais rápida e mais precisa.
Referência
Attar, E. T. (2026). Eye-tracking biomarkers of clinical expertise in ECG interpretation: statistical and machine learning evidence. Frontiers in Medicine. DOI: 10.3389/fmed.2025.1704829. (Resumo disponível em: PubMed 41766786.)
