Telemetria cardíaca pode ampliar a vigilância do ritmo, mas seu valor também depende do que acontece depois que um alerta aparece. Entre a identificação de uma alteração e a decisão clínica, existem etapas de revisão, comunicação e resposta que precisam funcionar em conjunto.
Imagine uma equipe recebendo notificações sucessivas durante um plantão. Algumas sinalizam alterações relevantes, outras exigem conferir o traçado, verificar eletrodos ou reconhecer um evento já conhecido. Essa situação hipotética levanta uma pergunta prática: como organizar a informação sem perder aquilo que realmente exige atenção?
No Diagnóstico Ideal, já discutimos o papel da monitorização cardíaca prolongada e as possibilidades da IA no ECG. Agora, avançamos para a etapa seguinte: como utilizar esses registros dentro de um processo assistencial.
Essa discussão interessa a cardiologistas, arritmologistas, enfermagem e lideranças de saúde digital. Também ajuda a avaliar tecnologias com perguntas que vão além do número de arritmias reconhecidas.
A qualidade da monitorização deve ser discutida a partir do sinal, da interpretação e da resposta que o serviço consegue oferecer.
Telemetria cardíaca: detectar não é o mesmo que decidir
Um alerta não representa necessariamente um diagnóstico confirmado. Ele pode indicar que determinada regra ou classificação automática identificou algo que precisa ser avaliado. A interpretação depende do registro disponível e da situação clínica.
Também precisamos distinguir um falso alarme de um evento verdadeiro sem necessidade de intervenção imediata. No primeiro caso, o sistema sinaliza uma alteração que não está presente. No segundo, existe um achado real, mas sua prioridade depende das características do evento e do paciente.
Por exemplo, uma alteração causada por artefato não equivale a uma arritmia documentada. Entretanto, reconhecer uma arritmia verdadeira também não determina, isoladamente, qual conduta adotar. Essa diferença impede que todos os avisos sejam tratados como problemas idênticos.
O problema antecede os wearables atuais. Em 2014, Drew e colaboradores publicaram um estudo observacional com 461 adultos em cinco UTIs, acompanhados durante uma janela de 31 dias. Entre 12.671 alarmes de arritmia revisados, 88,8% foram classificados como falsos positivos.
Esse resultado descreve aquele hospital, aqueles equipamentos e aquele período. Não deve ser apresentado como taxa atual de todos os monitores, nem aplicado automaticamente a dispositivos vestíveis. Ainda assim, documenta uma questão relevante: a quantidade de alarmes pode superar bastante a quantidade de eventos confirmados.
A exposição repetida a avisos falsos ou sem relevância imediata pode contribuir para a fadiga de alarmes, dificultando a atenção aos eventos prioritários.
Há outra distinção essencial. Na telemetria com transmissão em tempo real, um alerta integra uma estrutura de acompanhamento durante a monitorização. Já no Holter convencional, as marcações automáticas geralmente ajudam a revisar o exame posteriormente. Existem diferentes modelos de monitorização ambulatorial, inclusive com transmissão de eventos.
Portanto, registrar continuamente não significa, por si só, oferecer acompanhamento humano contínuo. Ao comparar serviços, é necessário esclarecer quando os dados são analisados, quem recebe os achados e como acontece a comunicação.
Telemetria cardíaca com IA: por que a acurácia não basta
Ao avaliar um algoritmo, um percentual elevado de acertos pode parecer suficiente. Entretanto, precisamos entender o que foi medido, em qual população e com qual frequência o evento procurado estava presente.
Considere um exemplo hipotético, apenas para ilustrar essa diferença. Um sistema analisa 10.000 segmentos de ECG, dos quais 100 contêm determinada arritmia. Com sensibilidade de 90%, identifica 90 desses segmentos e deixa dez sem identificação.
Se a especificidade também for de 90%, outros 990 segmentos serão classificados incorretamente como positivos. O resultado será uma acurácia de 90%, mas apenas aproximadamente 8,3% das classificações positivas corresponderão à arritmia procurada.
Esse cálculo não descreve nenhum equipamento. Também não representa alarmes por paciente, porque segmentos consecutivos podem pertencer ao mesmo episódio. Ele mostra por que acurácia, sensibilidade e valor preditivo positivo respondem a perguntas diferentes.
Na avaliação clínica, interessa saber quantos eventos relevantes foram identificados e quantas classificações positivas se confirmaram. Além disso, precisamos conhecer a unidade utilizada: batimentos, segmentos, episódios ou pacientes. Métricas calculadas em unidades diferentes não devem ser comparadas como equivalentes.
Um exemplo recente é o Cardiac-Net, publicado em outubro de 2026. O trabalho combina um protótipo wearable com um modelo de IA para detecção de fibrilação atrial. Na validação cruzada com 84 registros de uma base pública, o algoritmo apresentou AUC média de 0,953. Em outra base, sem ajuste adicional, a AUC foi de 0,834.
A AUC descreve a capacidade de discriminação do modelo, não corresponde diretamente ao percentual de acertos ou à segurança do atendimento. Nesse estudo, os autores também identificaram desafios de falsos alarmes e variação do desempenho entre pacientes.
Os resultados não demonstram benefício clínico de uma implantação hospitalar. Sua contribuição é mostrar que avaliar um algoritmo também exige investigar os limites que aparecem fora do conjunto utilizado no desenvolvimento.
Transparência sobre essas condições é parte da avaliação. Os princípios publicados por FDA, Health Canada e MHRA destacam população-alvo, ambiente de uso, desempenho e limitações. O documento também enfatiza a interação entre profissionais e IA.
Para uma equipe que considera incorporar a tecnologia, isso sugere perguntas concretas: os testes representam nossos pacientes? O dispositivo utilizado na validação corresponde à configuração oferecida? Como o sistema apresenta registros inconclusivos?
Uma apresentação técnica útil precisa permitir que o serviço reconheça tanto as capacidades quanto as condições em que o resultado merece cautela.
Telemetria cardíaca: do alerta ao fluxo assistencial
A declaração científica da American Heart Association sobre monitorização eletrocardiográfica hospitalar, publicada em 2017, inclui gestão de alarmes, capacitação e documentação. Seu escopo é hospitalar; o documento não estabelece recomendações para Holter ou outras modalidades ambulatoriais.
Essa abordagem reforça uma escolha prática: discutir o processo de trabalho junto com a tecnologia. Para organizar essa avaliação, propomos começar por três perguntas: qual problema queremos acompanhar, quem analisará a informação e qual resposta estará disponível?
A primeira pergunta define o propósito. Detectar uma arritmia durante a internação, investigar sintomas intermitentes e quantificar eventos em um exame são objetivos diferentes. O consenso ISHNE-HRS descreve modalidades distintas de monitorização e relaciona sua seleção à necessidade clínica.
Na proposta de implantação, esse propósito deve ficar explícito. Uma frase como “acompanhar o ritmo” pode ser ampla demais para definir cobertura, responsabilidades e critérios de avaliação.
A segunda pergunta trata da revisão. Sugerimos descrever quem confere o registro, como documenta a interpretação e para quem encaminha os eventos prioritários. Também é útil definir o que acontece quando há dúvida técnica ou ausência de um profissional no fluxo previsto.
A terceira pergunta envolve a comunicação. Propomos que o serviço consiga rastrear o caminho entre o evento identificado, sua avaliação e a confirmação do recebimento pelo responsável. Assim, a discussão deixa de terminar na tela onde apareceu a notificação.
O paciente também precisa compreender o modelo oferecido. A declaração internacional sobre saúde móvel e arritmias, de 2021, discute os desafios de incorporar essas tecnologias ao cuidado. Entre eles, está transformar dados produzidos por dispositivos em informações que possam apoiar decisões.
Como aplicação desse princípio, recomendamos que a orientação ao paciente explique horários de acompanhamento, canais de contato e limites do serviço. O termo “conectado” não deveria deixar dúvidas sobre quem acompanha os dados e quando.
Para avaliar um projeto, sugerimos combinar indicadores técnicos e assistenciais. Podem entrar nessa análise o tempo de sinal interpretável, os alertas por paciente-dia e a proporção confirmada após revisão. Nessa confirmação, é necessário separar a presença de uma arritmia da necessidade de intervenção.
Também propomos acompanhar os tempos de análise e comunicação. Quando houver revisão independente, ela poderá ajudar a investigar eventos não identificados pelo fluxo.
Esses indicadores precisam ter definições claras. Contar notificações repetidas como eventos independentes, por exemplo, pode distorcer a leitura do problema. Da mesma forma, medir apenas a redução de alertas não permite concluir que a segurança melhorou.
A avaliação deve verificar o que foi reduzido e o que permaneceu detectável. O objetivo proposto é preservar eventos relevantes e reduzir interrupções desnecessárias, sem simplesmente elevar limites ou silenciar alarmes.
Para o Diagnóstico Ideal, essa é uma discussão central na cardiologia conectada. O debate sobre inovação fica mais útil quando permite compreender o percurso completo da informação e as responsabilidades envolvidas.
Antes de ampliar uma operação, vale fazer uma pergunta concreta: se um evento relevante aparecer agora, quem o avaliará? E como a equipe responsável será informada?
Uma resposta clara ajuda a transformar a escolha de uma tecnologia em um projeto assistencial que possa ser acompanhado, avaliado e aprimorado.
Nota editorial: A Cardio Web utiliza recursos de inteligência artificial como apoio à organização, redação e revisão de conteúdos. Este artigo foi revisado pela nossa equipe antes da publicação, preservando nosso compromisso com qualidade, clareza e responsabilidade na informação em saúde.
Referências
- Steinberg JS, Varma N, Cygankiewicz I, et al. 2017 ISHNE-HRS expert consensus statement on ambulatory ECG and external cardiac monitoring/telemetry. Annals of Noninvasive Electrocardiology. 2017;22:e12447. DOI: 10.1111/anec.12447. Wiley Online Library
- Drew BJ, Harris P, Zègre-Hemsey JK, et al. Insights into the problem of alarm fatigue with physiologic monitor devices: a comprehensive observational study of consecutive intensive care unit patients. PLOS ONE. 2014;9(10):e110274. DOI: 10.1371/journal.pone.0110274. PLOS
- Mehta V, Komanduri A, Bhadouriya RS, et al. Evaluating transparency in AI/ML model characteristics for FDA-reviewed medical devices. npj Digital Medicine. 2025;8:673. DOI: 10.1038/s41746-025-02052-9. Nature
- Edder A, Ben Bouazza FE, Ait Bigane Y, et al. Cardiac-Net: a wearable ECG prototype and hybrid CNN–Transformer model for atrial fibrillation detection in long-term ECG recordings. BioMedInformatics. 2026;6(5):90. DOI: 10.3390/biomedinformatics6050090. MDPI
- FDA, Health Canada e MHRA. Transparency for machine learning-enabled medical devices: guiding principles. Documento sobre transparência, desempenho e comunicação das limitações de dispositivos médicos com aprendizado de máquina. U.S. Food and Drug Administration
- Sandau KE, Funk M, Auerbach A, et al. Update to practice standards for electrocardiographic monitoring in hospital settings: a scientific statement from the American Heart Association. Circulation. 2017. DOI: 10.1161/CIR.0000000000000527. professional.heart.org
- Varma N, Cygankiewicz I, Turakhia MP, et al. 2021 ISHNE/HRS/EHRA/APHRS expert collaborative statement on mHealth in arrhythmia management: digital medical tools for heart rhythm professionals. Circulation: Arrhythmia and Electrophysiology. 2021. DOI: 10.1161/CIRCEP.120.009204. AHA Journals