Introdução: A variabilidade da frequência cardíaca (VFC) é representada pela variação entre os intervalos de tempo entre os batimentos cardíacos. A diminuição da VFC está associada a diversos fatores de risco, dentre eles o desenvolvimento de diversas doenças cardiovasculares como o Infarto do Miocárdio (IM). Diversos estudos vêm demonstrando a importância da VFC no diagnóstico de doenças como o IM. Com o avanço da tecnologia, novas abordagens para o uso da VFC vêm sendo utilizadas. Dentre elas, a aprendizagem de máquina (AM) vem sendo bastante estudada e a literatura mostra diversos trabalhos que buscam avaliar e desenvolver novos métodos de predição.Métodos: A amostra é composta de 218 pacientes divididos em dois grupos (IM e saudável). Os dados foram retirados do Telemetric and Holter Electrocardiogram Warehouse (THEW). O banco de dados E-HOL-03-160-001 é composto de 90 pacientes que tiveram IM. O banco de dados E-HOL-03-0202-003 é composto de 128 pacientes saudáveis. As medidas da VFC foram feitas no período de 24h. Para realizar a predição, usamos um método supervisionado de AM e utilizamos o modelo linear do algoritmo Randomforest. O processamento dos dados e aplicação do modelo foi feito no programa R e foram colhidos os melhores resultados para cada domínio. Utilizando a ferramenta LIME dentro do próprio R, cinco variáveis de cada domínio foram escolhidas de acordo com o seu poder de predição, como mostra a tabela 1.Resultados: A tabela 2 mostra os resultados utilizando o modelo linear do algoritmo Randomforest. O domínio do tempo apresentou acurácia de 0.87, Kappa de 0.71, sensibilidade de 0.91 e especificidade de 0.80. No domínio da frequência a acurácia foi de 0.82, Kappa de 0.64, sensibilidade de 0.77 e especificidade de 0.85. as variáveis de Poincaré plot a acurácia foi de 0.95, Kappa de 0.88, sensibilidade de 0.97 e especificidade de 0.92. Nos índices geométricos a acurácia foi de 0.84, Kappa de 0.65, sensibilidade de 0.87 e especificidade de 0.78. Na análise simbólica a acurácia foi de 0.66, Kappa de 0.20, sensibilidade de 0.81 e especificidade de 0.39. Conclusões: Após a análise dos resultados, as variáveis que apresentaram maior poder de predição foram as de Poincaré plot. Em contrapartida, as variáveis da análise simbólica foram as que apresentaram menores valores de acurácia. Futuros estudos poderão utilizar modelos de aprendizagem de máquina para avaliar ou predizer riscos cardiovasculares. A avaliação e predição do risco pode trazer uma nova abordagem clínica para essa disfunção e mudar a forma e acelerar o tempo para o diagnóstico.
