As doenças isquêmicas do coração constituem uma das principais causas de óbitos no Brasil. Os episódios isquêmicos manifestam-se no eletrocardiograma ambula torial através de alterações no segmento ST e constituem um bom preditor de infarto do miocárdio e morte súbita. Este trabalho investiga quatro métodos de representação do segmento ST e compara seus desempenhos, vantagens e desvantagens na identificação automática de 165 episó dios isquêmicos de 45 pacientes do European ST-T Database. O primeiro método utiliza um ponto do segmento ST, lo calizado a 104 ms da onda R de cada batimento. O segun do encontra dois pontos do segmento ST, dependentes do intervalo RR, e calcula a amplitude média do sinal com preendido entre estes. O terceiro analisa o coeficiente da primeira componente principal obtido a partir de uma transformação linear que considera vários exemplos de seg mentos ST-T. O quarto método explora a capacidade de redução da dimensionalidade da análise de componentes principais, utilizando os seis primeiros coeficientes como entrada de uma rede neural feedforward/backpropagation que efetua a classificação automática dos segmentos. A saída da rede e os parâmetros fornecidos pelos outros métodos são considerados como séries temporais, sobre as quais é determinado o melhor limiar de detecção de episódios isquêmicos. Embora todos os métodos sejam eficientes para a detecção de alterações elevadas do segmento ST, o em prego da rede neural artificial fornece o melhor desempe nho para alterações moderadas, com 83,64% de sensibili dade e 75,41% de valor preditivo positivo.

The ischemic heart disease is one of the main causes of death in Brazil. The ischemic episodes appear in the ambulatorial electrocardiogram as changes in ST segment and constitutes an increased risk factor of myocardial infarction and sudden death. This work examines four methods of representation of the ST segment and compares the performance, advantages and disadvantages on the automatic identification of 165 ischemic episodes from 45 subjects of the European ST-T Database. The first one uses a sample of the ST segment, placed 104 ms after R wave of each beat. The second one finds two samples over the ST segment that depends of the RR interval and computes the mean amplitude of the samples between them. The third one analyses the coefficient of the first principal component extracted by a linear transform over an ensemble with examples of ST-T segment. The last one explores the capability of principal component analysis to reduce dimensionality, by using the first six coefficients as inputs of a feedforward/ backpropagation neural network that automatic classifies the isolated segments. The output of the network and the parameters given by the other methods are treated as time series, to what is investigated best threshold to detect the ischemic episodes. All methods presented good performance for significant changes of ST segment, but the arti ficial neural network proved to be the best method for detecting slightly changes, with 83.64% sensitivity and 75.41% predictive positivity.