Detecção precoce e barata | 18 ABR 23

Inteligência artificial associada ao eletrocardiograma pode prever diabetes e pré-diabetes

Poderia ser usado para rastrear doenças em ambientes de poucos recursos, dizem os pesquisadores
Autor/a: Anoop R Kulkarni, Ashwini A Patel, Kanchan V Pipal, Sujeet G Jaiswal, et al. Fuente: BMJ Innovations Machine-learning algorithm to non-invasively detect diabetes and pre-diabetes from electrocardiogram

Um algoritmo de inteligência artificial (IA), derivado das características de batimentos cardíacos individuais registrados em um eletrocardiograma (ECG), pode prever com precisão diabetes e pré-diabetes, sugere pesquisa preliminar publicada na revista BMJ Innovations. Se validado em estudos maiores, a abordagem pode ser usada para detectar a doença em locais com poucos recursos, dizem os pesquisadores.

Estima-se que 463 milhões de adultos em todo o mundo tinham diabetes em 2019. Detectar a doença em seus estágios iniciais é fundamental para prevenir problemas graves de saúde posteriormente. Mas o diagnóstico depende em grande parte da medição da glicemia. Isso não é apenas invasivo, mas também desafiador de implementar como um teste de triagem em massa em locais com poucos recursos, observaram os pesquisadores.

As alterações estruturais e funcionais do sistema cardiovascular ocorrem precocemente, antes mesmo das alterações indicativas da glicemia, e estas aparecem no traçado do ECG cardíaco. Portanto, os Kulkarni e colaboradores (2023) desenvolveram um estudo para determinar se as técnicas de aprendizado de máquina (IA) poderiam ser usadas para aproveitar o potencial da detecção de ECG para prever pré-diabetes e diabetes tipo 2 em pessoas com alto risco da doença.

O sistema cardiovascular é um alvo precoce do processo diabético. Mesmo na ausência de doença cardíaca evidente e disglicemia apreciável, continuam a existir distúrbios no controle autonômico da função cardíaca em pré-diabetes e diabetes. Além disso, o processo diabético é caracterizado por alterações estruturais como visto na cardiomiopatia diabética e fibrose cardíaca. Por exemplo, foi postulado que hiperglicemia, espécies reativas de oxigênio, acúmulo de produtos finais de glicação avançada (AGEs) e anormalidades na regulação neuro-hormonal contribuem juntos para um processo degenerativo caracterizado por fibrose cardíaca. Essas alterações estruturais e funcionais do sistema cardiovascular podem ser detectadas muito precocemente na progressão do pré-diabetes/diabetes, mesmo quando os sintomas de disglicemia ainda não apareceram.

No estudo, Kulkarni e colaboradores (2023) se basearam em participantes do estudo Diabetes in Sindhi Families in Nagpur (DISFIN), que examinou a base genética do diabetes tipo 2 e outras características metabólicas em famílias sindi de alto risco em Nagpur, na Índia. Famílias com pelo menos um caso conhecido de diabetes tipo 2 e que vivem em Nagpur, que tem uma alta densidade de pessoas sindi, foram incluídas no estudo.

Os participantes forneceram detalhes de seu histórico médico pessoal e familiar, dieta normal e foram submetidos a uma ampla gama de exames de sangue e avaliações clínicas. A média de idade foi de 48 anos e 61% deles eram mulheres.

Pré-diabetes e diabetes foram identificados com base em critérios diagnósticos especificados pela American Diabetes Association.

A prevalência de diabetes tipo 2 e pré-diabetes foi alta: cerca de 30% e 14%, respectivamente. E a prevalência de resistência à insulina também foi alta (35%), assim como a prevalência de outras condições coexistentes influentes: pressão alta (51%), obesidade (cerca de 40%) e gorduras sanguíneas desordenadas (36%).

Um traçado cardíaco padrão de ECG de 12 derivações com duração de 10 segundos foi realizado para cada um dos 1.262 participantes incluídos. E 100 recursos estruturais e funcionais exclusivos para cada eletrodo foram combinados para cada um dos 10.461 batimentos cardíacos individuais registrados para gerar um algoritmo preditivo (DiaBeats).

Com base na forma e no tamanho dos batimentos cardíacos individuais, o algoritmo DiaBeats detectou rapidamente diabetes e pré-diabetes com 97% de precisão geral e 97% de precisão, respectivamente, independentemente de fatores de influência como idade, sexo e distúrbios metabólicos coexistentes.

As características importantes do ECG foram consistentes com os gatilhos biológicos conhecidos que sustentam as alterações cardíacas típicas do diabetes e do pré-diabetes.

Figura 1: Previsão típica oferecida pelo modelo DiaBeats para cada classe. Os painéis mostram exemplos de ECG de 12 derivações de amostras preditas com alta confiança (por exemplo, perda mínima específica da amostra) para as classes não-diabéticas (esquerda), pré-diabéticas (meio) e diabetes tipo 2 (direita). Destacadas em azul claro estão as batidas que o modelo DiaBeats identificou como as mais características. avF, Vetor do Pé aumentado; aVL, Vetor Esquerdo aumentado; aVR, vetor direito aumentado.

 

Comentarios

Para ver los comentarios de sus colegas o para expresar su opinión debe ingresar con su cuenta de IntraMed.

CONTENIDOS RELACIONADOS
AAIP RNBD
Términos y condiciones de uso | Política de privacidad | Todos los derechos reservados | Copyright 1997-2024