Fenótipos digitais para marcadores de risco cardiometabólico

Fenótipos digitais de alta resolução coletados por dispositivos vestíveis podem ser usados ​​para prever melhor o risco de doenças cardiometabólicas e melhorar o gerenciamento personalizado da saúde, sugeriu um estudo publicado no Journal of Medical Internet Research.

Dispositivos vestíveis de consumo, como relógios inteligentes e rastreadores de fitness, registram a frequência cardíaca, a contagem de passos e outros dados de saúde em condições normais. Pesquisas recentes demostraram que estatísticas resumidas desses dispositivos vestíveis têm usos potenciais para monitoramento longitudinal de estados de saúde e doença.

"Ao contrário de dados 'limpos' de configurações experimentais controladas, as gravações portáteis do mundo real tendem a ser irregulares, contêm trechos ausentes, não têm anotações de contexto limpas e têm comprimentos variáveis", escreveram os autores do estudo. "Como tal, as análises baseadas na aplicação ingênua de métodos de extração de recursos de séries temporais de propósito geral podem não ter validade ecológica".

Por essas razões, os autores levantaram a hipótese de que a dinâmica fisiológica de alta resolução e os fenótipos registrados por dispositivos vestíveis podem se aplicar a marcadores modificáveis ​​e inerentes de risco de doença cardiometabólica.

Para observar isso, os autores usaram uma estrutura para extrair dados de fenótipo de alta resolução dos dispositivos portáteis usáveis e os aplicaram a um conjunto de dados multimodal, usando aprendizado de máquina para modelar relacionamentos não lineares e comparações de modelos para avaliar o valor preditivo de fenótipos de alta resolução.

Com base nessas descobertas, os autores destacaram duas potenciais aplicações do framework desenvolvido.

Primeiro, o estudo revelou novas relações entre a dinâmica da frequência cardíaca de alta resolução e o risco de doença cardiometabólica. "Essas descobertas destacaram o valor agregado de avaliar a fisiologia em estados de atividade de vida livre (além de configurações clínicas controladas) para controle e gerenciamento de risco de doenças", disseram os autores.

Em segundo lugar, os resultados oferecem uma nova perspectiva sobre as ligações entre dados coletados por dispositivos vestíveis e predisposições genéticas em doenças cardiometabólicas. “Uma vez que essas associações não parecem depender da presença ou ausência de marcadores de risco clínicos evidentes, postulamos que fenótipos de alta resolução de dispositivos vestíveis podem capturar mudanças fisiológicas subclínicas sutis decorrentes de predisposições de doenças latentes”, concluíram.

Antecedentes

Dispositivos vestíveis de nível de consumidor permitiram registros detalhados de frequência cardíaca e contagem de passos em condições de vida livre. Estudos recentes mostraram que estatísticas resumidas dessas gravações portáteis têm usos potenciais para monitoramento longitudinal de estados de saúde e doença. No entanto, a relação entre a dinâmica fisiológica de alta resolução de dispositivos vestíveis e marcadores conhecidos de saúde e doença permanece em grande parte descaracterizada.

Objetivo

O objetivo do estudo foi derivar fenótipos digitais de alta resolução de gravações observacionais portáteis e examinar suas associações com marcadores modificáveis ​​e inerentes de risco de doença cardiometabólica.

Métodos

Os pesquisadores introduziram uma estrutura de princípios para extrair fenótipos interpretáveis ​​de alta resolução de dados portáteis registrados em condições de vida livre. A estrutura proposta padronizou o tratamento de irregularidades de dados; codificou informações contextuais sobre o estado fisiológico subjacente em um determinado momento; e gerou um conjunto de 66 recursos minimamente redundantes nos estados ativo, sedentário e de sono.

Aplicaram a abordagem a um conjunto de dados multimodal, do estudo SingHEART (NCT02791152), compreendendo contagem de passos e séries temporais de frequência cardíaca de dispositivos vestíveis, perfis de triagem clínica e sequências completas do genoma de 692 voluntários saudáveis.

Utilizaram o aprendizado de máquina para modelar relações não lineares entre fenótipos de alta resolução, por um lado, e marcadores de risco clínico ou genômico para pressão arterial, lipídios, anormalidades de peso e açúcar, por outro.

Para cada tipo de risco, realizaram comparações de modelos baseados em Brier-score para avaliar o valor preditivo de recursos de alta resolução além das linhas de base típicas. Também caracterizaram qualitativamente fenótipos portáteis para participantes que tiveram eventos clínicos atualizados.

Resultados

As características de alta resolução tiveram um valor preditivo mais alto do que as linhas de base típicas para marcadores clínicos de risco de doença cardiometabólica: os melhores modelos baseados em características de alta resolução tiveram uma melhora de 17,9% e os 7,36% no escore de Brier sobre as linhas de base com base na idade e sexo e frequência cardíaca de repouso, respectivamente (p < 0,001 em cada caso).

Além disso, a dinâmica da frequência cardíaca de diferentes estados de atividade contém informações diferentes (coeficiente de correlação absoluto máximo de 0,15). A dinâmica da frequência cardíaca em estados sedentários é mais preditiva de anormalidades lipídicas e obesidade, enquanto os padrões em estados ativos são mais preditivos de anormalidades da pressão arterial (P <0,001).

Além disso, em comparação com medidas padrão, padrões de resolução mais altos em registros portáteis de frequência cardíaca podem representar melhor a dinâmica fisiológica sutil relacionada ao risco genômico de doença cardiometabólica (11,9% a 22,0% de melhora nos escores de Brier, p < 0,001).

Finalmente, estudos de caso ilustrativos revelam conexões entre esses fenótipos de alta resolução e eventos clínicos atualizados, mesmo para perfis limítrofes sem marcadores de risco cardiometabólico aparentes.

Figura 1. Canalização de processamento de dados utilizável. (A) Construção de recursos de baixa resolução com base em estatísticas resumidas. (B) Construção de recursos de alta resolução com base no algoritmo Canonical Time-series Characteristics 22 (Catch22). (C) Gráfico UpSet dos 692 participantes com características das diferentes categorias. Apenas interseções de conjuntos não vazios são apresentadas. O tamanho da interseção indica o número de participantes que se encontram dentro das interseções de determinados conjuntos. Do maior cruzamento com 328 participantes, 321 também possuíam registros de medidas laboratoriais.