Metodologia para a detecção de neuropatia autonômica subclínica em indivíduos com diabetes mellitus baseada na variabilidade de sinais fisiológicos

Abstract

A neuropatia autonômica cardiovascular (CAN) está entre as complicações crônicas mais comuns do diabetes mellitus, pois envolve todo o sistema nervoso autônomo e é um dos fatores determinantes da perda da qualidade de vida e morbimortalidade dos pacientes. A detecção precoce da CAN, enquanto assintomática (subclínica), pode permitir a realização de tratamento e acompanhamento apropriados e, consequentemente, a prevenção das sérias complicações associadas. Atualmente, não existe um teste simples que permita o screening de pacientes diabéticos em ambiente clínico. A análise da variabilidade de sinais fisiológicos e.g., frequência cardíaca (VFC), intervalo QT (função ventricular), pressão sanguínea (VPS), respiração (Resp) e sensibilidade barorreflexa (BRS) são técnicas de rápida execução e fácil utilização, de baixo custo e que podem constituir uma metodologia de ampla utilização para o diagnóstico e acompanhamento da CAN no próprio consultório médico. Com o objetivo de desenvolver uma metodologia capaz de detectar a neuropatia autonômica subclínica (SCAN) em indivíduos com diabetes, foi desenvolvido um estudo constituído de quatro fases: Fase 1) Implementação de um programa de computador para obtenção das séries geradas a partir dos sinais de ECG e PPG, bem como extração de índices das referidas séries; Fase 2) Análise exploratória dos índices tradicionais implementados para a diferenciação dos pacientes em relação ao estágio da CAN; Fase 3) Análise exploratória de índices gerados a partir da análise de BRS considerando diferentes lags (atrasos) na resposta da frequência cardíaca a mudanças na pressão sanguínea; e Fase 4) Implementação de um classificador computacional que diferencie os pacientes diabéticos nas classes: Sem CAN, com CAN subclínica e com CAN estabelecida. A análise de todos os índices implementados na Fase 1 não evidenciou índices que sozinhos pudessem classificar os pacientes de acordo com seu estágio da CAN. No entanto, a análise de BRS considerando diferentes lags proporcionou a geração de novos índices que foram suficientes para a obtenção de um classificador baseado em random forest capaz de diferenciar os pacientes de acordo com seu estágio de CAN. O classificador desenvolvido obteve 96% de sensibilidade para detecção da SCAN, além de um índice Kappa de 0,98, sendo, portanto, validado quanto a exatidão e reprodutibilidade dos resultados. A ferramenta computacional já oferece condições de ser usada em ambiente ambulatorial, possibilitando, de forma não invasiva e sem depender da contribuição ativa do paciente, a detecção precoce da CAN e um prognóstico para a evolução desta complicação crônica do diabetes mellitus.

Abstract: Cardiovascular autonomic neuropathy (CAN) is among the most common chronic complications of diabetes mellitus, as it involves the entire autonomic nervous system and is one of the determining factors in the loss of quality of life and morbidity and mortality of patients. The early detection of CAN, while asymptomatic (subclinical), can allow for appropriate treatment and follow-up and, consequently, the prevention of serious associated complications. Currently, there is no simple test that allows the screening of diabetic patients in a clinical setting. The analysis of the variability of physiological signals e.g., heart rate (HRV), QT interval (ventricular function), blood pressure (VPS), breathing (Resp) and baroreflex sensitivity (BRS) are techniques of quick execution and easy use, of low cost and that can be a widely used methodology for the diagnosis and monitoring of CAN in the doctor's office. In order to develop a methodology capable of detecting subclinical autonomic neuropathy (SCAN) in individuals with diabetes, a study consisting of four stages was developed: Stage 1) Implementation of a computer program to obtain the series generated from the signals of ECG and PPG, as well as extraction of indexes from the referred series; Stage 2) Exploratory analysis of the traditional indexes implemented to differentiate patients from the CAN stage; Stage 3) Exploratory analysis of indexes generated from the BRS analysis considering different lags (delays) in the heart rate response to changes in blood pressure; and Stage 4) Implementation of a computational classifier that differentiates diabetic patients in the classes: Without CAN, with subclinical CAN and with established CAN. The analysis of all the indices implemented in Stage 1 did not show any indices that alone could classify patients according to their stage of CAN. However, the BRS analysis considering different lags provided the generation of new indices that were sufficient to obtain a classifier based on random forest capable of differentiating patients according to their CAN stage. The developed classifier obtained 96% sensitivity for the detection of SCAN, in addition to a Kappa index of 0.98, being therefore validated as to the accuracy and reproducibility of the results. The computational tool already offers conditions to be used in an outpatient setting, allowing, in a non-invasive way and without depending on the patient's active contribution, the early detection of CAN and a prognosis for the evolution of this chronic complication of diabetes mellitus.