Desenvolvimento de um marcador digital para doença arterial coronariana

Usando aprendizado de máquina e dados clínicos de registros eletrônicos de saúde, pesquisadores da Icahn School of Medicine em Mount Sinai, em Nova York, construíram um marcador in silico, ou derivado de computador, para doença arterial coronariana (DAC) para medir melhor as caracterizações clinicamente importantes do doença.

As descobertas, publicadas on-line em 20 de dezembro na The Lancet, pode levar a um diagnóstico mais direcionado e a um melhor manejo da DAC, o tipo mais comum de doença cardíaca e uma das principais causas de morte em todo o mundo. O estudo é a primeira pesquisa conhecida a mapear as características do CAD em um espectro. Estudos anteriores se concentraram apenas em saber se um paciente tem ou não DAC.

DAC e outras condições comuns existem em um espectro de doenças; a mistura de cada indivíduo fatores de risco e os processos de doença determinam onde eles se enquadram no espectro. No entanto, a maioria desses estudos divide esse espectro da doença em classes rígidas de caso (o paciente tem a doença) ou controle (o paciente não tem a doença). Isso pode resultar em diagnósticos perdidos, manejo inadequado e resultados clínicos piores, dizem os pesquisadores.

“As informações obtidas com esse estadiamento não invasivo da doença podem capacitar os médicos, avaliando com mais precisão o estado do paciente e, portanto, informar o desenvolvimento de planos de tratamento mais direcionados”, diz Ron Do, Ph.D., autor sênior do estudo e Charles Bronfman em Medicina Personalizada na Escola de Medicina Icahn no Monte Sinai.

“Nosso modelo delineia doença arterial coronária populações de pacientes em um espectro de doença; isso pode fornecer mais informações sobre a progressão da doença e como as pessoas afetadas responderão ao tratamento. Ter a capacidade de revelar gradações distintas de risco de doença, aterosclerose e sobrevivência, por exemplo, que podem passar despercebidas com uma estrutura binária convencional, é fundamental.”

No estudo retrospectivo, os pesquisadores treinaram os modelo de aprendizado de máquinadenominado pontuação in silico para doença arterial coronariana ou ISCAD, para medir com precisão a DAC em um espectro usando mais de 80.000 registros eletrônicos de saúde de dois grandes biobancos baseados em sistemas de saúde, o BioMe Biobank no Mount Sinai Health System e o UK Biobank.

O modelo, que os pesquisadores chamaram de “marcador digital”, incorporou centenas de características clínicas diferentes do registro eletrônico de saúde, incluindo sinais vitaisresultados de testes laboratoriais, medicamentos, sintomas e diagnósticos, e comparou-os com um escore clínico existente para DAC, que usa apenas um pequeno número de características predeterminadas, e um escore genético para CAD.

Os 95.935 participantes incluíram participantes de etnias africana, hispânica/latina, asiática e europeia, bem como uma grande parcela de mulheres. A maioria clínica e aprendizado de máquina os estudos sobre CAD têm se concentrado na etnia europeia branca.

Os pesquisadores descobriram que as probabilidades do modelo acompanhavam com precisão o grau de estreitamento das artérias coronárias (estenose coronária), mortalidade e complicações como ataque cardíaco.

“Modelos de aprendizado de máquina como esse também podem beneficiar o setor de saúde em geral, projetando testes clínicos com base na estratificação apropriada do paciente. Também pode levar a estratégias terapêuticas individualizadas baseadas em dados mais eficientes”, diz o principal autor Iain S. Forrest, Ph.D., pós-doutorado no laboratório do Dr. Do e aluno de MD/Ph.D. no Medical Programa de Treinamento de Cientistas em Icahn Mount Sinai.

“Apesar desse progresso, é importante lembrar que o diagnóstico e o tratamento da doença arterial coronariana baseados em médicos e procedimentos não são substituídos por inteligência artificial, mas potencialmente apoiados pelo ISCAD como outra ferramenta poderosa na caixa de ferramentas do clínico”.

Em seguida, os investigadores prevêem a realização de um estudo prospectivo em larga escala para validar ainda mais a utilidade clínica e a operacionalidade do ISCAD, inclusive em outras populações. Eles também planejam avaliar uma versão mais portátil do modelo que pode ser usada universalmente nos sistemas de saúde.