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.

Os pesquisadores reconheceram que os participantes do estudo apresentavam alto risco de diabetes e outros distúrbios metabólicos, portanto, é improvável que representem a população em geral. E o DiaBeats foi um pouco menos preciso naqueles que tomavam medicamentos prescritos para diabetes, pressão alta, colesterol alto, etc. Também não havia dados disponíveis para aqueles que se tornaram pré-diabéticos ou diabéticos, tornando impossível determinar o impacto da detecção precoce.

"Em teoria, o estudo forneceu uma alternativa relativamente barata, não invasiva e precisa [aos métodos de diagnóstico atuais] que pode ser usada como um porteiro para detectar efetivamente o diabetes e o pré-diabetes no início de seu curso", concluíram.

“No entanto, a adoção desse algoritmo na prática de rotina precisará de validação robusta em conjuntos de dados externos e independentes”, alertaram.

No estudo, Kulkarni e colaboradores (2023) demonstraram o uso potencial de uma abordagem baseada em machine learning (ML) usando ECG para detectar diabetes e pré-diabetes no nível de um único batimento cardíaco. O algoritmo (DiaBeats) foi muito preciso tanto no conjunto de validação quanto no conjunto de teste independente. As limitações do TOTG e da HbA1c no rastreamento de diabetes na população são bem conhecidas.

Em comparação, há benefícios claros em usar o ECG para monitorar diabetes/pré-diabetes. Primeiro, o método não é invasivo, além de ser barato. Por exemplo, de acordo com uma pesquisa de práticas laboratoriais na Índia (www.medifee.com), o preço médio para o usuário final da estimativa de OGTT e HbA1c é atualmente de 760 rupias indianas (321 e 439, respectivamente), enquanto o de um ECG padrão a medição é de 214. Em terceiro lugar, enquanto o algoritmo DiaBeats é especificamente treinado para detectar diabetes/pré-diabetes; um ECG pode gerar um espectro muito mais rico de informações sobre condições cardiovasculares coexistentes e, assim, atuar simultaneamente como uma exibição de primeira linha para a saúde cardiovascular geral. Quarto, nesta era de pandemia global, a telemedicina provavelmente se tornará a norma. Nesse contexto, o ECG é mais adequado para avaliação remota do que métodos invasivos, como OGTT e estimativa de HbA1c.

É importante notar que o uso do ECG para a detecção de diabetes e pré-diabetes tem uma forte base biológica. Há muito se reconhece a necessidade de avaliar o estado cardíaco no diabetes tipo 2. A cardiomiopatia diabética é caracterizada pela estimulação dos fatores de crescimento do tecido conjuntivo, fibrose, acúmulo de AGE e rigidez geral do músculo cardíaco. Essa sequência de eventos é particularmente notável nas áreas basais e septais do ventrículo esquerdo. Curiosamente, essas mudanças na estrutura e função do coração começam muito cedo na doença e também ocorrem com hiperglicemia sustentada na faixa pré-diabética. Portanto, o ECG pode ser útil no início do diabetes/pré-diabetes para detectar envolvimento cardíaco sutil, subclínico, concomitante e característico.

No estudo, os melhores exemplos ilustrativos previstos (com a maior confiança) de cada classe-alvo mostraram que em pacientes com pré-diabetes e diabetes havia ondas S profundas claramente detectáveis ​​na derivação III; ondas R altas nas derivações aVF e V2–V3; anormalidades da onda T nas derivações V2, V3 e V5; e frequência cardíaca mais alta em comparação com a melhor pessoa prevista sem diabetes. Essas observações são consistentes com aquelas descritas como características biológicas do diabetes sem doença cardíaca concomitante.

A detecção precoce é a pedra angular das estratégias de prevenção do diabetes, especialmente em populações de alto risco. A natureza invasiva e cara das avaliações de OGTT e HbA1c pode ser um impedimento para a triagem de diabetes em larga escala. O uso do eletrocardiograma associado à inteligência artificial forneceu uma alternativa relativamente barata, não invasiva e precisa que pode ser usada como um porteiro para detectar efetivamente diabetes e pré-diabetes no início de seu curso. No entanto, a adoção desse algoritmo na prática de rotina precisará de validação robusta em conjuntos de dados externos e independentes.