Variabilidade da frequência cardíaca e da saturação de oxigênio na criação de modelos de aprendizado de máquina para detecção e classificação da gravidade da apnéia obstrutiva do sono

• Ano de defesa: 2024
• Autor(a) principal: Santos, Rafael Rodrigues dos
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Apnéia obstrutiva do sono; Artificial intelligence; Autonomic nervous system; Heart rate variability; Inteligência artificial; Obstructive sleep apnea; Oxygen saturation; Saturação de oxigênio; Sistema nervoso autônomo; Variabilidade da frequência cardíaca
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/17/17134/tde-23012025-095436/

A apneia obstrutiva do sono (AOS) é um distúrbio respiratório do sono altamente prevalente. A polissonografia (PSG), padrão-ouro para seu diagnóstico, é um exame complexo e relativamente pouco acessível, resultando um elevado número de indivíduos subdiagnosticados, e, consequentemente, em risco de desenvolverem diversas comorbidades. Portanto, estudos buscando abordagens alternativas diagnósticas simples e acessíveis são de grande interesse nessa população. A análise da variabilidade da frequência cardíaca (HRV) é uma técnica relativamente simples e não-invasiva que fornece valiosas informações sobre a modulação autonômica no coração. Existem muitos índices de HRV, vários dos quais estão intimamente relacionados com o risco cardíaco e o prognóstico de diversas doenças cardiovasculares e sistêmicas, incluindo a AOS. Além disso, a variabilidade de outros sinais biológicos, como EEG, EMG e oximetria de pulso (SpO2), também tem despertado interesse. Entretanto, certos índices possuem lacunas na literatura acerca de seus resultados quando utilizados em pacientes com AOS. Outra técnica que vem ganhando campo em estudos clínicos é o aprendizado de máquina (AM), visto a possibilidade de criar modelos preditivos usando diversos atributos, sendo útil na distinção de indivíduos patológicos de saudáveis. Com isso, este estudo tem como objetivo avaliar a possibilidade do uso de índices de HRV e do sinal de SpO2 na diferenciação e correlação desses índices com a gravidade da AOS, além da detecção e classificação da AOS de acordo com sua classe de gravidade, através de modelos preditivos e classificatórios de AM. Foram coletados os sinais do ECG e SpO2 de exames de PSG realizados no Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto da USP, para cálculo dos índices, assim como os laudos dos exames para obtenção do índice de apneia-hipopneia (IAH), escore que diagnostica e classifica os indivíduos de acordo com a gravidade da AOS. Foram calculados 34 índices de HRV utilizando métodos nos domínios do tempo e da frequência, além de métodos não lineares. Também foram calculadas medidas não lineares de variabilidade do sinal da SpO2. Ambos os índices de variabilidade (HRV e SpO2), bem como dados clínicos e antropométricos dos pacientes, foram utilizados, isoladamente ou em conjunto, para treinar modelos de AM, usando os algoritmos de Random Forest e Multilayer Perceptron, tanto nos modelos de regressão (visando a predição do IAH) quanto os de classificação (visando a predição da classe de gravidade da AOS). Os índices de HRV mostraram-se alterados em portadores AOS em comparação com indivíduos saudáveis. Correlações significativas foram encontradas entre vários índices de HRV e o IAH, indicando uma relação entre HRV e a gravidade da AOS. Nos modelos de AM, observou-se um melhor desempenho na predição e classificação dos pacientes quando os índices de HRV foram combinados com índices do sinal da SpO2. Os cálculos de índices não-lineares da SpO2 mostraram resultados favoráveis em comparação com índices tradicionalmente utilizados deste sinal, tanto na diferenciação com base na gravidade quanto na correlação com o IAH, atingindo valores de correlação de até 0,8. Os modelos preditivos de AM, criados utilizando apenas os índices da SpO2, tiveram resultados promissores, evidenciando seu possível impacto clínico. Quando combinados com os índices de HRV, esses modelos atingiram valores de 0,9 na área sob a curva ROC, demonstrando um desempenho ainda mais robusto. Nosso estudo demonstrou que sinais como ECG e SpO2 têm potencial para detectar e classificar a AOS de acordo com sua gravidade. Esses resultados podem contribuir para o desenvolvimento de futuras técnicas de triagem de pacientes com essa condição, auxiliando no diagnóstico precoce e, consequentemente, antecipando o início do tratamento, reduzindo os riscos à saúde desses indivíduos.