Dados do Trabalho

Título

IDENTIFICAÇAO DE AGRUPAMENTOS DE INDIVIDUOS COM OU SEM PREDISPOSIÇAO AO EXCESSO DE PESO APLICANDO INTELIGENCIA ARTIFICIAL NOS DADOS DA MONITORIZAÇAO DE PRESSAO ARTERIAL DE 24 HORAS.

Introdução

A monitorização ambulatorial da pressão arterial (MAPA) tem aperfeiçoado o diagnóstico e controle da hipertensão arterial. Entretanto, o volume expressivo de dados decorrentes do exame pode também contribuir na identificação de fenótipos de risco cardiovascular. Nossa hipótese foi que, por meio da Inteligência Artificial (IA) poderemos agregar informação fenotípica ao tornar cada um dos valores obtidos na MAPA como pontos em um espaço vetorial, e desse conjunto agregar indivíduos com semelhantes padrões.  

Métodos

Nesse estudo observacional retrospectivo, investigamos a existência de clusters de indivíduos agrupados em torno de um ponto vetorial de referência.  Para tal, cada medida foi considerada como variável isolada compondo para cada paciente um vetor de 164 dimensões (82 pressões sistólicas e 82 diastólicas). Aplicamos o algoritmo de clustering K-means considerando 11 abordagens a partir de todos os campos do dataset. Por fim, avaliamos a frequência das características demográficas de cada cluster obtido. 

Resultados

Foram 21.137 indivíduos (18 a 102 anos), 55% mulheres, com diagnóstico ou suspeita de hipertensão arterial. Identificamos 7 clusters que diferiram entre si com relação às características demográficas. O cluster 7 possuiu a maior proporção de indivíduos com obesidade (29,3%). O cluster 6 possuiu a maior proporção de indivíduos com sobrepeso (46,9%). O cluster 1 a maior proporção daqueles com peso normal (38,4%) e menor proporção de indivíduos com obesidade (24,0%) ou sobrepeso (37,6%). Interessantemente, indivíduos no cluster 1 tiveram em menor proporção hipertensão de jaleco branco (19%, p=0.05), enquanto nos clusters 6(35%, p=0.01) e 7(27%, p=0.02) foi mais frequente.

Conclusões

O presente estudo revela que é possível identificar características clínicas como o excesso de peso, por meio de análises baseadas em algoritmos de IA com os dados individualizados da MAPA. Identificamos assim 3 grupos com particular segregação com relação à frequência e magnitude do excesso de peso e manifestação de hipertensão do jaleco branco.  Tais análises sugerem um novo espectro a ser explorado pela MAPA e a existência de elementos para investigação na fisiopatogenia e fenotipagem da hipertensão arterial.  

Palavras-chave

Inteligência Artificial, Hipertensão Arterial, Machine Learning, Doença Cardiovascular, MAPA