Los investigadores desarrollaron un marco para extraer fenotipos digitales de alta resolución de dispositivos portátiles y usarlos para predecir el riesgo de enfermedad cardiometabólica.
Los fenotipos digitales de alta resolución recopilados por dispositivos portátiles podrían usarse para predecir mejor el riesgo de enfermedades cardiometabólicas y mejorar la gestión de la salud personalizada, sugiere un estudio publicado en el Journal of Medical Internet Research.
Los dispositivos portátiles para el consumidor, como los relojes inteligentes y los rastreadores de actividad física, registran la frecuencia cardíaca, el conteo de pasos y otros datos de salud en condiciones normales del día a día. Investigaciones recientes también han demostrado que las estadísticas resumidas de tales dispositivos portátiles tienen usos potenciales para el monitoreo longitudinal de estados de salud y enfermedades.
“A diferencia de los datos «limpios» de entornos experimentales controlados, las grabaciones portátiles del mundo real tienden a ser irregulares, contienen tramos faltantes, carecen de anotaciones de contexto limpias y tienen longitudes variables”, escribieron los autores del estudio. «Como tal, los análisis basados en la aplicación ingenua de métodos de extracción de características de series temporales de propósito general pueden no tener validez ecológica».
Por estas razones, los autores plantearon la hipótesis de que la dinámica fisiológica de mayor resolución y los fenotipos registrados por los dispositivos portátiles pueden aplicarse a los marcadores modificables e inherentes del riesgo de enfermedad cardiometabólica.
Para observar esto, los autores utilizaron un marco para extraer los datos de fenotipos de alta resolución de los dispositivos portátiles y los aplicaron a un conjunto de datos multimodales, utilizando el aprendizaje automático para modelar relaciones no lineales y comparaciones de modelos para evaluar el valor predictivo de los fenotipos de alta resolución.
Descubrieron que estas características fisiológicas de alta resolución tenían un valor predictivo más alto en comparación con las líneas de base típicas para los marcadores clínicos de riesgo de enfermedad cardiometabólica.
Con base en estos hallazgos, los autores destacaron 2 aplicaciones potenciales del marco desarrollado.
Primero, el estudio reveló nuevas relaciones entre la dinámica de la frecuencia cardíaca de alta resolución y el riesgo de enfermedad cardiometabólica.
“Estos hallazgos resaltan el valor agregado de evaluar la fisiología en estados de actividad de vida libre (más allá de los entornos clínicos controlados) para el control y la gestión del riesgo de enfermedades”, dijeron los autores.
En segundo lugar, los resultados ofrecen una nueva perspectiva sobre los vínculos entre los datos recopilados por los dispositivos portátiles y las predisposiciones genéticas en las enfermedades cardiometabólicas.
«Dado que estas asociaciones no parecen depender de la presencia o ausencia de marcadores de riesgo clínico manifiesto, postulamos que los fenotipos de alta resolución de los dispositivos portátiles pueden capturar cambios fisiológicos subclínicos sutiles derivados de predisposiciones latentes a la enfermedad», concluyeron.
Resumen
Antecedentes:
Los dispositivos portátiles de grado de consumo permiten registros detallados de la frecuencia cardíaca y el conteo de pasos en condiciones de vida libre. Estudios recientes han demostrado que las estadísticas resumidas de estas grabaciones portátiles tienen usos potenciales para el seguimiento longitudinal de los estados de salud y enfermedad. Sin embargo, la relación entre la dinámica fisiológica de mayor resolución de los dispositivos portátiles y los marcadores conocidos de salud y enfermedad sigue sin caracterizarse en gran medida.
Objetivo:
Nuestro objetivo fue derivar fenotipos digitales de alta resolución a partir de grabaciones observacionales portátiles y examinar sus asociaciones con marcadores modificables e inherentes de riesgo de enfermedad cardiometabólica.
Métodos:
Introdujimos un marco de principios para extraer fenotipos interpretables de alta resolución a partir de datos portátiles registrados en condiciones de vida libre. El marco propuesto estandariza el manejo de irregularidades en los datos; codifica información contextual sobre el estado fisiológico subyacente en un momento dado; y genera un conjunto de 66 características mínimamente redundantes en estados activo, sedentario y de sueño.
Aplicamos nuestro enfoque a un conjunto de datos multimodal, del estudio SingHEART (NCT02791152), que comprende series de tiempo de conteo de pasos y frecuencia cardíaca de dispositivos portátiles, perfiles de detección clínica y secuencias genómicas completas de 692 voluntarios sanos.
Usamos aprendizaje automático para modelar relaciones no lineales entre los fenotipos de alta resolución por un lado y marcadores de riesgo clínico o genómico para presión arterial, lípidos, anomalías de peso y azúcar por el otro.
Para cada tipo de riesgo, realizamos comparaciones de modelos basadas en puntajes de Brier para evaluar el valor predictivo de las características de alta resolución más allá de las líneas de base típicas. También caracterizamos cualitativamente los fenotipos portátiles para los participantes que habían actualizado eventos clínicos.
Resultados:
Descubrimos que las características de alta resolución tienen un valor predictivo más alto que las líneas de base típicas para los marcadores clínicos de riesgo de enfermedad cardiometabólica: los mejores modelos basados en características de alta resolución tuvieron una mejora del 17,9 % y el 7,36 % en la puntuación de Brier sobre las líneas de base basadas en la edad y el sexo y frecuencia cardíaca en reposo, respectivamente (p < 0,001 en cada caso).
Además, la dinámica de la frecuencia cardíaca de diferentes estados de actividad contiene información distinta (coeficiente de correlación absoluto máximo de 0,15). La dinámica de la frecuencia cardíaca en estados sedentarios es más predictiva de anomalías de lípidos y obesidad, mientras que los patrones en estados activos son más predictivos de anomalías de la presión arterial (P<.001).
Además, en comparación con las medidas estándar, los patrones de mayor resolución en los registros portátiles de frecuencia cardíaca pueden representar mejor las dinámicas fisiológicas sutiles relacionadas con el riesgo genómico de enfermedad cardiometabólica (mejoría del 11,9 % al 22,0 % en las puntuaciones de Brier; p < 0,001).
Finalmente, los estudios de casos ilustrativos revelan conexiones entre estos fenotipos de alta resolución y eventos clínicos actualizados, incluso para perfiles límite que carecen de marcadores de riesgo cardiometabólico aparentes.
Figura 1. Canalización de procesamiento de datos usable. (A) Construcción de características de baja resolución basadas en estadísticas de resumen. (B) Construcción de características de alta resolución basadas en el algoritmo Canonical Time-series Characteristics 22 (Catch22). (C) gráfico UpSet de los 692 participantes con características de las distintas categorías. Solo se presentan intersecciones de conjuntos no vacíos. El tamaño de la intersección indica el número de participantes que se encuentran dentro de las intersecciones de conjuntos dados. De la intersección más grande con 328 participantes, 321 también tenían registros de mediciones de laboratorio.
| Conclusiones:Los fenotipos digitales de alta resolución registrados por dispositivos portátiles de consumo en estados de vida libre tienen el potencial de mejorar la predicción del riesgo de enfermedades cardiometabólicas y podrían permitir una gestión de la salud más proactiva y personalizada. |
Fuente : https://www.intramed.net/