Terapia de Ressincronização Cardíaca e seus preditores de resposta

O estudo Machine Learning Prediction of Response to Cardiac Resynchronization Therapy é um estudo retrospectivo que fez uma revisão de casos entre os centros da Cleveland Clinic (CC) e Johns Hopkins (JH) para tentar responder sobre a possível melhora dos preditores de resposta nos pacientes submetidos a implante de terapia de ressincronização cardíaca (TRC), através de um modelo online que avalia variáveis clínicas e laboratoriais. Basicamente, esse trabalho avaliou pacientes de 2003 a 2012 do serviço da Cleveland Clínic e 2002 a 2010 do John Hopkins Hospital avaliando a fração de ejeção por ecocardiografia antes dos implantes, 60 dias após e com 1 ano de seguimento.

O critério escolhido como respondedor foi o aumento de no mínimo 10% na fração de ejeção para tentar predizer sobrevida a partir do desfecho de morte, transplante cardíaco ou dispositivos de assistência ventricular e compararam com as diretrizes vigentes. Para isso o estudo fez uma metodologia um pouco diferente do habitual, uma vez que se trata de múltiplas variáveis. Eles fizeram uma classificação com dados de treinamento para avaliar possíveis 42 combinações de algoritmos em 235 pacientes do JH e 235 pacientes do CC com 200 interações de 5 validações cruzadas para quantificar os preditores de respondedores a TRC.

Após identificar a melhor combinação de performance e os melhores algoritmos, foi criado um modelo final de classificação. O teste de classificação foi realizado para poder efetuar os dados aprimorados na fase de classificação. Foram avaliados na fase final 455 pacientes da CC e comparados com as diretrizes vigentes. As variáveis utilizadas para a construção da curva ROC foram sexo, diâmetro diastólico final do ventrículo esquerdo, cardiomiopatia não isquêmica, bloqueio de ramo esquerdo e QRS maior que 150ms. Foram selecionados 470 pacientes na coorte de treino sendo 235 de cada centro. Destes, 42% (290) dos pacientes da CC e 40% (95) dos pacientes do JH apresentaram os critérios de resposta a TRC. No grupo de classificação que contemplou apenas pacientes da CC, dos 455 pacientes envolvidos, 42% (192) dos pacientes apresentaram os critérios de resposta a TRC.

O algoritmo com mais alta performance utilizou 9 variáveis como sexo, tamanho do QRS, morfologia do QRS, causa da cardiomiopatia, fração de ejeção, volume diastólico final do VE, classe funciona por NYHA, história de fibrilação atrial e presença de eletrodo epicárdico e demonstrou uma resposta melhor que os preditores das diretrizes atuais com uma área sobre a curva de 0,72 (p<0.01). Adicionar comorbidades, características físicas e medicamentos utilizados pelos pacientes não aumentou a resposta a TRC o que conflitaram com os dados que até então Zeitler et al observou na sua análise frente aos dados do estudo MADIT-CRT.

O estudo sugere que não são necessários outros métodos e variáveis clínicas para predizerem os respondedores da TRC do que aquelas variáveis já conhecidas na literatura, embora este tipo de modelo online aumentou os preditores de resposta comparado com os atuais guidelines. Porém, vale ressaltar que a área sobre a curva foi de apenas 0.05 para 0.08 com os métodos tradicionais. Observações: Por se tratar de um estudo retrospectivo ele não apresentou o mesmo observador na avaliação da fração de ejeção e não cita a metodologia para avaliar o método, bem como não incorporou a localização do eletrodo de seio coronário e a programação realizada em cada caso. Essa é uma das definições conhecidas com melhor fator de resposta a ressincronização cardíaca quando relaciona a localização do eletrodo com o melhor vetor possível e sua relação com o intervalo PR. Sabemos também que cada companhia vem desenvolvendo algoritmos nos ressincronizadores para tentar ajudar no aumento da ressincronização cardíaca para extrair o melhor que cada aparelho pode oferecer.

Continuamos na busca por melhores preditores dos respondedores a CRT para tratar aqueles não respondedores, acreditando que essas ferramentas de auxílio vêm sempre para acrescentar na decisão terapêutica dos nossos pacientes.

Referência Bibliográfica

Machine Learning Prediction of Response to Cardiac Resynchronization Therapy

Improvement Versus Current Guidelines Albert K. Feeny, John Rickard, Divyang Patel, Saleem Toro, Kevin M. Trulock, Carolyn J. Park, Michael A. LaBarbera, Niraj Varma, Mark J. Niebauer, Sunil Sinha, Eiran Z. Gorodeski