Previsão baseada em IA da função cardíaca usando ecocardiografia e dados de composição corporal (Echo-Fit Study) (ECHO-FIT)

Antecedentes e justificativa:

A insuficiência cardíaca representa uma carga significativa de saúde global, caracterizada por altas taxas de morbimortalidade. Embora o ecocardiografia continue sendo o padrão -ouro para o diagnóstico e o monitoramento da insuficiência cardíaca, fornecendo medições cruciais como a fração de ejeção do ventrículo esquerdo (FEVF) e a avaliação da função diastólica, sua implementação generalizada é limitada por restrições de recursos e dependência do operador. A análise de impedância bioelétrica (BIA) oferece uma abordagem complementar promissora, fornecendo avaliação rápida e não invasiva dos parâmetros de composição corporal que mostraram correlações com os resultados cardiovasculares. Este estudo busca alavancar a sinergia potencial entre os achados ecocardiográficos e os dados de composição corporal para desenvolver uma ferramenta de triagem mais acessível para disfunção cardíaca.

Objetivos do estudo:

• Primário: desenvolver e validar um modelo preditivo para a função ventricular esquerda, integrando dados de composição do corpo do dispositivo QCCuniq BC 720 com parâmetros ecocardiográficos padrão.

• Secundário:

  • Investigar correlações entre índices de composição corporal e medições ecocardiográficas
  • Para avaliar a utilidade da análise de composição corporal na identificação de pacientes cardiovasculares de alto risco
  • Para avaliar o potencial do modelo como uma ferramenta de triagem em configurações com recursos limitados

Metodologia:

Este estudo observacional prospectivo e central de centro incluirá 2.000 adultos (≥20 anos) em ecocardiografia de rotina, divididos igualmente entre aqueles com função cardíaca normal (FEVE ≥50%) e insuficiência cardíaca (FEVF <50%). Os participantes serão submetidos a análise de composição corporal usando o dispositivo QCCUNIQ BC 720 dentro de uma semana após o ecocardiograma.

Coleta e análise de dados:

A coleta abrangente de dados incluirá parâmetros ecocardiográficos padrão (FEVE, função diastólica, medições estruturais) e análise detalhada da composição corporal (massa de gordura, massa muscular esquelética, água corporal total). A análise estatística empregará métodos de regressão tradicionais e algoritmos avançados de aprendizado de máquina para desenvolver o modelo preditivo. A validação do modelo utilizará validação cruzada em dobras em K, com desempenho avaliado através de métricas padrão, incluindo sensibilidade, especificidade e área sob a curva (AUC).