Novas Descobertas de Proteínas para Prever o Risco de Doenças Cardíacas

Doença Cardiovascular (DCV) é a principal causa de morte no mundo. Muitos casos podem ser evitados se a gente focar nas pessoas que estão em maior risco. Agora, os médicos identificam quem tá em risco analisando as chances de ter um problema sério no coração nos próximos dez anos. Eles fazem isso usando Fatores de Risco comuns, que são combinados em diferentes sistemas de pontuação. Mas, essas pontuações nem sempre são precisas para cada pessoa e não dão uma boa ideia de quando o problema pode acontecer. Por causa disso, tá rolando um esforço gigante pra encontrar novos indicadores, ou biomarcadores, que possam melhorar essas pontuações de risco. Novos métodos de teste de Proteínas abriram possibilidades legais pra encontrar esses biomarcadores no sangue.

#A Importância dos Conjuntos de Proteínas

Estudos recentes mostraram que certos grupos de proteínas podem oferecer previsões melhores pra evitar problemas no coração quando adicionados às pontuações de risco tradicionais. Isso é especialmente verdade pra quem já teve problemas cardíacos. Mas, os resultados pra quem ainda não teve problemas são menos claros. Em alguns estudos usando testes de sangue especiais, a previsão de eventos futuros no coração foi mais ou menos a mesma ou um pouquinho melhor que usar avaliações de risco padrão. Porém, em outro estudo usando um método diferente, os resultados mostraram uma grande melhora com os novos testes de proteínas em comparação com os fatores de risco tradicionais.

#Visão Geral do Estudo Atual

Esse estudo tinha como objetivo ver se conjuntos específicos de proteínas medidos no sangue poderiam prever eventos sérios no coração em um grande grupo de pessoas que nunca tinham tido problemas cardíacos antes. O estudo incluiu 38.000 participantes do UK Biobank, um grande projeto de pesquisa em saúde. Os pesquisadores selecionaram essas proteínas de um grupo maior de quase 3.000 com base em tendências de dados e conhecimento existente.

#População do Estudo

Os participantes foram escolhidos aleatoriamente do UK Biobank pra uma Análise de proteínas no sangue durante a primeira visita. Qualquer um com histórico de eventos cardíacos sérios e aqueles com mais de 20% de medições de proteínas ausentes foram removidos do estudo. Diferentes sistemas de codificação foram usados pra rastrear quaisquer problemas de saúde que esses participantes tinham antes de entrarem no estudo. Todos os processos foram aprovados pelos comitês de ética em pesquisa necessários.

#Entendendo os Resultados

Nesse estudo, eventos cardiovasculares sérios incluíram tanto incidentes fatais quanto não fatais, como infartos e derrames que ocorreram dentro de dez anos após o início do estudo. Os mesmos métodos de codificação foram usados pra rastrear esses resultados.

#Fatores de Risco Tradicionais

Durante a visita inicial, as características de saúde dos participantes foram anotadas. Os dez principais fatores de risco tradicionais considerados foram idade, sexo, pressão arterial, hábitos de tabagismo, status diabético e níveis de colesterol.

#Análise Proteômica

Detalhes sobre como as proteínas foram medidas e analisadas foram compartilhados em estudos anteriores. Em resumo, uma tecnologia chamada sistema Olink Explore foi usada pra medir mais de 2.900 proteínas em amostras de sangue. Proteínas que tinham mais de 20% de dados ausentes foram excluídas, e quaisquer informações ausentes para outras variáveis foram preenchidas usando um algoritmo específico.

#Abordagem de Análise de Dados

Métodos avançados de aprendizado de máquina foram utilizados pra treinar modelos que pudessem prever o risco de eventos cardíacos importantes ao longo de dez anos. Os dados foram divididos em um conjunto de treinamento e um conjunto de teste. Dois modelos de risco existentes foram escolhidos para comparação. Vários modelos de proteínas foram criados, incluindo um que incluía todas as proteínas, um baseado em descobertas anteriores, um derivado da análise de dados e um modelo aleatório com proteínas escolhidas aleatoriamente.

#Avaliando o Desempenho do Modelo

O desempenho de cada modelo foi avaliado através de medidas estatísticas específicas. Comparações foram feitas entre as pontuações de risco tradicionais e os vários modelos de proteínas pra ver qual fazia um trabalho melhor em prever resultados.

#Resultados da População do Estudo

Da seleção aleatória, cerca de 46.799 indivíduos tiveram seus dados analisados para proteínas, e cerca de 45.666 desses não tinham histórico prévio de eventos cardíacos sérios. Após excluir indivíduos com dados ausentes demais, o grupo final incluiu cerca de 38.380 participantes. Aqueles que experimentaram eventos cardíacos durante o acompanhamento tinham um perfil de fatores de risco mais sério em comparação com os outros.

#Selecionando Proteínas para Previsão

O estudo achou que uma pequena porcentagem de medições de proteínas estavam ausentes. Usando o método apropriado, os pesquisadores selecionaram 114 proteínas relevantes do grupo maior que poderiam ajudar a prever eventos cardíacos. Eles também identificaram um conjunto separado de 113 proteínas baseado em estudos anteriores. Proteínas aleatórias foram incluídas para comparação, mas só aquelas escolhidas com um método específico mostraram uma verdadeira conexão com a previsão de riscos cardíacos.

#Avaliando o Desempenho do Modelo

A habilidade preditiva de todos os modelos foi testada em um grupo de teste separado. Os sistemas de risco existentes forneceram um nível básico de previsão, enquanto os modelos de proteínas completos e selecionados ofereceram um pouco mais de precisão. Combinar proteínas selecionadas com fatores de risco tradicionais melhorou significativamente as previsões.

#Análise de Desempenho do Modelo

Em diferentes limiares de risco, os modelos mostraram efetividade variada. Os conjuntos completos e selecionados de proteínas melhoraram a previsão quando combinados com fatores de risco existentes, destacando a importância de usar seleções baseadas em dados. Por outro lado, o modelo de proteínas aleatórias não melhorou as previsões, o que enfatiza o valor específico das proteínas selecionadas.

#Benefícios das Proteínas Adicionadas

As mudanças na precisão das previsões foram pequenas, mas algumas pessoas que estavam em risco de eventos cardíacos puderam ser identificadas melhor ao juntar dados de proteínas com fatores de risco tradicionais. Parece que essa melhora é mais visível em níveis de risco mais altos. Portanto, usar testes de proteínas pode ser mais benéfico pra indivíduos com maior chance de problemas cardíacos do que pra população geral.

#Limitações do Estudo

Tem algumas limitações nesse estudo. Primeiro, não teve um grupo adicional pra testar os achados, o que dificulta aplicar os resultados de forma ampla. Segundo, os métodos usados pra medir proteínas podem não ser reproduzíveis em diferentes plataformas de teste. Terceiro, enquanto o estudo focou em criar um painel confiável de proteínas, não investigou os papéis individuais das proteínas no desenvolvimento de problemas cardíacos. Por último, entender os benefícios econômicos de usar essas novas medidas de proteínas precisa de mais pesquisa, que não foi incluída nesse estudo.

#Conclusão

Usando aprendizado de máquina avançado e um grande conjunto de dados de proteínas, esse estudo avançou na previsão de eventos cardíacos importantes através de um painel selecionado de 114 proteínas. Resultados similares, embora menos convincentes, foram encontrados com o grupo de 113 proteínas escolhidas com base em estudos anteriores. Embora as melhorias notadas tenham sido modestas, o potencial clínico desses biomarcadores na prevenção de problemas cardíacos precisa de mais exploração.