Refinando suspeitas pré polissinografia do Síndrome de Apneia do Sono Obstrutiva: Análise Logística e Bayesiana de fatores clínicos

Da aprendis
Ir para: navegação, pesquisa
Refinando suspeitas pré polissinografia do Síndrome de Apneia do Sono Obstrutiva: Análise Logística e Bayesiana de fatores clínicos
Autor Liliana Patrícia Pinto Leite
Orientador Pedro Pereira Rodrigues
Co-Orientador Cristina Santos
Data de Entrega 2012/10
URL http://hdl.handle.net/10216/71900
Palavras-chave Factores de risco, Síndroma da Apneia Obstrutiva do Sono, Diagnóstico, Modelo clínico, Redes Bayesianas, Sensibilidade, Especificidade
Resumo

Introdução: A Síndrome da Apneia Obstrutiva do Sono (SAOS) é uma doença que afecta 2-4% da população em todo o mundo. O método padrão para o diagnóstico de SAOS é a polissonografia (PSG), um exame caro, limitado às áreas urbanas e, consequentemente, com grandes listas de espera.


Objectivo: Definir um método auxiliar de diagnóstico que prioriza os pacientes, durante a consulta do sono, para a realização da PSG, de acordo com a probabilidade de diagnóstico de SAOS.


Métodos: Um estudo prospectivo foi realizado, incluindo pacientes adultos com suspeita de SAOS que realizaram PSG no laboratório do sono do Centro Hospitalar de Vila Nova de Gaia / Espinho. As variáveis estudadas foram definidas a partir de revisão de literatura e recolhidas durante a consulta. Foram colhidas duas amostras: uma coorte de treino para desenvolver os modelos e verificar a sua validade interna e externa através da validação cruzada (VC), e uma coorte de validação para verificar a aplicação dos modelos resultantes na prática clínica. Com as variáveis significativas obtidas na regressão logística (RL) univariada foram utilizadas duas técnicas diferentes para construir os modelos: RL múltipla e redes Bayesianas usando os classificadores Naïve Bayes (NB) e Tree Augmented Bayesian Network (TAN). A sensibilidade e especificidade foram analisadas para determinar a respectiva performance.


Resultados: Foram estudados 86 pacientes para construir os modelos, 52% dos quais com diagnóstico de SAOS. A RL univariada mostrou seis variáveis com influência significativa no resultado: sexo masculino (OR = 7,259, IC 95% = [1,096; 27,651]), índice de massa corporal (OR = 1,159, [1,030; 1,303]) circunferência do pescoço, (OR = 1,341, [1,159; 1,550]), circunferência abdominal (OR = 1,076, [1,025; 1,129]), apneias presenciadas (OR = 4,725, [1,772; 12,599]) e álcool antes de dormir (OR = 3,307, [1,350; 8,100]). Foram testados dois diferentes limites de sensibilidade. Com o intuito de obter 100% de sensibilidade foi utilizado um limite de 10% na RL obtido após a análise da curva ROC (AUC = 80% [70%, 89%]), 7% no NB e 2% no TAN, enquanto que se pretendermos 95% de sensibilidade, os limites obtidos foram de 25% na RL, 10% para o NB e 22% no TAN. A VC da RL estima que e é robusto para ambos os limites: 98% para a sensibilidade e 11% para a especificidade e 89% -34%, respectivamente. No NB, usando 7% como limite, os resultados foram de 98% para a sensibilidade e de 18% para a especificidade, com o limite mais elevado (10%), os resultados foram de 93% de sensibilidade e de 30% de especificidade. No TAN, usando 2% como limite, os resultados foram de 88% de sensibilidade e 23% de especificidade e com o limite de 22% foram de 84% sensibilidade e 25% de especificidade. Estes modelos foram testados numa segunda amostra comparável de 33 pacientes para avaliar o seu desempenho na prática clínica. Os resultados da RL apoiam as expectativas de ambos os limites (10% e 25%): 100% -0% e 88% -15%, respectivamente. Os limites de 7% e 2% usados para o NB e TAN respectivamente, obtiveram a mesma sensibilidade (94%), mas o TAN obteve melhor resultado relativamente à especificidade (7%) do que o NB (0%). Utilizando os limites mais elevados, 10% para o NB e de 22% para o TAN, os dois classificadores obtiveram mais uma vez a mesma sensibilidade (89%), mas o TAN revelou melhor resultado de especificidade (13%) do que o NB (7%).


Discussão: A circunferência do pescoço e apneias presenciadas fornecem informação suficiente para um modelo clínico com base nos resultados da RL. Se optarmos por redes Bayesianas devemos usar mais variáveis: sexo, índice de massa corporal, circunferência abdominal e álcool antes de dormir. Para ambos os modelos, utilizando os limites respectivos, podemos elaborar três níveis de prioridade dada a probabilidade de o paciente ter diagnóstico de SAOS: o grupo não prioritário, um nível intermédio e, por fim, um grupo de alta prioridade. Além destes resultados, o uso das redes revela duas principais vantagens que a RL tradicional não pode resolver. Primeiro, as redes Bayesianas podem lidar com informações em falta, e em segundo lugar, permitem uma representação gráfica que pode ser mais interessante para o médico. Consideramos que o uso destes modelos na consulta do sono pode ser uma ferramenta útil para a triagem de pacientes que realizem PSG e pode, eventualmente, ajudar a priorizar os doentes, permitindo talvez reduzir o número de PSG com resultado normal.