Predição da Evolução da Doença de Chagas por meio da Variabilidade da Frequência Cardíaca

Resumo

Um dos maiores desafios associados à doença de Chagas (DC) está na identificação dos fatores que levam os indivíduos com a forma indeterminada (FIDC) da doença a evoluir para as formas cardíaca (FCDC) ou digestiva (FDDC). O escore de Rassi, apesar de identificar o risco de morte em pacientes cronicamente infectados, é aplicável apenas para pacientes já cursando com a FCDC. Por outro lado, estudos mostram que distúrbios do sistema nervoso autônomo são responsáveis por várias das complicações clínicas presentes na DC. É possível que essas alterações autonômicas já estejam presentes na FIDC, o que representaria potencial fonte de informação para identificação dos indivíduos mais propensos a desenvolver os sintomas clínicos da doença.Há consenso, apoiado por extensa literatura publicada nas últimas décadas, de que as oscilações espontâneas da frequência cardíaca, conhecidas como variabilidade da frequência cardíaca (VFC), possuem informações importantes sobre modulação autonômica do coração. Porém, mais recentemente, foi demonstrado que outros fatores, como as propriedades das células de marca-passo cardíaco e fatores humorais, também são de vital importância para a gênese da VFC. Diversos índices derivados da VFC têm sido propostos e utilizados como importantes preditores de risco para doenças cardíacas e sistêmicas.Neste estudo investigaremos quais índices de VFC possuem maior valor prognóstico em pacientes com as FIDC e FCDC. Para isso, serão utilizados índices de VFC provenientes de diferentes famílias de métodos, com comprovada relevância e aplicabilidade demonstradas em estudos recentes da literatura. O ECG dos indivíduos chagásicos será coletado no início e no final (5 anos) do projeto. As diferenças nos índices de VFC observadas nesse período serão correlacionadas com a evolução clínica da doença. Ao final, espera-se criar um modelo preditivo para a evolução da DC utilizando os índices de VFC associados com técnicas de aprendizado de máquina, que são capazes de combinar e pesar os índices mais relevantes para predição da evolução da doença.