Avanços na modelagem do impacto dos distúrbios do sono na saúde cardiovascular

Compreender os Transtornos do Sono e os Riscos Cardiovasculares

Tipos de Transtornos do Sono Implicados na Doença Cardiovascular

Os distúrbios do sono são heterogêneos, mas vários têm sido consistentemente associados a desfechos cardiovasculares adversos.O mais amplamente estudado é ] apneia obstrutiva do sono (AOS)[, caracterizada por episódios repetidos de colapso faríngeo durante o sono, levando a hipóxia intermitente, oscilações de pressão intratorácica e despertares.A AOS é um fator de risco independente bem estabelecido para hipertensão, arritmias (especialmente fibrilação atrial), acidente vascular cerebral e insuficiência cardíaca.A prevalência de AOS é estimada em 9-38% da população geral, com taxas mais elevadas entre idosos e homens, e muitos casos permanecem não diagnosticados.

Insônia—definida como dificuldade para iniciar ou manter o sono apesar da oportunidade adequada—afeta 10-30% dos adultos e está associada ao aumento do risco de hipertensão e infarto do miocárdio.Insônia crônica ativa o eixo hipotálamo-pituitário-adrenal (HPA) e o sistema nervoso simpático, levando a elevações sustentadas do cortisol e catecolaminas que danificam a vasculatura ao longo do tempo.

Síndrome das pernas sem repouso (SIR) e distúrbio periódico do movimento dos membros (PLMD) causam movimentos repetitivos involuntários das pernas que fragmentam o sono e aumentam o fluxo simpático. Estudos sugerem que a SRI se correlaciona com um aumento modesto, mas significativo, no risco de eventos cardiovasculares, especialmente em pacientes com sintomas graves.

Distúrbios do sono-vigília do ritmo circuladiano, incluindo distúrbio do trabalho em turnos e síndrome da fase tardia do sono, interrompem o alinhamento entre relógios biológicos internos e ciclos externos claro-escuros. As taxas de infarto do miocárdio são maiores entre os trabalhadores em turnos, e modelos animais mostram que o desalinhamento circadiano crônico acelera a aterosclerose e prejudica a função cardíaca.

Mecanismos fisiopatológicos Ligando os distúrbios do sono aos danos cardiovasculares

Os distúrbios do sono prejudicam o sistema cardiovascular através de várias vias convergentes, e a hipóxia intermitente na AOS desencadeia estresse oxidativo e inflamação sistêmica, elevando os níveis de proteína C reativa, interleucina-6 e fator de necrose tumoral alfa. Esses mediadores pró-inflamatórios promovem disfunção endotelial, precursor da aterosclerose. Simultaneamente, a ativação quimiorreflexa da hipoxemia aumenta a atividade nervosa simpática, eleva a frequência cardíaca e a pressão arterial.

Na insônia e na SRL, os impulsos hiperarousais crônicos mantiveram a ativação simpática. As catecolaminas noturnas elevadas e o cortisol contundem o mergulho noturno normal na pressão arterial – fenômeno chamado de “não mergulho” que prediz independentemente a mortalidade cardiovascular. Além disso, a fragmentação do sono reduz a variabilidade da frequência cardíaca (VFC), indicando diminuição do tônus vagal e aumento do risco de arritmias malignas.

A ruptura circadiana altera a expressão do gene do relógio nos tecidos cardiovasculares, prejudicando a regulação diurna do tônus vascular, tendência trombótica e metabolismo cardíaco. Por exemplo, camundongos nocauteados no gene do relógio desenvolvem fibrose cardíaca e contratilidade reduzida. Em humanos, trabalhadores de turnos apresentam níveis mais elevados de fibrinogênio e agregação plaquetária, elevando o risco de eventos trombóticos.

Entender esses mecanismos é fundamental para a construção de modelos preditivos precisos. As abordagens modernas agora incorporam biomarcadores (por exemplo, copeptina, troponina de alta sensibilidade, PCR-us) ao lado de métricas derivadas de polissonografia para capturar a pegada fisiológica de distúrbios do sono.

Abordagens Tradicionais vs. Modernas de Modelação

Limitações dos modelos estatísticos tradicionais

Durante décadas, pesquisadores utilizaram estudos observacionais de coorte e técnicas de regressão convencional para quantificar a associação entre distúrbios do sono e eventos cardiovasculares, sendo que a Coorte do Sono, o Sleep Heart Health Study e o Nurses' Health Study forneceram dados inestimáveis que relacionavam apneia do sono ou curta duração do sono à hipertensão arterial incidente e doença coronariana, geralmente empregando modelos de riscos proporcionais de Cox ou regressão logística, ajustando-se por idade, sexo, IMC, tabagismo e comorbidades.

No entanto, os modelos tradicionais sofrem de várias limitações, assumem relações lineares, requerem especificação explícita de interações e não podem incorporar facilmente dados de alta dimensão (por exemplo, traçados contínuos da frequência cardíaca, formas de onda de saturação de oxigênio ou actigrafia). Eles também tratam a gravidade do distúrbio do sono como uma variável estática, ignorando a natureza dinâmica, variável do tempo da arquitetura do sono e seu impacto cumulativo no sistema cardiovascular. Além disso, a confusão não medida – como padrões alimentares, status socioeconômico ou predisposições genéticas – pode ser considerada como uma estimativa de viés.

Essas restrições impediram os clínicos de prever com precisão o risco individual. Um paciente com AOS leve pode ter susceptibilidade cardiovascular completamente diferente de outro paciente com o mesmo índice de apneia-hipopneia (IAH), mas carga hipóxica diferente, respostas autonômicas ou comorbidades.

Aprendizagem de máquina e análise de dados

A modelagem moderna superou em grande parte essas barreiras através da aplicação de algoritmos de aprendizado de máquina (ML). Os pesquisadores processam atualmente conjuntos de dados maciços que incluem sinais de polissonografia, registros eletrônicos de saúde (EHRs), saídas de dispositivos wearable e perfis genômicos. Florestas de random e máquinas de boosterização graduadas[] são comumente usadas para identificar interações não lineares e importância de características de classificação. Por exemplo, um estudo de 2023 usando dados do UK Biobank treinou um classificador de aumento de gradiente para prever doenças cardiovasculares incidentes de 10 anos a partir dos parâmetros de sono e alcançou uma área sob a curva de característica de operação receptor (AUC) de 0,78 – significativamente superando o tradicional escore de risco de Framingham.

Métodos de aprendizagem profunda, particularmente redes neurais convolucionais (CNNs) e redes neurais recorrentes (RNNs), são aplicados a sinais brutos como eletroencefalografia (EEG), eletrocardiografia (ECG) e oximetria de pulso. As CNNs podem extrair automaticamente características de padrões de saturação de oxigênio que predizem picos noturnos de pressão arterial. As redes de memória de curto prazo (LSTM) modelam as dependências temporais na variabilidade da frequência cardíaca, prevendo a probabilidade de fibrilação atrial paroxística em pacientes com apneia do sono.

Estes modelos ML também permitem a fenotipagem baseada em agrupamento. Em vez de tratar a apneia do sono como uma única entidade, algoritmos podem subgrupor pacientes por padrões de carga hipóxica, frequência de excitação e resposta da frequência cardíaca. Resultados precoces mostram que o cluster “cardíaco de alto risco” – caracterizado por dessaturação acentuada de oxigênio e ativação simpática – tem um risco três vezes maior de insuficiência cardíaca incidente em comparação com o cluster “predominante à respiração”, mesmo com valores idênticos de IAH.

No entanto, as abordagens ML requerem validação rigorosa para evitar o excesso de ajuste e garantir a generalização. A validação cruzada, externa entre diversas populações e calibração das probabilidades preditas permanecem etapas essenciais. A declaração científica da Associação Americana do Coração sobre sono e saúde cardiovascular ressalta a necessidade de pipelines ML reprodutíveis em pesquisas clínicas.

Simulações Computacionais

Além dos modelos orientados por dados, pesquisadores desenvolveram simulações computacionais mecanísticas que replicam os processos fisiológicos que ligam distúrbios do sono ao estresse cardiovascular. Essas simulações muitas vezes integram múltiplas escalas – desde vias moleculares até hemodinâmicas de nível de órgão.

Por exemplo, um modelo multiescala de AOS pode incluir um componente de dinâmica de fluidos simulando colapso faríngeo, um modelo barorreflexo regulando a pressão arterial e um modelo de eletromecânica cardíaca predizendo suscetibilidade à arritmia. Tais simulações permitem aos pesquisadores perguntar “e se” perguntas: O que acontece com a pós-carga do ventrículo esquerdo se o paciente perde 10% do peso corporal? Como a pressão positiva contínua das vias aéreas (PACP) impede a recorrência da fibrilação atrial em um paciente com AOS grave?

Uma plataforma bem conhecida é o modelo de fisiologia integrativa HumMod, que incorpora transições do estado do sono, ganho quimiorreflexo e saída autonômica. Quando associado a dados de sensores em tempo real, HumMod pode predizer trajetórias de pressão arterial noturna em pacientes com insônia e comparar respostas simuladas à terapia cognitivo-comportamental (TCC-I) versus farmacoterapia.

Outro exemplo é o uso de modelos de parâmetros lumped do sistema cardiovascular, que, ao inserir oscilações de pressão intratorácica medidas por polissonografia, podem estimar as flutuações resultantes no volume de AVC e no débito cardíaco. Um estudo de 2024 demonstrou que esse modelo previu com precisão a redução aguda da fração de ejeção durante episódios de apneia obstrutiva, com potencial para uso na titulação da pressão CPAP.

As simulações computacionais também orientam o projeto experimental, que pode identificar os biomarcadores mais informativos a serem coletados em um ensaio clínico, reduzindo o tamanho da amostra necessária para detectar um efeito de tratamento. À medida que o poder computacional cresce e os modelos se tornam mais personalizados, essas simulações irão passar de ferramentas de pesquisa para suporte à decisão clínica.

Implicações para a Medicina Personalizada

Estratificação de Risco e Planejamento de Tratamento

A modelagem avançada permite uma mudança de paradigma de uma abordagem de tamanho único para estratificação de risco personalizada. O risco individual de um paciente, derivado de dados de sono combinado, autonômicos e genômicos, pode orientar a intensidade do tratamento. Por exemplo, um paciente com AOS moderada, mas alto risco cardiovascular calculado (com base em marcadores de carga hipoxica e inflamação preditos para ML) pode ser recomendado para terapia precoce com CPAP e gerenciamento intensivo de fatores de risco cardiovascular, enquanto um paciente de baixo risco pode começar com terapia posicional e modificações no estilo de vida.

Modelos também auxiliam na previsão da resposta ao tratamento. Gêmeos digitais—replicas virtuais da fisiologia de um indivíduo—são pilotadas para otimização do CPAP. Ao simular diferentes níveis de pressão ao longo da noite, o gêmeo digital pode identificar o cenário que minimiza os eventos residuais de apneia, reduzindo também a pressão arterial noturna.Uma abordagem semelhante está sendo explorada para insônia: um modelo farmacocinético-pdinâmico pode prever como um paciente irá metabolizar e responder à eszopiclona ou suvorexante, permitindo dosagem de precisão.

Tecnologia de uso e dados em tempo real

A proliferação de wearables de consumo (smartwatches, anéis, patches) e dispositivos de grau médico (por exemplo, remendos de ECG de uma única derivação, glucometers contínuos) criou uma oportunidade sem precedentes para capturar o sono do mundo real e dados cardiovasculares longitudinalmente. As arquiteturas modernas de modelagem agora aceitam dados de streaming, atualizando previsões em tempo quase real. Por exemplo, uma rede neural recorrente treinada em HRV durante a noite de um dispositivo de pulso-worn pode sinalizar noites onde o risco de fibrilação atrial no dia seguinte é elevado, levando a um alerta para o paciente e clínico.

Os Centros de Controle e Prevenção de Doenças (CDC)[ incentivam a alavancar a tecnologia digital de saúde para monitorar a saúde do sono, e os pesquisadores estão validando ativamente dispositivos contra a polissonografia. Embora os wearables não possam substituir estudos formais de diagnóstico do sono, eles empoderam a pesquisa populacional em larga escala e permitem o monitoramento contínuo da eficácia terapêutica. Modelos que incorporam dados clínicos basais e sinais wearable dinâmicos alcançam desempenho preditivo superior para desfechos como a hospitalização por insuficiência cardíaca e acidente vascular cerebral isquêmico.

Implicações para a prática clínica

Rastreamento e Detecção Precoce

Melhores modelos permitem a identificação mais precoce de indivíduos em risco. Na atenção primária, um questionário de triagem rápida integrado com um algoritmo ML poderia priorizar pacientes para o teste de apneia do sono domiciliar. Por exemplo, o questionário STOP-Bang, quando aumentado com uma rede neural que também considera dados eletrônicos de registro de saúde (IMC, idade, hipertensão arterial, circunferência do pescoço), pode reduzir encaminhamentos desnecessários enquanto captura mais verdadeiros positivos. Este rastreamento direcionado tem o potencial de diagnosticar apneia do sono anos antes de levar a doença cardiovascular evidente.

Da mesma forma, modelos preditivos podem sinalizar pacientes com insônia que apresentam alta probabilidade de desenvolver hipertensão arterial, podendo ser priorizados para intervenções de TCC-I, que têm demonstrado reduzir a ativação simpática e melhorar o mergulho na pressão arterial noturna, e o tratamento precoce pode retardar a progressão da pré-hipertensão para a hipertensão no estágio 1.

Guiando as Escolhas Terapêuticas

As decisões de tratamento para distúrbios do sono são cada vez mais informadas por saídas de modelos.Na apneia do sono, o IAH isoladamente é insuficiente para determinar se um paciente deve receber CPAP, dispositivo de avanço mandibular ou estimulação do nervo hipoglossiano.Modelos que incorporam a mecânica de colapsibilidade (a partir de dados de endoscopia do sono induzido por fármacos) e limiar de excitação predizem quais pacientes se beneficiarão de cada modalidade.Por exemplo, pacientes com alto ganho de alça e baixo limiar de excitação podem responder melhor ao oxigênio suplementar combinado com um dispositivo mandibular.

Na prevenção cardiovascular, modelos podem simular a redução esperada da pressão arterial obtida pelo CPAP versus medicação anti-hipertensiva.Uma análise em larga escala de registros eletrônicos de saúde de 2022 usou um quadro de pontuação de propensão para mostrar que a adesão do CPAP foi associada a um risco 33% menor de eventos cardíacos adversos maiores, mas apenas em pacientes com hipóxia noturna significativa. Modelos que respondem pela carga hipóxica podem identificar o subgrupo mais provável de se beneficiar, evitando prescrições desnecessárias de CPAP para pacientes com fenótipos mais leves.