INTRODUÇÃO
Seguindo os avanços e recomendações para diagnóstico e predição de IAM, validamos nossa Troponina Cardíaca de Alta Sensibilidade seguindo todos os critérios relevantes atuais, de modo a garantir que nossos Limites de Referência sejam baseados no percentil 99 com um Coeficiente de Variação sempre menor que 10%.

Com esse objetivo, apontamos em nossa rotina a constante urgência nesse tipo de exame, com um tempo estipulado entre tratamento da amostra e análise não ultrapassando 25 minutos após a entrada da amostra no setor, de modo a garantir que o clínico assistente tenha em mãos o resultado em tempo suficiente para decisão de próximos passos, mantendo a grande eficácia na predição negativa em resultados abaixo do percentil 99 e tempo suficiente para análise e decisões em casos onde esses resultados ultrapassem os intervalos referenciais.

Esses valores de percentil 99 divulgados em nossos limites de referência são divididos e diferenciados por gênero, baseado em dados da literatura que apontam relevantes discrepâncias entre a predição de positividade e negatividade de IAM em casos de homens e mulheres.

Ainda sobre o percentil 99 derivado de uma população de referência saudável, é relevante apontar que essas concentrações são fortemente influenciadas pela idade do paciente. Os dados atuais de percentil dispostos na literatura ainda não permitem validar novos intervalos de referência idade-dependente, entretanto esses dados e resultados vem sendo arquivados para um futuro tratamento e estudo regional.

Citamos alguns fatores relevantes que podem trazer alterações no percentil 99 de uma população e, por consequência, merecem uma atenção especial na hora da estratificação de risco e predição positiva/negativa de IAM. Entretanto, vale ressaltar que outros fatores como histórico prévio, taxa de filtração glomerular, dosagem de hemoglobina etc. podem alterar dados de Troponina e, por consequência, não deveriam ser ignorados em uma anamnese.
Considerar todos esses fatores acaba gerando um número gigante de variáveis, sobre as quais é inviável a constante atualização de informações e a comparação com a amostragem local.
O processamento de dados com uso de Inteligência Artificial tendem ser um caminho imprescindível para lidar com situações como essas com este tamanho de variáveis e particularidades.

ESTUDO
Baseado neste levantamento bibliográfico introdutório de contextualização, apresentamos um artigo publicado em 2023 no volume 29 da NATURE MEDICINE, ao qual traz uma sugestão de Machine Learning como apoio à decisão clínica, visando melhorar os aspectos preditivos para IAM.

O CoDE-ACS (Collaboration for the Diagnosis and Evaluation of Acute Coronary Syndrome) surge como um protótipo de auxílio de decisão clínica, em uma plataforma aberta utilizando Inteligência Artificial e modelagem estatística.

Acesso ao protótipo: https://decision-support.shinyapps.io/code-acs/

Os resultados preliminares de sua versão Beta apresentados no artigo utilizando a modelagem estatística do CoDE-ACS ao invés de considerar os fatores isoladamente melhorou significativamente os valores preditivos positivos de uma troponina positiva para IAM.

LABORATÓRIO
Buscando o alinhamento com os maiores centros diagnósticos do Brasil, seguimos com melhorias em nossos processos analíticos e de garantia da qualidade.
Atualizamos nossos laudos de modo que estivessem alinhados com a literatura e trouxessem todos os parâmetros adequados para a predição de IAM.

Troponina: Utilizamos a Troponina I de Alta Sensibilidade, mantendo sempre nosso percentil 99 atualizado com base nos dados do reagente utilizado e população gênero-dependente

Creatinina: Somamos ao nosso laudo de Creatinina os valores de Estimativa de Filtração Glomerular (eGFR), em mL/min/1,73m2.

Hemoglobina: Atualizamos nossa plataforma de hematologia para a nova tecnologia japonesa da Nihon-Kohden, de modo a garantir uma dosagem de Hemoglobina padrão-ouro, com altíssima precisão e exatidão.

Canal de comunicação: Mantemos nosso canal de comunicação aberto para discussões e análises científicas e de casos clínicos.

CONCLUSÃO

O diagnóstico de IAM possui um grau relevante de complexidade, apesar de ser imprescindível na conduta clínica.
Visto que os quadros onde não existe Supra de ST correspondem a, aproximadamente, 80% dos casos, seguimos constantemente atualizando nossas diretrizes e metodologias de modo à auxiliar o médico responsável e possibilitar que possam ser utilizadas as diretrizes mais atualizadas e eficazes.

A simples utilização da Troponina de Alta Sensibilidade com o percentil 99 sexo-dependente com um CV menor que 10% já consegue trazer resultados com efetividade maior que 90% em casos de predição negativa de IAM. Para a predição positiva, uma única dosagem acaba apresentando dados em torno de 50%, que pode chegar a 70% em casos de dosagens seriais. Quando analisado em conjunto com Inteligência Artificial somando outros fatores como Idade, Filtração Glomerular, Dosagem de Hemoglobina etc., a predição positiva pode ser maior que 75%.

References:
1. Chapman, A. R. et al. Comparison of the efficacy and safety of early Rule-Out pathways
for acute myocardial infarction. Circulation 135, 1586–1596 (2017).
2. Shah, A. S. et al. High sensitivity cardiac troponin and the under-diagnosis of myocardial
infarction in women: prospective cohort study. Brit. Med. J. 350, g7873 (2015).
3. Thygesen, K. et al. Third universal definition of myocardial infarction. Circulation 126,
2020–2035 (2012).
4. Crea, F. et al. Should the 1h algorithm for rule in and rule out of acute myocardial infarction
be used universally? Eur. Heart J. 37, 3316–3323 (2016).
5. Lowry, M. T. H. et al. Influence of age on the diagnosis of myocardial
infarction. Circulation 146, 1135–1148 (2022).
6. Welsh, P. et al. Cardiac troponin T and troponin I in the general
population. Circulation 139, 2754–2764 (2019).
7. Anand, A. et al. High-sensitivity cardiac troponin on presentation to rule out myocardial
infarction: a stepped-wedge cluster randomized controlled trial. Circulation 143, 2214–
2224 (2021).
8. Couch, L. S. et al. Rapid risk stratification of acute coronary syndrome: adoption of an
adapted European Society of Cardiology 0/1-hour troponin algorithm in a real-world
setting. Eur. Heart J. Open 2, oeac048 (2022).
9. Than, M. et al. A 2-h diagnostic protocol to assess patients with chest pain symptoms in
the Asia-Pacific region (ASPECT): a prospective observational validation
study. Lancet 377, 1077–1084 (2011).
10. Shah, A. S. et al. High-sensitivity cardiac troponin I at presentation in patients with
suspected acute coronary syndrome: a cohort study. Lancet 386, 2481–2488 (2015).
11. Doudesis, D. et al. Validation of the myocardial-ischaemic-injury-index machine learning
algorithm to guide the diagnosis of myocardial infarction in a heterogenous population: a
prespecified exploratory analysis. Lancet Digit Health 4, e300–e308 (2022).

12. Doudesis D, Lee KK, Boeddinghaus J, Bularga A, Ferry AV, Tuck C, Lowry MTH, Lopez-
Ayala P, Nestelberger T, Koechlin L, et al. Machine learning for diagnosis of myocardial

infarction using cardiac troponin concentrations.Nat Med. 2023; 29:1201–1210. doi:
10.1038/s41591-023-02325-4