Sistema para avaliação da função sudomotora aplicado na detecção precoce do Diabetes Mellitus tipo 2

Abstract

O diabetes mellitus (DM) é uma doença crônica que atinge mais de meio bilhão de pessoas no mundo, sendo o tipo 2 (DM2) o mais predominante (90%). Apesar de ser uma das emergências de saúde global que mais crescem no século XXI, estima-se que a taxa de DM não diagnosticado é de 45%. Esses dados destacam a urgência de facilitar o acesso aos meios de diagnóstico da doença. Dentre as novas tecnologias, a condutância eletroquímica da pele (ESC ? Electrochemical Skin Conductance) tem sido testada como alternativa de triagem do DM. A ESC avalia a função sudomotora; sua aplicação é fundamentada no fato de uma das primeiras complicações do DM ser a denervação das glândulas sudoríparas, o que gera a disfunção sudomotora. Pessoas com pré-diabetes também estão associadas a essas complicações. Diante disso, este trabalho tem como objetivo o desenvolvimento do X-ESC: um sistema portátil para avaliação da função sudomotora por meio da ESC, aplicado na detecção precoce do DM2. Esse sistema foi dividido em dois módulos: (a) módulo de aquisição, responsável por estimular as glândulas sudoríparas e registrar a resposta da ESC, composto por dois tipos de estímulos, quatro opções de ganho, conversor A/D de 16 bits, frequência de amostragem de 50 Hz e comunicação sem fio, além de ser ajustável de acordo com as características do paciente; e (b) módulo concentrador, um software que permite o gerenciamento do exame, a visualização, o processamento e a correção dos dados, assim como a apresentação dos resultados. A avaliação do sistema foi executada utilizando resistores, no qual a incerteza da medida do equipamento foi 3,08% e a média do coeficiente de variação foi 0,53%, indicando uma medição adequada e capacidade de repetibilidade. A viabilidade e utilidade do X-ESC na detecção precoce do DM2 foi avaliada através de um estudo piloto envolvendo pacientes com glicose normal (n = 17), pré-diabetes (n = 11) e DM2 (n = 17). O sistema desenvolvido permitiu analisar a ESC em duas condições diferentes: (a) resposta do estímulo com tensão incremental e (b) reposta do estímulo com mudança de sentido (inversão de polaridade da tensão). Através deste exame, a função sudomotora dos pacientes foi avaliada pelos seguintes parâmetros: média ESC, assimetria, threshold, ?I, dESC, pico, tempo de pico, ESC de recuperação, tempo de recuperação e coeficiente de recuperação das mãos. Dentre os dez parâmetros, oito apresentaram uma diferença significativa entre glicose normal e DM2 (p = 0, 019) e quatro entre glicose normal e pré-diabetes (p = 0, 039). Esses resultados mostram fortes evidências de disfunção sudomotora nos pacientes com DM2 e pré-diabetes, provavelmente devido à hiperglicemia. Além disso, apesar do grupo pré-diabetes ter apresentado valores intermediários, os resultados revelaram que a condição do grupo pré-diabetes está mais próxima do DM2 que da glicose normal, visto que nenhuma diferença significativa foi verificada entre eles. Assim, o método Support Vector Machine foi aplicado para classificar os pacientes em duas classes: (a) sem diabetes e (b) pré-diabetes ou DM2. Ao utilizar os dados antropométricos e os parâmetros do exame ESC como variáveis de entrada do classificador, obteve-se uma acurácia de 78,6% e sensibilidade de 88,9%. Portanto, conclui-se que o sistema desenvolvido demonstrou ser uma ferramenta promissora para triagem de pré-diabetes e DM2, revelando ainda uma forte adesão por ser simples, rápido, não invasivo e indolor.

Abstract: Diabetes mellitus (DM) is a chronic disease that affects more than half a billion people worldwide, with type 2 (T2DM) being the most prevalent (90%). Despite being one of the fastest growing global health emergencies of the 21st century, it is estimated that the rate of undiagnosed DM is 45%. This highlights the urgent need to facilitate access to means of diagnosing the disease. Among the new technologies, the electrochemical skin conductance (ESC) has been tested as an alternative for screening DM. ESC evaluates sudomotor function and its application is based on the fact that one of the first complications of DM is denervation of the sweat glands, which causes sudomotor dysfunction. People with prediabetes are also associated with these complications. Therefore, this work aims to develop the X-ESC, a portable system for assessing sudomotor function through ESC response to detect T2DM at early stages. This system was divided into two modules: (i) acquisition module, responsible for stimulating the sweat glands and recording the ESC response, containing two types of stimuli, four options of gain, 16-bit A/D converter, sampling frequency of 50 Hz and wireless communication, in addition to being adjustable according to patient characteristics; and (ii) concentrator module, a software for management of the exam, visualization, processing and correction of the data, as well as the presentation of the results. The evaluation of the system was performed using resistors, in which the equipment measurement uncertainty was 3.08% and the coefficient of variation was 0.53%, indicating an adequate measurement and ability to repeatability. The feasibility and effectiveness of X-ESC in the early detection of T2DM was evaluated through a pilot study including patients with normal glucose (n = 17), prediabetes (n = 11) and T2DM (n = 17). The developed system allowed the analysis of ESC in two different conditions: (i) stimulus response to incremental voltage and (ii) stimulus response to change of direction (inversion of voltage polarity). Through this exam, the patients sudomotor function was evaluated by the following parameters: mean ESC, asymmetry, threshold, ?I, dESC, peak, peak time, ESC recovery, recovery time and hand recovery coefficient. Among these ten parameters, eight showed a significant difference between normal glucose and T2DM (p = 0.019) and four between normal glucose and prediabetes (p = 0.039). These results show strong evidence of sudomotor dysfunction in patients with T2DM and prediabetes, probably due to hyperglycemia. In addition, despite the prediabetes presented intermediate values, the results demonstrate that the condition of the prediabetes group is more similar to T2DM than to those with normal glucose, since no significant difference was observed between them. Thus, the Support Vector Machine method was applied to classify patients into two classes: (i) no diabetes and (ii) prediabetes or T2DM. When using anthropometric data and ESC exam parameters as features on the classifier, an accuracy of 78.6% and a sensitivity of 88.9% were reached. Therefore, it is concluded that the developed system proved to be a promising tool for screening prediabetes and T2DM, further showing strong acceptance because it is simple, quick, non-invasive and painless.