Revisão sistemática e metanálise da concordância entre testes point-of-care e métodos laboratoriais para dosagem de HbA1c e desenvolvimento e validação de um novo método para o diagnóstico de diabetes utilizando MIR-FTIR e quimiometria

Abstract

Resumo: O diabetes e as dislipidemias são doenças metabólicas de natureza silenciosa, frequentemente assintomáticas em seus estágios iniciais, e representam fatores de risco significativos para o desenvolvimento de complicações cardiovasculares. A detecção precoce dessas condições é fundamental para a adoção de medidas terapêuticas eficazes. A hemoglobina glicada (HbA1c) é um marcador importante para o diagnóstico e monitoramento do diabetes, pois reflete os níveis médios de glicose sanguínea nos últimos dois a três meses. Dada a ampla utilização dos testes point-of care (PoCT) para dosagem de HbA1c em contextos clínicos descentralizados, o primeiro capítulo desse estudo visa sintetizar as evidências disponíveis sobre a concordância analítica dos testes com os métodos laboratoriais. Para isso, uma revisão sistemática foi conduzida nas bases de dados PubMed, Web of Science e Embase visando incluir estudos primários observacionais. Foram encontrados 1496 registros, dos quais 30 contemplaram os critérios de inclusão. As análises estatísticas foram estratificadas de acordo com o tipo de amostra utilizada, a metodologia empregada nos testes PoCT e nos testes de referência, a unidade de relato do viés e o ambiente de realização dos testes em cada estudo. Os vieses médios combinados variaram de –0,4% e +0,1% HbA1c nos subgrupos avaliados, sugerindo boa concordância entre os métodos comparados. No entanto, os limites de concordância mostraram-se amplos em alguns subgrupos, com amplitudes variando de -1,9% a 1,6% HbA1c, refletindo imprecisão de alguns testes PoCT, como os que utilizaram a metodologia biossensores, limitando a sua aplicabilidade clínica para o diagnóstico. Um segundo objetivo deste trabalho foi desenvolver um método diagnóstico alternativo baseado na espectroscopia de infravermelho médio com transformada de Fourier (MIR-FTIR) associada à quimiometria. Diferentemente dos métodos laboratoriais, que demandam infraestrutura complexa e apresentam limitações quanto à acessibilidade e rapidez, a MIR-FTIR é uma técnica rápida, não destrutiva e livre de reagentes. Após a aquisição dos espectros de infravermelho médio de amostras de soro (n = 60), a Análise de Componentes Principais (PCA) demonstrou que o soro de pacientes diabéticos e com dislipidemia (hipertrigliceridemia, hipercolesterolemia e dislipidemia mista) apresenta perfis espectrais distintos, passíveis de diferenciação por meio de quimiometria, e identificou as regiões espectrais mais importantes para o agrupamento das amostras, associadas principalmente às bandas de lipídios e amidas. O modelo treinado com Partial Least Squares Discriminant Analysis (PLS-DA) identificou os números de onda mais relevantes para o diagnóstico das desordens metabólicas, com base nos escores de importância das variáveis na projeção (VIP). As variáveis selecionadas foram posteriormente validadas por algoritmos supervisionados de machine learning, utilizando um conjunto independente de amostras (n=213). Entre eles, o modelo Xtreme Gradient Boosting obteve as melhores métricas preditivas no diagnóstico de diabetes e dislipidemias, com AUCs >0,90 para todas as classes. Esses achados reforçam a viabilidade do uso integrado de PCA, PLS-DA e machine learning na triagem metabólica baseada na espectroscopia no infravermelho médio

Abstract: Diabetes and dyslipidemias are silent metabolic diseases, often asymptomatic in their early stages, and represent significant risk factors for the development of cardiovascular complications. Early detection of these conditions is essential for the adoption of effective therapeutic measures. Glycated hemoglobin (HbA1c) is an important biomarker for the diagnosis and monitoring of diabetes, as it reflects average blood glucose levels over the previous two to three months. Given the widespread use of point-of-care testing (PoCT) for HbA1c measurement in decentralized clinical settings, the first chapter of this study aims to synthesize the available evidence regarding the analytical agreement between PoCT devices and laboratory-based methods. To this end, a systematic review was conducted using the PubMed, Web of Science, and Embase databases to include observational primary studies. A total of 1,496 records were identified, of which 30 met the inclusion criteria. Statistical analyses were stratified by sample type, methodology used in both PoCT and reference tests, bias reporting units, and the testing environment described in each study. The combined mean biases ranged from –0.4% to +0.1% HbA1c across evaluated subgroups, suggesting good agreement between the compared methods. However, the limits of agreement were wide in some subgroups, with ranges from –1.9% to +1.6% HbA1c, indicating imprecision in certain PoCT devices—particularly those using biosensor technology—thus limiting their clinical applicability for diagnostic purposes. The second objective of this work was to develop an alternative diagnostic method based on mid-infrared Fourier-transform infrared (MIR-FTIR) spectroscopy combined with chemometrics. Unlike laboratory methods, which require complex infrastructure and face limitations in terms of accessibility and speed, MIR-FTIR is a rapid, reagent free, and non-destructive technique. After acquiring mid-infrared spectra from serum samples (n = 60), Principal Component Analysis (PCA) revealed that the serum of patients with diabetes and dyslipidemia (hypertriglyceridemia, hypercholesterolemia, and mixed dyslipidemia) presented distinct spectral profiles. These profiles were differentiable through chemometric approaches and enabled identification of the most relevant spectral regions for sample grouping, mainly associated with lipid and amide bands. The model trained with Partial Least Squares Discriminant Analysis (PLS-DA) identified the most relevant wavenumbers for diagnosing metabolic disorders, based on variable importance in projection (VIP) scores. These selected variables were subsequently validated using supervised machine learning algorithms with an independent sample set (n = 213). Among them, the Xtreme Gradient Boosting model achieved the best predictive performance for diagnosing diabetes and dyslipidemias, with AUCs greater than 0.90 for all classes. These findings reinforce the feasibility of integrating PCA, PLS-DA, and machine learning for MIR-based metabolic screening