INTRODUÇÃO: Ao se compreender que as medidas de pressão arterial (PA) coletadas por um período mais longo oferecem informações mais consistentes do que a medida no consultório, suscitou-se o questionamento quanto à possibilidade de técnicas modernas de Inteligência Artificial (IA) serem capazes de identificar novos agrupamentos de padrões de comportamento da PA com base em medidas obtidas pelo método da MAPA.
MÉTODOS: Nesse estudo observacional retrospectivo, investigamos a existência de agrupamento de indivíduos similares para extrair características ocultas dos dados. Foram 21.137 indivíduos (18 a 102 anos), 55% mulheres, com diagnóstico ou suspeita de hipertensão arterial.Quantificamos a frequência dos 12 padrões de comportamento da PA, em seguida foi aplicada a estratégia de 12 combinações das variáveis como entrada do algoritmo de agrupamento K-means. Para identificar os horários das medidas mais relevantes nos agrupamentos resultantes, foi utilizado o algoritmo de classificação Random Forest.
RESULTADOS: As medidas mais importantes na segregação dos agrupamentos foram a PAS das 6h15, e das 6h45. Os períodos mais críticos na definição dos agrupamentos foram a manhã e o intervalo das 19h às 19h45. Identificamos 7 clusters que diferiram entre si com relação às características demográficas. Cerca de metade dos indivíduos obesos (24,87%) ou com sobrepeso (24,31%) foram reunidos no mesmo agrupamento. Interessantemente, indivíduos no cluster 1 tiveram em menor proporção hipertensão de jaleco branco (19%, p=0.05), enquanto nos clusters 6(35%, p=0.01) e 7(27%, p=0.02) foi mais frequente.
CONCLUSÕES: O estudo revela que é possível identificar características clínicas, como o excesso de peso, por meio de análises baseadas em algoritmos de IA com os dados individualizados da MAPA. A partir da geração dos resultados, é possível destacar os que possuem maior representação com a obesidade. Identificamos 2 grupos com particular segregação com relação à frequência e magnitude do excesso de peso e manifestação de hipertensão do jaleco branco. Métodos de agrupamentos servem como uma ferramenta para exploração de dados que permite particionar as informações e oferecer explicabilidade para servir de base em tomadas de decisão. Tais análises sugerem um novo espectro a ser explorado na MAPA e a existência de elementos para investigação na fisiopatogenia e fenotipagem da hipertensão arterial.
