ABC | Volume 111, Nº1, Julho 2018

Artigo Original Pereira et al. Genes e risco de doença arterial coronariana Arq Bras Cardiol. 2018; 111(1):50-61 utilizando-se o programa PredictABEL disponível em software R (versão 3.2.0). As análises estatísticas foram realizadas usando os programas SPSS versão 19.0 (IBM), o MedCalc versão 13.3.3.0 e o software R versão 3.1.2. Resultados Característica basal da população A Tabela 1 apresenta as características basais de nossa população. Conforme o esperado, não houve diferença entre casos e controles quanto ao sexo e idade, pois esse era um dos critérios de seleção. Uma maior frequência de dislipidemia, diabetes, hipertensão, sedentarismo, tabagismo, consumo de álcool, e história familiar de DCV prematura foi encontrada nos pacientes com DAC que nos controles (p < 0,0001). Ainda, VOP, IMC e relação cintura-quadril foram mais frequentes nos controles, com diferença estatisticamente significativa (Tabela 1). Valores das outras variáveis bioquímicas analisadas – hemoglobina, leucócitos, fibrinogênio, homocisteína e PCR-us > 3 foram significativamente mais elevados no grupo de pacientes com DAC que nos controles (p < 0,05) (Tabela 1). Cálculo e análise do escore de risco genético Desvios do equilíbrio Hardy-Weinberg para os 33 genótipos em loci individuais foram avaliados pelo teste do qui-quadrado e valores de p < 0,02 com correção de Bonferroni para todos os SNPs foram incluídos. A variante genética LPA foi excluída das análises devido ao baixo valor de p no modelo Hardy‑Weinberg (p < 0,002). O desequilíbrio de ligação para SNPs (mutuamente ajustados) ao longo dos genes foi avaliado. O gene CDKN2B foi excluído devido ao forte desequilíbrio de ligação com outro SNP selecionado, rs1333049, que reside na região 9p21. Os demais 31 SNPs foram incluídos na análise (Tabela Suplementar 1). No presente estudo, o ERGM apresentou a maior AUC para avaliar o risco de DAC, com uma especificidade de 62,3% e sensibilidade de 54% (dados não apresentados) e, por isso, esse modelo foi calculado nas análises subsequentes (Tabela 2 Suplementar). O ERGM de 31 SNPs foi significativamente mais alto nos casos de DAC que nos controles (0,67 ± 0,73 vs 0,48 ± 0,53; p < 0,0001), mesmo após discriminação por quartil e sexo (Tabela 2). Distribuição normal de alelos de risco na amostra total incluindo casos e controles está apresentada na Figura 1. Embora os pacientes com DAC apresentaram valores de ERG mais baixos, alelos de risco foram mais prevalentes nesse grupo que nos controles. Nos pacientes com DAC, uma média de 27 alelos de risco foi observado em 52% dos indivíduos, e uma média de 26 alelos de risco foi observado em 52% dos controles (Figura 1). Quando analisados em decis, o ERG mostrou que o aumento no número de alelos de risco esteve significativamente associado com DAC como mostrado pelos valores de p interdecis – 1º decil: OR = 0,612 (0,439 – 0,853), p = 0,004; 9º decil: OR = 0,957 (1,400 – 2,734), p < 0,0001 e último decil: OR = 2,472 (1,755 – 3,482), p < 0,0001) (Figura 2). Análise de regressão logística foi realizada com quartis de ERG, usando o primeiro quartil como categoria de referência. Os resultados mostraram um aumento no risco para DAC com significância estatística ao longo dos quartis (2º, 3º e 4º), com respectivos valores de ORs de IC de 1,372 (1,114 – 1,689), 1,878 (1,522 – 2,317) e 2,588 (2,090 – 3,204), respectivamente (dados não apresentados). Ummodelo preditivomultivariado para DAC, incorporando os quartis de ERG e FRTs está apresentado na Tabela 3. O quarto quartil do ERG apresenta contribuição intermediária ao fenótipo de DAC – OR = 2,727 (2,162 – 3,439), maior que dislipidemia – OR = 1,298 (1,023 – 1,646) e hipertensão – OR = 2,067 (1,744 – 2.450). A contribuição reduzida de dislipidemia no risco de DAC pode ser devido ao uso rotineiro de estatina nos pacientes com DAC. O ajuste para as variáveis de confusão (sexo, idade, frequência cardíaca, VOP, baixo nível de atividade física, IMC e história familiar de DAC) mostrou aumentos discretos no OR para os FRTs e segundo e terceiro quartis do ERG. Utilizamos o FIV para testar a multicolinearidade entre as variáveis incluídas no modelo de regressão logística ajustado pelo ERG desenvolvido no estudo. A tolerância e o FIV foram > 0,1 e < 10, respectivamente, mostrando ausência de colinearidade entre as variáveis incluídas no modelo. Duas curvas ROC foram traçadas com base nos FRTs com e sem o ERG (Figura 3). A primeira curva ROC estimou uma AUC de 0,72, aumentada para 0,74 quando o ERG foi adicionado, revelando um melhor ajuste do modelo (p < 0,0001) (Figura 3). O NRI e seu valor p foram usados para avaliar melhora na capacidade preditiva ocorrida após a adição de um conjunto de biomarcadores ao modelo de predição existente. A adição dos quartis de ERG ao FRT melhorou a classificação do risco dos modelos (Tabela 4). Esse novo marcador forneceu um NRI contínuo de 31% (IC 95%: 23,8-38,3%; p < 0,0001) com reclassificação de 14,6% dos pacientes comDAC e 16,4% dos indivíduos controles (Tabela 4). NRI também foi calculado usando variáveis categóricas e aplicado neste estudo caso-controle, e definido como a porcentagem de indivíduos de cada grupo que mudaram de categoria na adição de um novo marcador (escore de quartil de DAC). Mudança para uma melhor categoria (maior entre os pacientes que nos controles) foi calculada para se avaliar o potencial impacto para o uso clínico. ONRI mostrou melhor capacidade de melhorar a classificação dos indivíduos ao promover a reclassificação de 19,5% dos pacientes da categoria de risco 50-75% à categoria de maior risco (75‑100%). Ainda, 14,1% dos indivíduos sadios mudaram para uma categoria de menor risco, da categoria 25-50% para a categoria de risco < 25% (Tabela 5). Ainda, a inclusão de quartis de ERG ao FRT resultou em um IDI de 2,5% (IC 95%: 1,9-3,1%; p < 0,0001) (dados não apresentados). Discussão Anos atrás, polimorfismos em vias biológicas plausíveis, importantes na aterosclerose, foram genotipados para 53