SPA044 | DISFUNZIONE AUTONOMICA CARDIACA NEL LONG COVID: ANALISI LONGITUDINALE E PREDIZIONE MEDIANTE MACHINE LEARNING

L. Lopedote¹, F. Barbic¹, B. Cairo³, D. Loiacono² | ¹Dipartimento di Scienze Biomediche - Humanitas University, Milano, Italia; ²Dipartimento di Elettronica, Informazione e Bioingegneria - Politecnico di Milano, Italia; ³Dipartimento di Scienze Biomediche per la Salute, Università degli Studi di Milano, Italia

Introduzione. Il Long COVID interessa una quota rilevante di soggetti guariti da SARS-CoV-2 e può manifestarsi con sintomi persistenti e spesso invalidanti, tra cui fatica, intolleranza ortostatica e deficit cognitivi. Tali manifestazioni, pur clinicamente eterogenee, potrebbero condividere un comune substrato fisiopatologico nella disfunzione del sistema nervoso autonomo. In questo contesto, la variabilità della frequenza cardiaca (HRV) rappresenta uno strumento non invasivo per esplorare la modulazione autonomica cardiaca. Tuttavia, l’evoluzione longitudinale di queste alterazioni e la possibilità di predire precocemente lo sviluppo di una Sindrome Autonomica Long-COVID (LCAS) rimangono ancora poco definite.
Obiettivi. Caratterizzare longitudinalmente la disfunzione autonomica cardiaca in pazienti post-COVID-19 durante 12 mesi di follow-up e testare se variabili cliniche, biomarcatori ematochimici acuti e indici HRV precoci, a riposo e durante ortostatismo, possano predire lo sviluppo di LCAS mediante modelli di machine learning.
Metodi. Studio osservazionale prospettico monocentrico su 45 adulti lavoratori ospedalizzati per COVID-19 (ottobre 2020 – marzo 2021). Alla dimissione (T0) sono stati dosati i biomarcatori infiammatori acuti; a 1, 6 e 12 mesi sono stati somministrati il questionario COMPASS-31 e l'analisi HRV (indici temporali, frequenziali e non lineari) durante ortostatismo attivo. La LCAS è stata definita da un incremento del COMPASS-31 da <16,4 pre-infezione a >16,4 nel follow-up. Le traiettorie longitudinali sono state modellate con modelli lineari misti; la predizione della LCAS è stata valutata confrontando XGBoost e SVM lineare mediante nested 5-fold cross-validation.
Risultati e conclusioni. I pazienti con LCAS hanno mostrato traiettorie autonomiche divergenti rispetto ai controlli post-COVID senza LCAS. A 12 mesi presentavano una riduzione significativa dell’HRV globale a riposo, documentata da valori inferiori di SDNN (p=0,010) e SD2 (p=0,009), indicando una perdita della complessità e dell’adattabilità della regolazione autonomica cardiaca. Durante ortostatismo, i controlli post-COVID mostravano una risposta fisiologica allo stimolo gravitazionale, con riduzione di HFnu, indicativa di diminuita modulazione vagale (p=0,045), e con incremento del rapporto LF/HF, indicativo di modifica della bilancia simpato-vagale (p=0,011). Al contrario, nei pazienti LCAS tali modificazioni erano assenti, con HFnu invariata (p=0,284) e mancato incremento di LF/HF (p=0,966), suggerendo una compromissione della risposta del controllo autonomico cardiaco allo stimolo gravitazionale. Tra i modelli predittivi, la SVM lineare ha mostrato le migliori prestazioni rispetto a XGBoost, con accuratezza pari a 0,800, F1-score 0,797 e AUC ROC 0,784. Il predittore più stabile è risultato l’interazione tra frequenza di picco della banda LF in ortostatismo a T1 e conta piastrinica a T0, compatibile con una potenziale interazione tra alterazione autonomica precoce e priming infiammatorio/protrombotico. Nel complesso, la LCAS emerge come fenotipo distinto del Long COVID, caratterizzato da progressiva alterazione della modulazione autonomica cardiaca e risposta attenuata allo stimolo ortostatico. L’integrazione di indici HRV precoci e variabili ematochimiche acute mediante machine learning ha mostrato una promettente capacità di identificare i pazienti a rischio di sviluppare LCAS. Tale approccio, se validato in coorti indipendenti, potrebbe risultare utile anche nello studio di disautonomie post-infettive successive ad altre infezioni virali.