IA e wearables

Como a calibração e validação de monitores de atividade baseados em acelerômetros com aprendizado de máquina podem ser aplicadas na prática clínica e na gestão do consultório?

Resposta

A revisão sistemática identificou 62 estudos que usaram técnicas de aprendizado de máquina para calibrar e validar monitores de atividade baseados em acelerômetros. A maioria (48 estudos) focou na predição do tipo e intensidade de atividades, enquanto 22 estudos abordaram a predição do gasto energético da atividade. Os resultados sugerem que, independentemente da posição do acelerômetro, é possível obter acurácia preditiva global comparável quando se utilizam dados brutos de aceleração amostrados em 20-30 Hz e técnicas de aprendizado de máquina.

No entanto, a alta acurácia observada em modelos calibrados em laboratório não se reproduz em ambientes de vida livre. Isso ocorre devido à presença de atividades transitivas e não vistas durante a calibração, além de diferenças nos sinais de aceleração captados nesses contextos. Esses achados são relevantes para a interpretação de dados de monitoramento de atividade física e comportamento sedentário em pesquisas e na prática clínica.

Para o médico, esses resultados indicam que, ao utilizar monitores de atividade para avaliar pacientes, é importante considerar que a acurácia pode variar conforme o contexto. Modelos desenvolvidos em laboratório podem superestimar a capacidade de predição em situações reais do dia a dia. Portanto, a aplicação clínica desses dispositivos requer cautela e, quando possível, validação em cenários que reflitam a rotina do paciente.

Além disso, a revisão aponta que diversos parâmetros afetam o desempenho dos modelos de aprendizado de máquina, como tipo de dados (aceleração bruta versus contagens de atividade), frequência de amostragem, tamanho da janela, características de entrada, técnica de aprendizado de máquina e posicionamento do acelerômetro. Esses fatores devem ser levados em conta ao selecionar ou interpretar resultados de monitores de atividade em pesquisas e na prática clínica.

A revisão também destaca desafios em aberto e faz recomendações para estudos futuros. Para o consultório, isso significa que a incorporação de tecnologias de monitoramento baseadas em aprendizado de máquina deve ser feita com entendimento das limitações e da necessidade de validação contextual. A gestão do consultório pode se beneficiar do uso desses dispositivos para monitorar atividade física e comportamento sedentário, mas os dados devem ser interpretados com cautela, considerando as diferenças entre ambientes controlados e a vida real.

O que o estudo mostrou

Revisão sistemática de 62 estudos (48 sobre predição de tipo e intensidade de atividades e 22 sobre gasto energético) que usaram aprendizado de máquina para calibrar e validar monitores de atividade baseados em acelerômetros. Os resultados indicam que técnicas de aprendizado de máquina com dados brutos de aceleração amostrados em 20-30 Hz predizem tipo, intensidade e gasto energético com acurácia global comparável, independentemente do posicionamento do acelerômetro. Contudo, a alta acurácia de modelos calibrados em laboratório não se reproduz em vida livre devido a atividades transitivas e não vistas e diferenças nos sinais de aceleração.

Limitações

O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, nem sobre heterogeneidade entre eles. Também não são descritas limitações específicas da revisão, como viés de publicação ou restrições de busca. Além disso, os resultados se baseiam em estudos publicados até julho de 2017, e o resumo não fornece informações sobre a aplicabilidade dos achados a diferentes populações ou contextos clínicos.

Aplicação no consultório

Na prática clínica, ao utilizar monitores de atividade baseados em acelerômetros com aprendizado de máquina, o médico deve estar ciente de que a acurácia pode ser menor em condições de vida livre do que em laboratório. Isso implica cautela na interpretação de dados de monitoramento para avaliação de atividade física e comportamento sedentário. Para a gestão do consultório, pode ser útil considerar a validação dos dispositivos em cenários reais e treinar a equipe para reconhecer limitações. A escolha de parâmetros como frequência de amostragem e posicionamento do acelerômetro deve ser baseada em evidências, e a implementação deve ser acompanhada de monitoramento dos resultados.

Estudo citado

Calibration and validation of accelerometer-based activity monitors: A systematic review of machine-learning approaches. Gait & posture, 2019.
Autores: Farrahi V, Niemelä M, Kangas M, Korpelainen R, Jämsä T.
DOI: 10.1016/j.gaitpost.2018.12.003 · PubMed: PMID 30579037

Perguntas para aprofundar

• Quais parâmetros de aprendizado de máquina mais influenciam a acurácia de monitores de atividade em vida livre?
• Como validar modelos de aprendizado de máquina para monitoramento de atividade física em populações clínicas específicas?
• Quais são os desafios para integrar dados de acelerômetros com aprendizado de máquina na rotina do consultório?

Mais sobre IA e wearables

• Quais métodos baseados em acelerômetro são válidos para avaliar o comportamento físico de 24 horas em crianças de 0 a 5 anos?
• Qual é a prevalência de crianças pré-escolares que atingem a recomendação de atividade física da Organização Mundial da Saúde, segundo uma meta-análise de estudos com acelerômetros?
• O smartphone é eficaz para detectar e prevenir quedas em idosos na prática clínica?
• Sensores vestíveis comerciais são válidos para monitorar a marcha de pacientes na prática clínica, e qual o papel do aprendizado de máquina nessa validação?
• Quais são os critérios válidos para medir comportamento sedentário em idosos usando acelerômetros?

Todas as perguntas sobre IA e wearables · Todos os temas · Versão em markdown