Como a inteligência artificial e os wearables podem auxiliar na avaliação do risco de quedas em pacientes com esclerose múltipla?
Resposta curta: Uma revisão sistemática de sete estudos mostrou que medidas de resultados relatados pelo paciente (MSWS-12 e EMIQ) tiveram melhor desempenho que outros métodos, e que sensores como GAITRite e Mobility Lab alcançaram altos escores F1. Modelos de aprendizado profundo, especialmente BiLSTM, superaram abordagens tradicionais na identificação de quedas recentes usando dados de acelerômetros vestíveis.
Resposta
A esclerose múltipla (EM) é uma doença autoimune que pode aumentar o risco de quedas devido a diversos fatores. As avaliações clínicas tradicionais podem não identificar efetivamente aqueles em risco de cair. Diante disso, uma revisão sistemática buscou sintetizar evidências sobre o uso de inteligência artificial e aprendizado de máquina para prever a probabilidade de quedas em pacientes com EM.
A revisão seguiu as diretrizes PRISMA e pesquisou bases de dados eletrônicas de 1990 a 2024. Foram incluídos sete estudos, com extração de dados e avaliação de qualidade. Os resultados mostraram que medidas de resultados relatados pelo paciente (PROs), como MSWS-12 e EMIQ, apresentaram melhor desempenho em comparação com outros métodos. Sistemas baseados em sensores, como GAITRite e Mobility Lab, alcançaram altos escores F1.
Além disso, classificadores de floresta aleatória utilizando medidas de oscilação postural foram eficazes em discriminar pacientes com EM de baixo risco de controles saudáveis. Modelos de aprendizado profundo, particularmente arquiteturas BiLSTM, superaram abordagens tradicionais de aprendizado de máquina na identificação de quedas recentes usando dados de acelerômetros vestíveis.
A conclusão destaca o potencial dos PROs, a promessa de sensores vestíveis e aprendizado profundo, e a importância de otimizar a coleta de dados para uma avaliação eficaz do risco de quedas na população com EM. Esses achados sugerem que a integração dessas tecnologias pode aprimorar a identificação de pacientes em risco, permitindo intervenções mais precoces e personalizadas.
O que o estudo mostrou
Trata-se de uma revisão sistemática seguindo diretrizes PRISMA, com busca em bases eletrônicas de 1990 a 2024. Foram analisados sete estudos. Os resultados indicaram que PROs como MSWS-12 e EMIQ tiveram melhor desempenho que outros métodos; sistemas de sensores como GAITRite e Mobility Lab obtiveram altos escores F1; florestas aleatórias com medidas de oscilação postural discriminaram pacientes de baixo risco de controles saudáveis; e modelos BiLSTM superaram abordagens tradicionais na identificação de quedas recentes com dados de acelerômetros vestíveis.
Limitações
O resumo não informa detalhes sobre as limitações dos estudos incluídos, como heterogeneidade das amostras, vieses ou qualidade metodológica. Também não são descritas as características das populações estudadas nem o tamanho amostral de cada estudo. A revisão se restringe a sete estudos, o que pode limitar a generalização dos achados. O resumo não informa se houve meta-análise ou análise de subgrupos.
Aplicação no consultório
Os achados sugerem que o médico pode considerar o uso de questionários como MSWS-12 e EMIQ para avaliação do risco de quedas em pacientes com EM, dado seu bom desempenho. A incorporação de sensores vestíveis e sistemas de análise de marcha pode auxiliar na identificação de pacientes de alto risco, especialmente aqueles com quedas recentes. Para a gestão do consultório, isso pode implicar em investimento em tecnologias de avaliação objective e treinamento da equipe para aplicar e interpretar esses instrumentos, além de otimizar a coleta de dados para melhorar a acurácia das ferramentas de IA.
Estudo citado
AI-assisted assessment of fall risk in multiple sclerosis: A systematic literature review. Multiple sclerosis and related disorders, 2024.
Autores: Mehrlatifan S, Molla RY.
DOI: 10.1016/j.msard.2024.105918 · PubMed: PMID 39447248
Perguntas para aprofundar
- Quais são os instrumentos de avaliação de risco de quedas mais eficazes em pacientes com esclerose múltipla?
- Como os sensores vestíveis podem ser incorporados na prática clínica para monitorar quedas em EM?
- Qual o papel da inteligência artificial na predição de quedas em doenças neurológicas?
Mais sobre IA e wearables
- O uso de wearables combinados com inteligência artificial na educação já tem evidências suficientes para aplicação prática?
- Como a inteligência artificial e as tecnologias emergentes podem ser usadas na avaliação de riscos ergonômicos no ambiente de trabalho?
- Quais modelos de aprendizado de máquina e dispositivos IoT são usados em Tecnologia Assistiva com Inteligência Artificial das Coisas?
- Quais são as tendências atuais de pesquisa em detecção e prevenção de quedas usando aprendizado de máquina?
- O aprendizado de máquina já pode ser usado na prática clínica para estimar a fase circadiana e classificar transtornos do ritmo circadiano sono-vigília?
Todas as perguntas sobre IA e wearables · Todos os temas · Versão em markdown