O aprendizado de máquina já pode ser usado na prática clínica para estimar a fase circadiana e classificar transtornos do ritmo circadiano sono-vigília?
Resposta curta: Ainda não de forma rotineira. A revisão sistemática identificou 22 estudos em que modelos de aprendizado de máquina mostraram potencial para estimar a fase circadiana e classificar transtornos do ritmo circadiano sono-vigília a partir de diários de sono, actigrafia, genômica e marcadores biológicos, mas a evidência é limitada por amostras pequenas, heterogeneidade metodológica e pouca validação externa.
Resposta
Os transtornos do ritmo circadiano sono-vigília decorrem do desalinhamento entre o horário de sono-vigília do indivíduo e sua fisiologia circadiana endógena, com consequências relevantes para a saúde do sono e o bem-estar geral. Na era da sleep-omics e do fenótipo digital, o aprendizado de máquina surge como ferramenta para modelar dados circadianos complexos e de alta dimensionalidade, mas sua aplicação à predição desses transtornos permanece pouco desenvolvida.
Esta revisão sistemática buscou sintetizar a evidência atual sobre o uso de abordagens de aprendizado de máquina para estimativa de fase circadiana e classificação de transtornos do ritmo circadiano sono-vigília em humanos. A busca abrangeu PubMed, ScienceDirect, PsycINFO, Cochrane Library e Google Scholar, considerando estudos publicados entre janeiro de 2011 e maio de 2025, com foco em adultos com visão preservada.
Foram incluídos 22 estudos que atenderam aos critérios. As fontes de dados empregadas incluíram diários de sono, actigrafia, genômica e marcadores biológicos. De modo geral, os modelos demonstraram potencial tanto para a estimativa da fase circadiana quanto para a classificação dos transtornos, utilizando modalidades diversas, como dados de séries temporais derivados de wearables e características multimodais.
Apesar desse potencial, a base de evidências é limitada por amostras pequenas, heterogeneidade metodológica, validação externa restrita e padrões de relato inconsistentes. Os achados sugerem que abordagens baseadas em aprendizado de máquina têm potencial significativo para avançar na detecção desses transtornos e na medicina circadiana personalizada, mas ainda são necessários modelos mais robustos, padronizados e generalizáveis.
Pesquisas futuras devem priorizar conjuntos de dados multimodais maiores, estratégias de validação transparentes e ferramentas clinicamente traduzíveis, capazes de apoiar triagem e diagnóstico escaláveis dos transtornos do ritmo circadiano sono-vigília.
O que o estudo mostrou
Trata-se de uma revisão sistemática com busca em PubMed, ScienceDirect, PsycINFO, Cochrane Library e Google Scholar, abrangendo estudos publicados entre janeiro de 2011 e maio de 2025. Foram incluídos 22 estudos com adultos com visão preservada, nos quais algoritmos de aprendizado de máquina predisseram fase circadiana ou classificaram transtornos do ritmo circadiano sono-vigília. As fontes de dados incluíram diários de sono, actigrafia, genômica e marcadores biológicos. Os modelos mostraram potencial para estimativa de fase e classificação, inclusive com dados de wearables e características multimodais.
Limitações
O resumo não informa o desenho detalhado nem a amostra de cada estudo incluído. A própria revisão aponta limitações da evidência: amostras pequenas, heterogeneidade metodológica, validação externa limitada e padrões de relato inconsistentes. Estudos com populações pediátricas, comorbidades neurodegenerativas ou indivíduos cegos foram excluídos, o que restringe a generalização dos achados a esses grupos.
Aplicação no consultório
Na prática clínica, os achados ainda não sustentam adotar modelos de aprendizado de máquina como ferramenta rotineira de triagem ou diagnóstico de transtornos do ritmo circadiano sono-vigília. O médico pode acompanhar a evolução da área e considerar que dados de diários de sono, actigrafia e wearables são as modalidades mais frequentemente estudadas. Para a gestão do consultório, investir em registro estruturado desses dados e em padrões de documentação consistentes pode facilitar futura incorporação de ferramentas validadas, sem substituir a avaliação clínica.
Estudo citado
Machine learning approaches in predicting circadian rhythm sleep-wake disorders: A review. Chronobiology international, 2026.
Autores: Sengupta T, Gaur A, Varatharajan S.
DOI: 10.1080/07420528.2026.2667404 · PubMed: PMID 42085476
Perguntas para aprofundar
- Quais modalidades de dados são mais promissoras para estimar a fase circadiana com aprendizado de máquina?
- Por que a validação externa limitada compromete a aplicação clínica desses modelos?
- O que falta para que ferramentas de aprendizado de máquina apoiem a triagem de transtornos do ritmo circadiano no consultório?
Mais sobre IA e wearables
- O uso de wearables combinados com inteligência artificial na educação já tem evidências suficientes para aplicação prática?
- Sensores e algoritmos de aprendizado de máquina são confiáveis para medir o comportamento alimentar fora do laboratório?
- Dispositivos de EEG de baixo custo são confiáveis para monitorar estresse na prática clínica?
- Como a inteligência artificial e os wearables podem auxiliar na avaliação do risco de quedas em pacientes com esclerose múltipla?
- Como o aprendizado de máquina aplicado a sensores inerciais vestíveis pode auxiliar na detecção, estadiamento e classificação de doenças e seus sintomas?
Todas as perguntas sobre IA e wearables · Todos os temas · Versão em markdown