# O aprendizado de máquina já pode ser usado na prática clínica para estimar a fase circadiana e classificar transtornos do ritmo circadiano sono-vigília?

> 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.

Estudo citado: Sengupta T, Gaur A, Varatharajan S. Machine learning approaches in predicting circadian rhythm sleep-wake disorders: A review. Chronobiology international. 2026. DOI: https://doi.org/10.1080/07420528.2026.2667404. PubMed: https://pubmed.ncbi.nlm.nih.gov/42085476/

## 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.

## 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?

Tema: IA e wearables. Página: https://alphadoctor.com.br/ciencia/ia-wearables/o-aprendizado-de-maquina-ja-pode-ser-usado-na-pratica-clinica-para-estimar-a/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.