# Quais técnicas de classificação de séries temporais são mais usadas em aplicações biomédicas e qual o desempenho relatado?

> Uma revisão sistemática de 135 artigos (2016-2021) mostrou que as técnicas mais comuns e com melhor desempenho foram as que usam features engenheiradas a partir de métodos de séries temporais alimentando classificadores de machine learning (77 de 135 artigos), seguidas por modelagem estatística (24 de 135). Não há padrão único de benchmark ou método.

Estudo citado: Wang WK, Chen I, Hershkovich L, Yang J, Shetty A, Singh G et al.. A Systematic Review of Time Series Classification Techniques Used in Biomedical Applications. Sensors (Basel, Switzerland). 2022. DOI: https://doi.org/10.3390/s22208016. PubMed: https://pubmed.ncbi.nlm.nih.gov/36298367/

## Resposta

A revisão sistemática analisou 135 artigos publicados entre junho de 2016 e junho de 2021, extraídos de quatro bases de dados (PubMed, IEEE, Web of Science e SCOPUS), com o objetivo de caracterizar as técnicas de classificação de séries temporais aplicadas a medidas clínicas digitais. Os autores categorizaram os estudos por tipo de algoritmo de classificação e por tipo de sensor de entrada.

Os resultados mostram que a abordagem mais frequente e com melhor desempenho foi a engenharia de features a partir de métodos de séries temporais, posteriormente alimentando classificadores de machine learning amplamente utilizados. Essa combinação apareceu em 77 dos 135 artigos e foi a que mais frequentemente alcançou as melhores métricas de desempenho.

Em segundo lugar, a modelagem estatística foi identificada em 24 dos 135 artigos, sendo também a segunda técnica de classificação com melhor desempenho. A revisão não encontrou um método único amplamente adotado para desenvolvimento de modelos ou interpretação de features, mas diversos métodos se mostraram bem-sucedidos.

Os autores concluem que, embora haja alto desempenho em classificação de séries temporais para medidas clínicas digitais, fisiológicas ou biomédicas, não existem conjuntos de dados de benchmark padronizados, métodos de modelagem ou metodologia de relato consensuais. Isso limita a comparabilidade entre estudos e a reprodutibilidade dos resultados.

Para o médico, a revisão reforça que técnicas de aprendizado de máquina não profundo, baseadas em features engenheiradas e modelagem estatística, são alternativas viáveis e com bom desempenho para classificar dados de sensores vestíveis e outras medidas digitais, embora a ausência de padronização exija cautela na interpretação e aplicação clínica desses modelos.

## O que o estudo mostrou

Revisão sistemática que buscou artigos em quatro bases de dados (PubMed, IEEE, Web of Science, SCOPUS) no período de junho de 2016 a junho de 2021. Foram identificados 452 papers; após remoção de duplicatas e artigos irrelevantes, 135 permaneceram para revisão detalhada. A técnica mais comum e com melhor desempenho foi o uso de features engenheiradas por métodos de séries temporais alimentando classificadores de machine learning (77 de 135 artigos). Modelagem estatística foi a segunda mais comum e segunda melhor (24 de 135).

## Limitações

O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, nem sobre heterogeneidade das populações ou dos sensores. A ausência de conjuntos de dados de benchmark padronizados e de metodologia de relato consensual limita comparações diretas entre os estudos e a generalização dos achados. O resumo também não especifica limitações dos próprios autores da revisão.

## Aplicação no consultório

A revisão sugere que, ao incorporar análises de dados de wearables ou outras medidas digitais na prática clínica, técnicas de machine learning com features engenheiradas e modelagem estatística podem ser consideradas, desde que validadas localmente. Para a gestão do consultório, isso implica investir em infraestrutura de coleta e processamento de dados, além de capacitação da equipe. A falta de padronização exige cautela na interpretação de resultados e na comunicação com pacientes, evitando decisões baseadas em modelos não validados.

## Perguntas para aprofundar

- Como escolher entre deep learning e métodos não profundos para classificar séries temporais de dados clínicos digitais?
- Quais são os principais desafios de interpretabilidade em modelos de classificação de séries temporais na prática clínica?
- Que cuidados devem ser tomados ao aplicar modelos de classificação de séries temporais desenvolvidos em outras populações no consultório?

Tema: IA e wearables. Página: https://alphadoctor.com.br/ciencia/ia-wearables/quais-tecnicas-de-classificacao-de-series-temporais-sao-mais-usadas-em/

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