Um conjunto de dados anotado em vários níveis sobre manifestações e gravidade do congelamento da marcha na doença de Parkinson

Por que Parar no Meio do Passo Importa

Para muitas pessoas com doença de Parkinson, caminhar não é apenas mais lento ou mais trêmulo — pode parar de repente. Em um instante, os pés parecem colados ao chão, mesmo quando a pessoa se esforça para se mover. Esse evento assustador, chamado congelamento da marcha, é uma das principais causas de quedas, ferimentos e perda de independência. O artigo por trás deste resumo apresenta o FoG-STAR, um novo conjunto de dados rico, construído a partir de sensores vestíveis que registram como pessoas com Parkinson se movem durante ações cotidianas. Ao compartilhar esses dados abertamente com cientistas do mundo todo, os autores esperam acelerar o desenvolvimento de dispositivos e algoritmos mais inteligentes que possam detectar, medir e, eventualmente, ajudar a prevenir esses episódios perigosos de congelamento.

Observando o Movimento com Sensores Vestíveis Discretos

Em vez de depender apenas da breve observação de um médico na clínica, o projeto FoG-STAR usa quatro pequenos sensores de movimento para acompanhar como o corpo se desloca passo a passo. Vinte e dois voluntários com Parkinson usaram sensores em ambos os tornozelos, em um pulso e na região lombar, aproximadamente onde se situa o centro de massa do corpo. Cada dispositivo registrou a velocidade de deslocamento e rotação de diferentes partes do corpo, centenas de vezes por segundo, enquanto os participantes realizavam movimentos comuns, como levantar-se, sentar-se, caminhar dez metros, girar no lugar ou atravessar uma porta. Todas as sessões foram gravadas enquanto os participantes estavam em um estado “off-medicamento” para que eventos de congelamento fossem mais prováveis de aparecer. Ao mesmo tempo, câmeras de vídeo capturaram cada ação, fornecendo uma referência visual do que os sensores detectavam.

Do Movimento Bruto a Episódios de Congelamento Rotulados

Coletar os sinais é apenas metade da história; a outra metade é entender o que eles significam. Dois neurologistas, ambos especialistas em distúrbios do movimento, revisaram cuidadosamente os vídeos quadro a quadro. Eles marcaram quando cada episódio de congelamento começou e terminou e descreveram como ele se manifestou — se a pessoa arrastava-se para frente com passos minúsculos, tremia no lugar com movimentos rápidos das pernas ou ficava completamente parada sem se mover. Também rotularam o que a pessoa fazia no restante do tempo: caminhar, ficar em pé, girar, sentar ou mudar de postura. Essas marcações detalhadas foram então sincronizadas com os dados dos sensores, produzindo um registro alinhado no tempo onde cada instante de movimento está pareado com o que ocorria clinicamente. Essa descrição em múltiplas camadas torna possível estudar o congelamento em contexto, em vez de como eventos isolados.

Construindo um Recurso para Algoritmos Mais Inteligentes

O resultado é uma coleção aberta e organizada de 329.000 amostras de sensores, cada uma vinculada a um sujeito, tarefa, atividade e rótulo de congelamento. Um arquivo separado lista a idade de cada participante, estágio da doença, pontuações de movimento, capacidade cognitiva, medo de cair e qualidade de vida, para que pesquisadores possam explorar como os padrões de congelamento variam entre pacientes. Testes iniciais com modelos de aprendizado de máquina mostram que métodos de aprendizado profundo podem reconhecer episódios de congelamento com alta precisão, especialmente quando utilizam dados dos sensores nos tornozelos. Esses modelos podem até ser treinados no FoG-STAR e depois adaptados para funcionar em outros conjuntos de dados, sugerindo que o FoG-STAR capta características-chave de como o congelamento aparece nos sinais de movimento. Os autores também descrevem como lidaram com questões técnicas, como sincronização de múltiplos sensores e tratamento de lacunas ocasionais nos dados, oferecendo a outros um roteiro para estudos semelhantes.

Limites, Advertências e Uso no Mundo Real

Como qualquer recurso científico, o FoG-STAR tem limites. O estudo inclui apenas 22 pessoas, todas testadas em um ambiente cuidadosamente controlado e todas sem tomar seus medicamentos habituais, de modo que os dados podem não refletir toda a variedade de congelamentos observada em casa ou em estágios mais leves da doença. Nem todo participante completou todas as tarefas, e os vídeos foram reduzidos para dez quadros por segundo, o que significa que eventos de congelamento extremamente breves podem não ter sido capturados com precisão. Ainda assim, o conjunto de dados cobre uma ampla mistura de padrões de caminhada, giros e mudanças de postura, e mantém pequenas lacunas e imperfeições nos sinais visíveis em vez de suavizá-las, para que os pesquisadores possam decidir como é melhor limpar e interpretar os dados para seus próprios objetivos.

O Que Isso Significa para Pessoas que Vivem com Parkinson

Em termos cotidianos, o FoG-STAR é como entregar à comunidade de pesquisa um diário detalhado e carimbado no tempo sobre como o congelamento da marcha realmente se desenrola no corpo, escrito não em palavras, mas em movimento. Ao tornar esse diário aberto e bem documentado, os autores oferecem a engenheiros, clínicos e cientistas de dados um ponto de partida comum para comparar novas ideias e ferramentas. Ao longo do tempo, tal trabalho pode levar a dispositivos vestíveis que avisem as pessoas pouco antes de um congelamento, ajustem tratamentos para reduzir o congelamento ou orientem exercícios de reabilitação domiciliar adaptados ao padrão de movimento específico de cada pessoa. Embora o FoG-STAR não cure a doença de Parkinson nem o congelamento da marcha por si só, ele estabelece uma base crucial para tecnologias que, um dia, podem ajudar as pessoas a caminhar com mais segurança e confiança.

Citação: Borzì, L., Demrozi, F., Bacchin, R.A. et al. A multi-level annotated sensor dataset of gait freezing manifestations and severity in Parkinson’s disease. Sci Data 13, 305 (2026). https://doi.org/10.1038/s41597-026-06645-1

Palavras-chave: Doença de Parkinson, congelamento da marcha, sensores vestíveis, análise da marcha, aprendizado profundo