Identificação e previsão de métricas de estabilidade da marcha em pessoas com AVC ao caminhar em superfícies irregulares usando aprendizado de máquina

Por que manter-se estável ao ar livre importa após um AVC

Para muitas pessoas em recuperação de um AVC, o verdadeiro teste de caminhar não ocorre na clínica, mas fora dela — em calçadas trincadas, trilhas com grama e meios-fios irregulares. Essas superfícies do dia a dia aumentam discretamente o risco de tropeços e quedas. Este estudo investiga como pequenos sensores de movimento e algoritmos computacionais modernos podem revelar quem tem mais probabilidade de ter dificuldades nesse tipo de terreno e quão bem testes simples de caminhada em ambiente interno conseguem prever a estabilidade ao ar livre.

Terreno irregular como um desafio oculto

A mobilidade ao ar livre é central para a independência e a vida social após um AVC, e ainda assim muitos sobreviventes relatam que caminhar fora de casa é difícil e assustador. Superfícies irregulares introduzem solavancos pequenos e imprevisíveis que testam constantemente o sistema de equilíbrio do corpo. Pessoas com AVC frequentemente têm músculos mais fracos e reações mais lentas, o que pode tornar essas perturbações sutis mais difíceis de enfrentar. Apesar disso, a maioria das avaliações rotineiras ainda se concentra em pisos lisos e internos, deixando uma lacuna entre o que é medido na clínica e o que as pessoas enfrentam no dia a dia.

Usando sensores para capturar a caminhada no mundo real

Os pesquisadores estudaram 71 pessoas com AVC e 39 adultos saudáveis de idade semelhante. Cada pessoa caminhou de um lado para o outro tanto em um trajeto liso de 10 metros quanto em um caminho irregular de 10 metros enquanto usava um pequeno sensor de movimento na região lombar. Esse sensor mediu como o tronco se movia para cima e para baixo, de lado a lado e para frente e para trás. A partir desses sinais, a equipe calculou várias métricas que descrevem quão estável ou irregular era o padrão de caminhada — algumas descrevem simplesmente a amplitude dos movimentos, enquanto outras capturam quão suave e rítmica a passada era ao longo do tempo.

Deixando o computador encontrar os sinais mais reveladores

Em vez de analisar cada métrica isoladamente, a equipe usou aprendizado de máquina, um tipo de análise computacional capaz de vasculhar muitas variáveis ao mesmo tempo e identificar as mais informativas. Eles primeiro treinaram modelos computacionais para distinguir pessoas com AVC de adultos saudáveis usando apenas os dados dos sensores obtidos na caminhada em terreno irregular. Esses modelos atingiram mais de 95% de acurácia. Três sinais se destacaram como especialmente poderosos: a intensidade do movimento vertical do tronco (chamada RMS vertical), quão irregular era o movimento anterioposterior ao longo do tempo (entropia amostral) e quão suave e rítmica era a passada na direção anterioposterior (relação harmônica). Juntos, eles pintaram um quadro claro de redução da estabilidade após o AVC.

Prevendo a estabilidade ao ar livre a partir de testes internos

No passo seguinte, os pesquisadores perguntaram se conseguiriam estimar essas medidas-chave em superfícies irregulares — e a própria velocidade de caminhada — usando apenas dados de caminhada em superfície plana, fáceis de realizar. Eles combinaram medidas simples, como a velocidade de caminhada interna, com informações sobre ângulos articulares, atividade muscular e leituras do sensor, e então treinaram modelos para prever o que ocorreria no caminho irregular. A velocidade de caminhada interna mostrou-se especialmente importante. Pessoas com AVC que caminharam mais devagar que cerca de 0,8 metros por segundo em uma superfície lisa tenderam a diminuir ainda mais a velocidade e a apresentar maiores movimentos verticais do tronco no terreno irregular, sugerindo dificuldade de adaptação ao desafio. A regularidade e a suavidade do movimento do tronco em superfícies irregulares também foram parcialmente previstas por como o tornozelo se movia no contato do pé e por quão suave já era a marcha em terreno plano.

O que isso significa para reabilitação e vida cotidiana

Para o público em geral, a mensagem é direta: um pequeno sensor vestível na região lombar, combinado com testes de caminhada internos e análise computacional inteligente, pode revelar quem tem maior probabilidade de perder estabilidade em calçadas irregulares após um AVC. Pessoas que já caminham bem devagar em terreno plano — especialmente abaixo de cerca de 0,8 metros por segundo — têm mais probabilidade de se mover com menos confiança e de forma mais instável em superfícies irregulares. Ao rastrear marcadores simples baseados em sensor sobre quanto o tronco salta e quão suaves são os passos, os terapeutas podem projetar programas de treinamento mais personalizados, focar no controle do tronco e do tornozelo e monitorar o progresso ao longo do tempo. A longo prazo, esses “biomarcadores digitais” podem ajudar a tornar a caminhada ao ar livre mais segura e alcançável para muitos sobreviventes de AVC.

Citação: Inui, Y., Takamura, Y., Nishi, Y. et al. Identifying and predicting gait stability metrics in people with stroke in uneven-surface walking using machine learning. Sci Rep 16, 5618 (2026). https://doi.org/10.1038/s41598-026-35966-9

Palavras-chave: reabilitação pós-AVC, estabilidade da marcha, caminhada em superfícies irregulares, sensores vestíveis, aprendizado de máquina