Um framework de aprendizado de máquina para prescrição de exercícios personalizada baseado em IMC e avaliação de aptidão física

Por que treinos mais inteligentes importam

Muitos jovens adultos enfrentam ganho de peso mesmo quando tentam se manter ativos. Conselhos genéricos como “exercite-se 150 minutos por semana” costumam parecer vagos e não refletem diferenças individuais em condicionamento, tipo de corpo ou progresso. Este estudo investiga se a inteligência artificial pode transformar resultados simples de testes físicos em planos de treino altamente personalizados que ajudam jovens a saírem da faixa de sobrepeso de forma mais eficiente e segura do que diretrizes padronizadas.

Transformando testes de aptidão em um perfil pessoal

Os pesquisadores trabalharam com dados de 6.698 estudantes universitários do sexo masculino entre 18 e 20 anos. Cada estudante teve o índice de massa corporal (IMC) medido e realizou quatro testes de aptidão padrão: corrida de 3.000 metros para resistência, barra fixa para força de membros superiores, abdominais para resistência do core e corrida shuttle para velocidade e agilidade. Juntas, essas medidas desenham um retrato razoavelmente completo do funcionamento do coração, dos músculos e dos sistemas de movimento. Em vez de analisar cada teste isoladamente, a equipe quis entender o padrão complexo que liga esse perfil de aptidão à categoria de IMC da pessoa — baixo peso, normal, sobrepeso ou obesidade.

Uma IA híbrida que interpreta seu movimento

Para interpretar esses padrões, a equipe construiu um sistema híbrido de aprendizado de máquina que combina duas forças diferentes. Primeiro, uma rede neural convolucional unidimensional, assistida por um mecanismo de atenção, varre a sequência de voltas da corrida de 3.000 metros ao mesmo tempo em que considera os resultados de força e velocidade. Isso permite ao sistema notar detalhes como se alguém desacelera muito nas voltas finais ou mantém um ritmo estável. Em seguida, a informação condensada é passada para um modelo de decisão por gradient boosting, que é muito eficaz em traçar limites claros entre categorias — aqui, os quatro grupos de IMC. Essa abordagem combinada classificou o IMC com 94,5% de acurácia, superando claramente modelos padrão como regressão logística, florestas aleatórias e XGBoost nos mesmos dados, ao mesmo tempo em que fazia previsões em menos de um milissegundo por pessoa.

Das previsões aos planos de treino sob medida

O passo chave é traduzir essas previsões em treinos práticos. Para manter o sistema compreensível para treinadores e clínicos, os pesquisadores usaram um método chamado SHAP que mostra quanto cada teste de aptidão puxa a previsão de IMC de uma pessoa para uma categoria mais saudável ou menos saudável. Para cada estudante, o modelo classifica quais áreas fracas importam mais — como poucos números de barra fixa ou tempos lentos na corrida. Um motor baseado em regras então mapeia essas prioridades para tipos específicos de exercício, como mais sessões de força para membros superiores, treino aeróbico adicional ou trabalho extra de velocidade e agilidade. A cada duas semanas no ensaio, novos resultados de testes eram reinseridos no sistema para que ele pudesse aumentar ou reduzir o volume de treino e diminuir a carga caso sinais de fadiga sugerissem risco de overtraining.

Colocando o sistema à prova

Para verificar se essa abordagem guiada por IA realmente melhora a saúde, a equipe conduziu um ensaio randomizado controlado de 12 semanas com 1.160 novos estudantes. Metade recebeu instruções convencionais de exercício; a outra metade seguiu as prescrições personalizadas geradas pelo modelo, incluindo intervalos estruturados de alta intensidade, trabalho aeróbico contínuo, treinamento de força e orientações básicas de nutrição. O grupo personalizado apresentou melhorias marcantes: a proporção geral de estudantes com sobrepeso ou obesidade caiu 23,5%, quase sete em cada dez participantes com sobrepeso passaram para a faixa normal, e muitos participantes obesos rebaixaram para sobrepeso. A aptidão também melhorou substancialmente, com cerca de 15% mais repetições na barra fixa, quase 10% de melhora nos tempos da corrida de 3.000 metros e mais de 10% de rapidez nas corridas shuttle em comparação ao grupo controle, tudo isso sem aumento de lesões.

O que isso significa para a saúde cotidiana

Para não especialistas, a conclusão é que testes simples e familiares — até onde você consegue correr, quantas barras fixas e abdominais consegue fazer e quão rápido consegue acelerar de um lado para o outro — podem alimentar um sistema de IA que projeta treinos ajustados ao seu corpo e às suas capacidades atuais. Este estudo demonstra que tal sistema pode não apenas prever quem está em maior risco relacionado ao peso, como também fornecer planos de exercício que ajudam as pessoas a avançarem com segurança rumo a um IMC mais saudável enquanto ficam mais fortes e em melhor forma. Embora o trabalho até agora se concentre em jovens homens em um cenário específico, ele aponta para um futuro em que aplicativos de smartphone ou ferramentas clínicas possam oferecer orientação de exercício verdadeiramente personalizada e continuamente atualizada para muitos grupos diferentes.

Citação: Mo, M., Li, B., Yang, Y. et al. A machine learning framework for personalized exercise prescription based on BMI and physical fitness assessment. Sci Rep 16, 13336 (2026). https://doi.org/10.1038/s41598-026-42405-2

Palavras-chave: exercício personalizado, aprendizado de máquina em saúde, IMC e aptidão, prevenção da obesidade em jovens, planejamento de treino por IA