Avaliação da transferência entre conjuntos de dados para estimativa da pressão arterial baseada em fotopletismografia

Por que medir pressão arterial sem manguito importa

A pressão arterial elevada é uma das principais causas de infartos e AVCs, mas a maioria das pessoas só a verifica ocasionalmente com um manguito no consultório médico. Este estudo investiga como sensores vestíveis e inteligência artificial poderiam estimar a pressão arterial continuamente, sem apertar o braço, aprendendo a partir de grandes bancos de dados hospitalares e depois adaptando-se a novos dispositivos, como smartwatches. O trabalho enfrenta um obstáculo central: como fazer com que algoritmos treinados em um cenário continuem funcionando bem quando o sensor e o ambiente mudam.

Dos manguitos ao sensoriamento baseado em luz

Os manguitos tradicionais são confiáveis, mas incômodos para uso frequente. Eles exigem inflação até que o fluxo sanguíneo seja brevemente interrompido, podem ser desconfortáveis e capturam apenas algumas leituras por dia. Uma alternativa é a fotopletismografia, ou PPG, que usa uma pequena fonte de luz e um detector, como os encontrados em oxímetros de pulso e dispositivos vestíveis, para captar minúsculas variações no volume sanguíneo a cada batimento. Essas formas de onda baseadas em luz transportam informações relacionadas à pressão arterial, abrindo a possibilidade de monitorização sem manguito que funcione durante a vida diária, em casa ou em movimento.

Ensinando um algoritmo a ler ondas do pulso

Em vez de elaborar manualmente uma longa lista de características matemáticas a partir dos sinais PPG, os autores usam um modelo de aprendizado profundo que aprende padrões diretamente a partir de trechos curtos de cinco segundos da forma de onda. Eles partem de uma arquitetura existente que combina camadas convolucionais (boas para identificar formas) com camadas recorrentes (boas para seguir padrões temporais), e a simplificam para ter menos da metade do número original de parâmetros treináveis. Essa rede reduzida é mais fácil de treinar quando apenas algumas horas de dados por pessoa estão disponíveis, mas ainda captura as relações complexas entre a forma da onda do pulso e a pressão arterial.

Fazendo modelos treinados em hospitais funcionarem em outros contextos

Um grande desafio é que os sinais PPG mudam quando o hardware, o local de gravação ou o ambiente mudam. A equipe testa se o “aprendizado por transferência” pode ajudar. Primeiro, eles treinam sua rede neural usando dados de um grande banco hospitalar, onde pacientes têm PPG de ponta de dedo e pressão arterial invasiva registrada continuamente. Em seguida, ajustam finamente apenas camadas mais profundas selecionadas do modelo para cada nova pessoa, usando uma quantidade muito menor de dados de um segundo banco coletado separadamente. Essa configuração entre conjuntos de dados imita o que acontece na prática, onde uma empresa pode começar a partir de dados hospitalares públicos e depois adaptar seu modelo a um novo dispositivo ou usuário com gravações pessoais limitadas.

Desempenho dos modelos adaptados

Os pesquisadores comparam três abordagens: treinar do zero para cada pessoa, aprendizado por transferência dentro de um único banco de dados e aprendizado por transferência entre bancos de dados. Em 200 pacientes retirados de dois grandes conjuntos, o aprendizado por transferência entre bancos reduz o erro médio em cerca de 13% em comparação ao treinamento do zero, alcançando aproximadamente 3,4 mmHg para pressão sistólica e 1,8 mmHg para diastólica. Esses resultados atendem a importantes critérios internacionais de desempenho usados para avaliar dispositivos de pressão arterial. Importante, modelos adaptados entre bancos apresentam desempenho dentro de cerca de 1% dos modelos adaptados dentro do mesmo banco, e essa pequena diferença não é estatisticamente significativa. Os autores também mostram que o aprendizado por transferência continua útil quando há pouquíssimos dados para ajuste fino, e que ele ainda melhora a precisão quando aplicado a um conjunto menor, não hospitalar, coletado com sensores diferentes.

O que isso significa para o monitoramento da saúde no dia a dia

Para um não especialista, a conclusão é que um algoritmo treinado em grandes arquivos hospitalares pode ser “reutilizado” com sucesso e levemente ajustado para novas pessoas, novos dispositivos e novos ambientes, sem a necessidade de enormes novos ensaios clínicos a cada vez. Ao limpar cuidadosamente os sinais, reduzir o tamanho do modelo e atualizar apenas as camadas mais informativas para cada usuário, o estudo mostra que a estimativa contínua de pressão arterial sem manguito a partir de sensores baseados em luz pode atingir níveis de erro compatíveis com os padrões existentes. Embora mais trabalho seja necessário em condições reais de vida ativa e em sensores de pulso, essa estratégia de aprendizado por transferência entre conjuntos de dados aproxima mais a monitorização prática da pressão arterial por dispositivos vestíveis.

Citação: Kim, Y.C., Baek, H.J. Evaluating cross-dataset transfer learning for photoplethysmography-based blood pressure estimation. Sci Rep 16, 10725 (2026). https://doi.org/10.1038/s41598-026-43409-8

Palavras-chave: pressão arterial sem manguito, fotopletismografia, monitoramento de saúde vestível, aprendizado profundo, aprendizado por transferência