Aprendizado de máquina identifica agrupamentos distintos de comprometimento do controle do movimento em pacientes com dor cervical crônica

Por que a dor no pescoço é mais do que um ponto dolorido

A dor no pescoço é hoje uma das principais causas de incapacidade no mundo e, para muitas pessoas, não desaparece após alguns dias ruins. Ela persiste por meses, retorna repetidamente e pode alterar silenciosamente como a cabeça e o pescoço se movem na vida cotidiana. Ainda assim, os médicos frequentemente tratam a dor cervical crônica como se a maior parte dos pacientes fosse igual. Este estudo faz uma pergunta diferente: existem subgrupos ocultos de pessoas com dor no pescoço, cada um com seu próprio padrão de problemas de movimento, que podem requerer tipos distintos de reabilitação?

Um alvo em movimento para o pescoço

Para sondar como pessoas com dor cervical crônica controlam a cabeça e o pescoço, os pesquisadores usaram um teste chamado Butterfly. Os participantes usam um pequeno sensor de movimento na cabeça e são instruídos a seguir um alvo que se move de forma imprevisível, girando e inclinando a cabeça. O alvo acelera, desacelera e muda de direção em três níveis de dificuldade — fácil, médio e difícil. A partir dessas tentativas, a equipe extraiu várias medidas: quanto tempo a cabeça ficou sobre o alvo em movimento, com que frequência ficou atrasada, com que frequência ultrapassou o alvo e quão distante, no geral, a posição da cabeça se desviou do trajeto ideal. Eles combinaram essas medidas de movimento com a intensidade de dor relatada por cada pessoa.

Deixando algoritmos encontrarem grupos ocultos

Em vez de decidir antecipadamente como rotular pacientes como “leve” ou “grave”, os autores recorreram a métodos orientados por dados. Aplicaram diversas técnicas de agrupamento — ferramentas matemáticas que procuram agrupamentos naturais em dados complexos — usando 13 características do teste Butterfly mais as avaliações de dor. Para avaliar qual método separou as pessoas de forma mais nítida, usaram uma medida de qualidade que verifica o quão distinto cada cluster é em relação aos outros. O k-means, um algoritmo amplamente usado, produziu o melhor equilíbrio entre grupos claros e de tamanho razoável. A solução mais informativa dividiu os 135 pacientes em quatro clusters distintos, cada um refletindo não apenas quão prejudicados estavam os movimentos, mas também como eles estavam prejudicados.

Quatro maneiras diferentes de o movimento falhar

Em uma das extremidades do espectro havia um cluster com apenas pequenos problemas de movimento e dor leve a moderada. Esses pacientes geralmente mantinham a cabeça próxima ao trajeto do alvo e passaram mais tempo sobre ele, com pouca tendência a ficar atrasados ou a ultrapassar. Outro cluster mostrou déficits modestos, mas um padrão característico de mover-se muito devagar e ficar atrasado em relação ao alvo em velocidades mais altas, sugerindo um estilo cauteloso de movimento frequentemente ligado ao medo do movimento. Um terceiro cluster apresentou problemas maiores, especialmente em ultrapassar o alvo, sugerindo dificuldade em frear ou controlar finamente os músculos do pescoço ao mudar de direção. O cluster mais comprometido combinou dor de moderada a grave com grandes erros em todos os níveis de dificuldade — incluindo o supostamente fácil — e mostrou tanto atrasos marcantes quanto ultrapassagens, indicando uma ampla disfunção do controle do movimento cervical.

De padrões a ferramentas personalizadas

Para testar se esses clusters poderiam ser reconhecidos de forma confiável, os pesquisadores treinaram vários modelos de aprendizado de máquina para prever a pertença aos clusters a partir dos mesmos dados de movimento e dor. Redes neurais e modelos combinados “empilhados” foram capazes de atribuir pacientes aos quatro grupos com precisão, sensibilidade e especificidade muito altas, superando em muito uma regra simples de vizinho mais próximo. Usando uma técnica chamada SHAP, a equipe então examinou quais características de movimento mais fortemente impulsionaram essas decisões. Medidas de quanto os pacientes ultrapassavam ou ficavam aquém do alvo, especialmente em dificuldades média e alta, emergiram como ingredientes-chave que distinguem os clusters entre si.

O que isso significa para pessoas que vivem com dor no pescoço

Para um leitor leigo, a conclusão é que a dor cervical crônica não é um problema uniforme. Quando solicitados a seguir um alvo em movimento imprevisível, os pacientes naturalmente se agrupam em vários padrões distintos de controle do movimento — alguns mais lentos e cautelosos, outros menos estáveis e mais propensos a ultrapassar, e alguns com disrupção grave em toda a linha. O estudo mostra que métodos modernos de análise de dados podem detectar de forma confiável esses perfis ocultos a partir de um teste de movimento curto e de uma pontuação de dor. Embora este trabalho seja uma prova de conceito inicial, aponta para um futuro em que a reabilitação para dor cervical seja adaptada ao padrão específico de controle do movimento de cada pessoa, em vez de oferecida como um programa único para todos.

Citação: Majcen Rosker, Z., Rosker, J. Machine learning identifies distinct movement control impairment clusters in patients with chronic neck pain. Sci Rep 16, 12993 (2026). https://doi.org/10.1038/s41598-026-43903-z

Palavras-chave: dor cervical crônica, controle do movimento, testes cinestésicos, aprendizado de máquina, subgrupos de reabilitação