A termografia infravermelha baseada em deep learning revela respostas termorregulatórias uniformes e individuais reproduzíveis durante a corrida

Observando o Corpo Aquecer

Quando saímos para correr, nossos corpos silenciosamente equilibram várias tarefas ao mesmo tempo: mover os músculos, fornecer oxigênio e eliminar o excesso de calor. Este estudo explora uma nova forma de acompanhar esse malabarismo em tempo real — usando câmeras térmicas e inteligência artificial para rastrear como a temperatura da pele dos corredores muda durante o exercício. O trabalho sugere que imagens térmicas simples e sem contato das pernas podem revelar tanto padrões comuns compartilhados pela maioria dos corredores quanto diferenças pessoais sutis relacionadas à capacidade de desempenho.

Fotografando o Calor Enquanto as Pessoas Correm

Os pesquisadores convidaram onze adultos jovens, saudáveis e treinados para resistência, a um laboratório controlado. Cada pessoa completou três corridas em esteira em dois dias diferentes. O trabalho total em cada corrida foi o mesmo, mas os padrões de intensidade diferiram: uma foi constante, outra mudou de constante para intervalos e a terceira fez o inverso. Enquanto os participantes corriam, a equipe monitorou frequência cardíaca, respiração, temperatura corporal central (usando sensores internos e externos), percepção de esforço, perda de suor e — crucialmente — padrões de calor nas panturrilhas com uma câmera infravermelha de alta resolução colocada atrás da esteira.

Deixando a Inteligência Artificial Ler Mapas Térmicos

Em vez de contornar manualmente regiões nas imagens térmicas, a equipe usou deep learning — uma forma de inteligência artificial — para reconhecer automaticamente as panturrilhas e separar diferentes tipos de regiões vasculares. A partir de cada quadro, o sistema calculou várias métricas de temperatura da pele: temperatura média da panturrilha, temperatura de áreas sem vasos visíveis e temperaturas sobre pequenas artérias e veias superficiais. Também mediu a “entropia”, uma estatística que descreve quão variado é o padrão de temperatura na superfície da pele. Essas medidas foram então sincronizadas com os dados de frequência cardíaca, respiração e temperatura central, produzindo séries temporais detalhadas durante o aquecimento, as fases principais da corrida e a recuperação.

Padrões de Calor Compartilhados e Assinaturas Pessoais

Ao longo das três corridas, as diversas medidas de temperatura da pele subiram e desceram em consonância com mudanças na intensidade da corrida, mesmo que seus valores absolutos variassem. Áreas sobre pequenos vasos arteriais mostraram ligações particularmente fortes com a frequência cardíaca e o consumo de oxigênio, especialmente durante intervalos de alta intensidade e recuperação, sugerindo que são marcadores sensíveis de quão intensamente o corpo está trabalhando e de quão rapidamente elimina calor após o esforço. A entropia dessas regiões vasculares acompanhou a temperatura central durante o aquecimento, refletindo como o calor se espalha pela pele à medida que o corpo aquece. Ao mesmo tempo, houve diferenças individuais notáveis. Em alguns corredores — especialmente aqueles com maior capacidade de corrida submáxima — a temperatura da pele sem vasos mudou na direção oposta à da temperatura central, criando lacunas maiores entre o calor profundo do corpo e a pele mais fria. Essas lacunas provavelmente refletem ajustes de fluxo sanguíneo mais eficazes que ajudam a dissipar calor enquanto mantêm a temperatura central sob controle.

Leituras Confiáveis Entre Diferentes Dias

Uma questão-chave foi se essas medidas térmicas são estáveis o suficiente para ser úteis fora de um único teste. O estudo encontrou que mudanças na temperatura da pele sem vasos, particularmente durante o aquecimento, os intervalos e a recuperação, foram altamente reproduzíveis na mesma pessoa ao longo das três corridas, mesmo quando a ordem e o padrão das cargas mudaram. Padrões em nível de grupo também foram consistentes. Menor confiabilidade apareceu ao comparar certos segmentos contínuos de corrida que foram precedidos por tipos diferentes de esforço, ressaltando que o histórico imediato de exercício pode remodelar temporariamente o fluxo sanguíneo e a temperatura da pele. No geral, porém, a análise automatizada forneceu sinais robustos e repetíveis em condições de sala bem controladas.

O Que Isso Significa para Atletas e Monitoramento de Saúde

Os achados mostram que a análise inteligente de imagens de calor pode capturar tanto as formas compartilhadas de regulação da temperatura humana durante a corrida quanto as variações pessoais vinculadas à eficiência em sustentar velocidades submáximas. O deep learning transforma um fluxo de imagens térmicas em números consistentes que se alinham com dados de frequência cardíaca, respiração e temperatura central. No futuro, esse monitoramento sem contato poderia ajudar treinadores e clínicos a rastrear a carga interna, identificar sinais precoces de superaquecimento ou ajustar o treinamento com base em quão eficientemente o corpo de um corredor dissipa calor — não apenas em quão alta parece sua aptidão máxima no papel.

Citação: Weber, V., López, D.A., Ochmann, D.T. et al. Deep learning-based infrared thermography reveals reproducible uniform and individual thermoregulatory responses during running. Sci Rep 16, 10525 (2026). https://doi.org/10.1038/s41598-026-44102-6

Palavras-chave: termografia infravermelha, fisiologia do exercício, deep learning, termorregulação, desempenho na corrida