Avaliação contínua da marcha no dia a dia usando aprendizado auto-supervisionado de dados de acelerômetro no pulso

Por que seu relógio pode um dia acompanhar o quão bem você anda

Muitas pessoas já usam relógios de atividade que contam passos ou monitoram treinos. Mas, para adultos mais velhos, a forma como caminham — velocidade, ritmo e estabilidade — pode revelar sinais iniciais de problemas de saúde, desde fragilidade até demência. Este estudo mostra que um único sensor no pulso, aliado a um sistema avançado de inteligência artificial chamado ElderNet, pode transformar dados de movimento cotidianos em medidas detalhadas da qualidade da marcha, potencialmente convertendo um aparelho comum em um potente monitor de saúde.

De contagens simples de passos a pistas ricas sobre a marcha

A maioria dos dispositivos de pulso hoje estima o quanto você é ativo no geral: quanto tempo você fica sentado, com que frequência se movimenta ou quantos passos dá. Embora úteis, esses resumos misturam muitos tipos de movimento e perdem os detalhes mais finos da própria marcha. Médicos e pesquisadores se interessam por características específicas da caminhada — como a velocidade, o número de passos por minuto, o comprimento de passo e a regularidade dos passos — porque são fortes indicadoras de envelhecimento saudável e risco de incapacidade, quedas e declínio cognitivo. Tradicionalmente, essas medidas vêm de testes breves em clínicas ou laboratórios, frequentemente usando sensores na região lombar ou passarelas específicas. Esses arranjos são precisos, mas inconvenientes e capturam apenas instantâneos curtos da mobilidade de uma pessoa.

Ensinando um modelo a ler a marcha a partir do pulso

A equipe por trás do ElderNet buscou extrair informações completas da marcha a partir de sensores de pulso usados na vida diária, apesar de o pulso se mover de formas complexas que misturam balanço dos braços com outras atividades. Eles partiram de uma abordagem de aprendizado auto-supervisionado, em que uma rede neural profunda primeiro se ensina a reconhecer padrões em enormes quantidades de dados de pulso não rotulados de mais de 100.000 pessoas do UK Biobank. Em seguida, o modelo é adaptado usando gravações multi-diárias de mais de 800 adultos muito idosos do Rush Memory and Aging Project, para que se ajuste especialmente aos padrões de movimento de populações envelhecidas. Finalmente, o sistema é refinado em um conjunto de dados menor, mas cuidadosamente rotulado, o Mobilise‑D, onde os participantes usaram tanto sensores de pulso quanto um sistema de referência abrangente que mediu com precisão a marcha em cenários do mundo real. Essa etapa permite ao ElderNet aprender a traduzir movimentos complexos do pulso em métricas específicas de marcha para cada episódio de caminhada detectado.

Quão bem o sistema mede a marcha

Quando testado em adultos mais velhos e pessoas com condições como insuficiência cardíaca, doença pulmonar, Parkinson, fratura de quadril e esclerose múltipla, o ElderNet estimou a velocidade de marcha com um erro médio de cerca de 8,8 centímetros por segundo e mostrou forte concordância com o sistema de referência considerado padrão-ouro. Também superou um método biomecânico líder baseado em características manualmente extraídas e um modelo similar treinado sem pré-treinamento auto-supervisionado. Os pesquisadores estenderam o ElderNet para estimar características adicionais da marcha, como cadência, comprimento de passada e regularidade dos passos; para cadência e comprimento de passada em particular, a versão auto-supervisionada claramente superou a linha de base totalmente supervisionada. Importante, o desempenho permaneceu alto em um grupo independente de adultos mais jovens e saudáveis, sugerindo que a abordagem generaliza além da amostra original de treinamento, mesmo tendo sido otimizada para indivíduos mais velhos.

A marcha do dia a dia conta uma história diferente dos testes de clínica

Para explorar a utilidade clínica, os autores aplicaram o ElderNet a cerca de dez dias de dados de pulso por pessoa de centenas de idosos que vivem na comunidade. Eles compararam três formas de identificar quem relatou incapacidade de mobilidade: testes de caminhada curtos e supervisionados; resumos amplos de atividade física a partir do pulso; e métricas detalhadas de marcha multi-diárias estimadas pelo ElderNet. Enquanto as medidas de caminhada em laboratório e os níveis gerais de atividade forneceram discriminação apenas moderada, as ricas características de marcha em ambiente real foram muito melhores em separar pessoas com e sem problemas de mobilidade. Curiosamente, os padrões de marcha observados no cotidiano se relacionaram apenas fracamente com os medidos em caminhadas clínicas breves, sugerindo que como as pessoas se movem em seus próprios ambientes captura aspectos de função que os testes tradicionais não revelam.

O que isso pode significar para um envelhecimento saudável

O estudo mostra que um dispositivo comum e confortável usado no pulso pode, com os algoritmos certos, fornecer insights de nível clínico sobre como as pessoas caminham em sua vida cotidiana. A precisão do ElderNet está na ordem de grandeza de mudanças que importam clinicamente para a velocidade de marcha, e suas medidas multi-diárias identificam melhor adultos mais velhos com dificuldades de mobilidade do que testes padrão ou contagens simples de atividade. Com validação adicional em grupos mais diversos e por períodos mais longos, essa abordagem poderia ajudar a detectar declínios sutis mais cedo, monitorar progressão ou recuperação de doenças e orientar intervenções mais personalizadas, tudo usando dados coletados discretamente por um sensor semelhante a um relógio.

Citação: Brand, Y.E., Buchman, A.S., Kluge, F. et al. Continuous assessment of daily-living gait using self-supervised learning of wrist-worn accelerometer data. npj Digit. Med. 9, 338 (2026). https://doi.org/10.1038/s41746-026-02528-2

Palavras-chave: monitoramento da marcha, acelerômetro de pulso, envelhecimento saudável, aprendizado auto-supervisionado, biomarcadores digitais