Um modelo de aprendizado de máquina para fragilidade baseado em medições de dispositivos vestíveis

Por que o movimento cotidiano na velhice importa

À medida que mais pessoas chegam aos 70, 80 anos e além, os médicos buscam melhores maneiras de identificar quem corre risco de enfraquecer, perder independência ou necessitar de atendimento de emergência. O termo médico para essa vulnerabilidade é fragilidade, mas os testes atuais são lentos, frequentemente subjetivos e difíceis de repetir com regularidade. Este estudo investiga se dados simples de movimento obtidos por um rastreador de atividade usado no pulso podem substituir esses testes e até melhorar a capacidade dos médicos de prever desfechos graves, como hospitalização e morte.

Do prontuário ao bracelete

As pontuações tradicionais de fragilidade perguntam sobre cansaço e perda de peso, medem velocidade de caminhada e força de preensão e contabilizam múltiplos problemas de saúde. Essas ferramentas são úteis, mas consomem tempo, e algumas dependem da memória da pessoa ou do julgamento de um clínico atarefado. Os pesquisadores se perguntaram se uma janela mais objetiva para a vida diária — quanto as pessoas realmente se movem, ficam sentadas e dormem — poderia capturar as mesmas informações de forma mais eficiente. Usando um dispositivo semelhante a um smartwatch chamado acelerômetro, registraram cada passo, pausa e explosão de atividade em adultos mais velhos ao longo de uma semana.

Uma semana de movimento transformada em escores de risco

A equipe utilizou o Toledo Study for Healthy Aging, na Espanha, que acompanha centenas de adultos com mais de 65 anos. Após entrevistas, exames físicos, exames de sangue e exames corporais, 437 participantes foram solicitados a usar o dispositivo de atividade por sete dias. Software especializado transformou os sinais brutos de movimento em características numéricas, como total de passos, trechos de movimento vigoroso e longos períodos sedentários, além de padrões relacionados ao sono e à vigília. Essas características foram então usadas em um modelo de aprendizado de máquina — um programa de computador que aprende padrões a partir de dados — para verificar se ele conseguiria reproduzir várias escalas de fragilidade estabelecidas e fatores de risco de saúde relacionados.

Ensinando um computador a reconhecer fragilidade

Os pesquisadores utilizaram uma abordagem chamada árvores de decisão com gradient boosting, que combina muitas regras simples de decisão em um preditor poderoso. Eles dividiram repetidamente o conjunto de dados em duas metades, treinando o modelo em uma e testando na outra, para garantir que os resultados se sustentassem em pessoas não vistas. O modelo conseguiu estimar um escore detalhado de fragilidade, conhecido como Frailty Trait Scale, com boa acurácia baseado exclusivamente em padrões de atividade. Sucesso semelhante foi observado para outras medidas de fragilidade e para fatores de risco individuais ligados ao envelhecimento, como resultados de exames de sangue e força de preensão. Notavelmente, dois dias — cerca de 48 horas — de dados cuidadosamente selecionados foram quase tão informativos quanto a semana inteira, sugerindo que monitoramentos curtos e direcionados poderiam ser suficientes.

Olhando adiante para internações e sobrevida

Além de reproduzir escores de fragilidade existentes, o modelo baseado em atividade foi testado em desfechos que importam profundamente para pacientes e famílias: internação hospitalar e risco de morte ao longo do tempo. Nesse âmbito, as previsões derivadas do movimento frequentemente superaram as próprias escalas tradicionais de fragilidade. Em outras palavras, como alguém realmente se move e descansa no dia a dia forneceu um sinal mais claro de problemas iminentes do que testes pontuais realizados em clínica. Essa constatação sugere que dispositivos vestíveis poderiam ajudar médicos a identificar pacientes de alto risco mais cedo e a orientar cuidados de acompanhamento ou serviços de suporte antes que ocorram crises.

O que isso pode significar para um envelhecimento saudável

O estudo indica que períodos breves de monitoramento com um simples dispositivo de pulso podem oferecer um substituto eficiente e objetivo para exames complexos de fragilidade, ao mesmo tempo que aprimoram a previsão de eventos de saúde graves. Para idosos, isso poderia eventualmente significar menos visitas longas à clínica e mais percepção contínua, em casa, sobre como sua saúde está mudando. Para os sistemas de saúde, abre a possibilidade de monitorar fragilidade em grandes populações e direcionar recursos limitados para quem mais precisa. Os autores alertam que grupos mais diversos e medições biológicas adicionais serão necessários para construir o quadro mais completo do envelhecimento. Ainda assim, seus resultados apontam para um futuro em que o movimento cotidiano, registrado discretamente, se torne uma ferramenta poderosa para proteger a independência e ampliar anos de vida com saúde.

Citação: Culos, A., Manas, A., Shidara, K. et al. A machine learning model for frailty based on wearable device measurements. Commun Med 6, 173 (2026). https://doi.org/10.1038/s43856-026-01419-7

Palavras-chave: fragilidade, sensores vestíveis, idosos, aprendizado de máquina, envelhecimento saudável