Avaliação da viabilidade de usar dados de smartphones para identificar risco de hipertensão arterial pulmonar idiopática

Por que seu telefone pode ajudar a detectar problemas silenciosos do coração e dos pulmões

A maioria de nós carrega um smartphone e muitos usam um relógio que registra discretamente nossos passos, frequência cardíaca e sono. Este estudo faz uma pergunta simples, mas potente: esses rastros digitais do dia a dia poderiam ajudar médicos a detectar mais cedo uma condição cardíaco-pulmonar rara e grave chamada hipertensão arterial pulmonar idiopática (HAPI), muito antes de as pessoas chegarem a um especialista? Os pesquisadores exploraram anos de dados do mundo real provenientes de telefones, relógios e questionários no aplicativo para ver se padrões sutis nos movimentos diários e nos sinais cardíacos poderiam revelar quem tem maior risco.

Uma doença difícil de detectar

A HAPI estreita os vasos sanguíneos que levam sangue do coração aos pulmões. Com o tempo, isso causa falta de ar, cansaço e risco de insuficiência cardíaca. Ainda assim, os sinais iniciais são vagos — cansaço, falta de ar ao esforço — e o teste definitivo exige um procedimento invasivo de cateterismo em centro especializado. Muitos pacientes aguardam cerca de três anos desde os primeiros sintomas até o diagnóstico, período em que a doença está mais avançada e mais difícil de tratar. A equipe por trás deste estudo quis saber se o rastreamento contínuo e passivo da atividade cotidiana poderia fornecer um indício precoce de que algo está errado.

Transformando movimentos cotidianos em pistas de saúde

Os pesquisadores usaram o aplicativo My Heart Counts para iPhone, que se conecta aos dados do Apple Health tanto do telefone quanto do Apple Watch. Inscreveram 109 pessoas no Reino Unido que já possuíam um iPhone, incluindo 33 com HAPI confirmada, 14 com outras doenças graves (principalmente após COVID-19 grave) e 61 voluntários saudáveis. Para alguns pacientes, foi possível olhar meses ou até anos antes do diagnóstico usando dados históricos salvos no telefone. Eles examinaram medidas simples, como quantos passos as pessoas deram, a velocidade da caminhada, quantos lances de escada subiram, como a frequência cardíaca se comportava em repouso e em movimento, e como dormiam à noite. Os participantes também responderam a perguntas sobre estilo de vida, humor e atitudes em relação ao exercício e à doença.

O que os dados revelaram sobre a vida diária

Pessoas que desenvolveram HAPI já se movimentavam menos e mais devagar do que os voluntários saudáveis, mesmo antes do diagnóstico. Elas deram menos passos, subiram menos escadas e apresentaram um ritmo de caminhada mais lento. A frequência cardíaca de repouso tendia a ser mais alta, e a variabilidade entre batimentos era menor — sinais de que o corpo trabalhava mais e se adaptava pior. Passavam também mais tempo acordadas durante a noite. Após o diagnóstico e tratamento, essas medidas geralmente melhoraram: os pacientes passaram a caminhar mais, subir mais escadas e suas frequências cardíacas tornaram-se mais calmas e flexíveis, ecoando melhorias vistas em testes clínicos padrão de caminhada de seis minutos. As respostas aos questionários sobre mentalidade e estilo de vida adicionaram outra camada: pessoas com HAPI estavam mais propensas a duvidar que seu nível atual de atividade fosse benéfico e, com mais frequência, viam a doença como algo fixo ou genético, em vez de algo que o estilo de vida poderia influenciar.

Ensinando computadores a reconhecer risco

Para testar se esses sinais digitais poderiam ajudar a identificar HAPI, a equipe treinou modelos de aprendizado de máquina com os dados do aplicativo. Usando apenas informações anteriores ao diagnóstico, modelos baseados em dados de relógio (incluindo frequência cardíaca) conseguiram distinguir HAPI de controles saudáveis e doentes com desempenho bastante bom, apresentando uma medida de acurácia chamada ROC AUC em torno de 0,87. Dados de atividade apenas do telefone ainda tiveram bom desempenho, e a adição de respostas selecionadas de questionários — especialmente sobre estilo de vida e satisfação com a vida — elevou o desempenho para até 0,94. Quando tentaram a mesma abordagem em um grupo separado de usuários do aplicativo nos EUA, os modelos foram piores a princípio, principalmente porque os padrões de atividade e os antecedentes de saúde diferiam entre os países. Mas, após re-treinar o sistema com uma pequena porção de dados dos EUA para compensar essas diferenças, o modelo voltou a alcançar acurácia útil (ROC AUC cerca de 0,74), sugerindo que tais ferramentas podem ser adaptadas para diferentes populações.

O que isso pode significar para os pacientes

Para o leitor geral, a mensagem-chave é que os passos que você dá, o ritmo da sua caminhada e a forma como sua frequência cardíaca responde no dia a dia carregam informações relevantes sobre a saúde — mesmo quando você se sente apenas levemente indisposto. Este estudo, embora ainda pequeno e exploratório, mostra que dados simples coletados passivamente por dispositivos de consumo, combinados com algumas pesquisas curtas, podem refletir resultados de testes hospitalares e ajudar a separar pessoas com uma condição séria, porém oculta, daquelas que estão saudáveis ou têm outros problemas. Os autores enfatizam que estudos muito maiores e mais diversos são necessários antes que tais ferramentas possam orientar o cuidado, e que os padrões observados não são exclusivos da HAPI. Ainda assim, o trabalho aponta para um futuro em que telefones e wearables atuem como companheiros de alerta precoce, ajudando pacientes e médicos a detectar mudanças perigosas na saúde cardíaco-pulmonar mais cedo, com exames menos invasivos e tratamento mais oportuno.

Citação: Delgado-SanMartin, J.A., Keles, M., Errington, N. et al. Assessing the feasibility of using smartphone data to identify risk of idiopathic pulmonary arterial hypertension. npj Cardiovasc Health 3, 16 (2026). https://doi.org/10.1038/s44325-026-00114-9

Palavras-chave: saúde digital, hipertensão pulmonar, sensores vestíveis, monitoramento por smartphone, aprendizado de máquina na medicina