Novos sensores vestíveis e inteligência artificial transformam a avaliação de equilíbrio

O equilíbrio pode ser afetado por vários fatores, incluindo enfermidades como a doença de Parkinson, lesões agudas e crônicas no sistema nervoso e o processo natural de envelhecimento. Avaliar com precisão o equilíbrio em pacientes é importante para identificar e gerenciar condições que afetam a coordenação e a estabilidade. Avaliações de equilíbrio também desempenham um papel fundamental na prevenção de quedas, na compreensão de distúrbios do movimento e no planejamento de intervenções terapêuticas adequadas em diferentes faixas etárias e condições médicas.

No entanto, os métodos tradicionais usados para avaliar o equilíbrio frequentemente sofrem de subjetividade, não são abrangentes o suficiente e não podem ser administrados remotamente. Além disso, essas avaliações dependem de equipamentos especializados e caros, que podem não estar prontamente acessíveis em todos os ambientes clínicos, e da expertise do clínico, o que pode levar à variabilidade nos resultados. Ferramentas de avaliação mais objetivas e abrangentes na avaliação do equilíbrio são extremamente necessárias.

Utilizando sensores vestíveis e algoritmos avançados de aprendizado de máquina, pesquisadores do Colégio de Engenharia e Ciência da Computação da Florida Atlantic University desenvolveram uma abordagem inovadora que preenche uma lacuna crucial na avaliação do equilíbrio e estabelece um novo padrão na aplicação de tecnologia vestível e aprendizado de máquina na saúde. A abordagem representa um avanço significativo na avaliação objetiva do equilíbrio, especialmente para o monitoramento remoto em ambientes domiciliares ou de cuidados de enfermagem, potencialmente transformando a gestão de distúrbios do equilíbrio.

Para o estudo, os pesquisadores usaram o Teste Clínico Modificado de Interação Sensorial no Equilíbrio (m-CTSIB), amplamente utilizado na área da saúde para avaliar a capacidade de uma pessoa de manter o equilíbrio em diferentes condições sensoriais. Sensores vestíveis foram colocados no tornozelo, região lombar (parte inferior das costas), esterno, pulso e braço dos participantes do estudo.

Os pesquisadores coletaram dados de movimento abrangentes dos participantes sob quatro diferentes condições sensoriais do m-CTSIB: desempenho de equilíbrio com os olhos abertos e fechados em uma superfície estável e em uma de espuma. Cada condição de teste durou cerca de 11 segundos sem intervalos para simular desafios contínuos de equilíbrio e simplificar o processo de avaliação. Os pesquisadores usaram sensores de unidade de medição inercial (IMU) acoplados a um sistema especializado para avaliar as pontuações de equilíbrio m-CTSIB de referência para a análise.

Os dados foram então pré-processados e uma vasta gama de características foi extraída para análise. Para estimar as pontuações do m-CTSIB, os pesquisadores aplicaram algoritmos de Regressão Linear Múltipla, Regressão de Vetor de Suporte e XGBOOST. Os dados dos sensores vestíveis serviram como entrada para seus modelos de aprendizado de máquina, e as pontuações correspondentes do m-CTSIB do Falltrak II, uma das principais ferramentas na prevenção de quedas, atuaram como os rótulos de referência para treinamento e validação dos modelos.

Vários modelos de aprendizado de máquina foram então desenvolvidos para estimar as pontuações do m-CTSIB a partir dos dados dos sensores. Os pesquisadores também exploraram os seus posicionamentos mais eficazes para otimizar a análise de equilíbrio.

Os resultados do estudo, publicados na revista Frontiers in Digital Health, destacaram a alta precisão dessa abordagem e a forte correlação com as pontuações de equilíbrio de referência, sugerindo que o método foi eficaz e confiável. Os dados dos sensores lombares e do tornozelo dominante demonstraram o melhor desempenho na estimativa das pontuações de equilíbrio, destacando a importância do posicionamento estratégico dos sensores para capturar ajustes e movimentos de equilíbrio relevantes.

"Sensores vestíveis ofereceram uma solução prática e econômica para capturar dados detalhados de movimento, que são essenciais para a análise de equilíbrio", disse Behnaz Ghoraani, Ph.D., autor sênior, professor associado do Departamento de Engenharia Elétrica e Ciência da Computação da FAU, co-diretor do Centro de Saúde Inteligente da FAU e membro do Instituto de Sensoriamento e Sistemas de Rede Integrados da FAU (I-SENSE).

"Posicionados em áreas como a parte inferior das costas e membros inferiores, esses sensores fornecem insights sobre a dinâmica do movimento em 3D, essenciais para aplicações como avaliação de risco de queda em diversas populações. Acoplados à evolução do aprendizado de máquina, esses dados derivados de sensores se transformam em métricas objetivas e quantificáveis de equilíbrio, usando uma variedade de técnicas de aprendizado de máquina."

Os resultados forneceram insights importantes sobre a significância de movimentos específicos, seleção de características e posicionamento dos sensores na estimativa do equilíbrio. Notavelmente, o modelo XGBOOST, utilizando os dados do sensor lombar, alcançou resultados excepcionais em ambos os métodos de validação cruzada e demonstrou alta correlação e um baixo erro absoluto médio, indicando desempenho consistente.

"Os achados sugeriram que este novo método tem o potencial de revolucionar as práticas de avaliação do equilíbrio, especialmente em situações em que as práticas tradicionais são impraticáveis ou inacessíveis", disse Stella Batalama, Ph.D., reitora da Faculdade de Engenharia e Ciência da Computação da FAU.

"Esta abordagem é mais acessível, econômica e capaz de administração remota, o que pode ter implicações significativas para a saúde, reabilitação, ciência do esporte ou outras áreas onde a avaliação do equilíbrio é importante."

"As avaliações tradicionais de equilíbrio frequentemente carecem da granularidade necessária para analisar essas influências de forma abrangente, o que cria uma lacuna em nossa compreensão e no manejo de deficiências de equilíbrio", disse Ghoraani. "Além disso, os dispositivos vestíveis permitem o monitoramento remoto, permitindo que profissionais de saúde avaliem o equilíbrio dos pacientes à distância, o que é especialmente útil em diversos cenários de cuidados de saúde."