Predictive Analytics for Foot Ulcers Using Time-Series Temperature and Pressure Data

Este artigo apresenta um framework de análise preditiva que utiliza dados de séries temporais de temperatura e pressão, capturados por sensores vestíveis, e algoritmos de aprendizado de máquina não supervisionados para detectar anomalias e identificar precocemente o risco de úlceras no pé diabético.

O essencial

Imagine que os seus pés são como o painel de controle de um carro muito especial. Se o motor superaquecer ou se uma roda começar a bater no asfalto de forma estranha, você quer saber disso antes que o carro quebre no meio da estrada, certo?

Para pessoas com diabetes, os pés são essa "parte do carro" que precisa de atenção extra. Se não cuidarem bem, podem aparecer feridas graves (úlceras) que, se ignoradas, podem levar a amputações. O problema é que, muitas vezes, o diabetes "adormece" a sensibilidade dos pés, então a pessoa não sente a dor até que seja tarde demais.

Este artigo é como um manual de instruções para um novo sistema de alarme inteligente que tenta prever esses problemas antes que eles aconteçam.

Aqui está a explicação simples, passo a passo:

1. O "Detetive de Meias" (Sensores Wearables)

Os pesquisadores criaram um sistema usando meias ou palmilhas inteligentes equipadas com dois tipos de "olhos" digitais:

• Termômetros: Que sentem a temperatura do pé (como um termômetro que mede se há inflamação).
• Sensores de Pressão: Que sentem onde o pé está apertando muito no chão (como se alguém estivesse pisando em um ponto específico o tempo todo).

Eles pediram para pessoas saudáveis andarem por um caminho especial para coletar dados de como um pé "normal" se comporta. É como aprender a "dança" normal de um pé para saber quando alguém está "tropeçando".

2. Os Dois Guardas de Segurança (A Inteligência Artificial)

Para analisar esses dados, o estudo usou dois tipos de "guardas" (algoritmos de computador) que vigiam os dados em tempo real. Eles não precisam de um manual de "o que é uma ferida", eles aprendem sozinhos o que é "normal" e gritam "ALERTA!" quando algo sai do padrão.

• O Guardião "Detetive Fino" (Isolation Forest):

  • Analogia: Imagine um detetive muito observador que nota se você está pisando um pouco mais devagar que o normal ou se a temperatura subiu 0,5 graus. Ele é ótimo em pegar pequenos detalhes e mudanças sutis.
  • Resultado: Ele é excelente para avisar cedinho, quando o problema ainda está começando a se formar (como uma pequena inflamação), permitindo que a pessoa aja antes que a ferida apareça.

• O Guardião "Grito de Alerta" (KNN - Vizinho Mais Próximo):

  • Analogia: Imagine um guarda que só grita quando vê algo extremamente estranho, como um pé que está 10 graus mais quente que o normal ou uma pressão absurda. Ele é muito sensível a coisas grandes e ruins.
  • Resultado: Ele é ótimo para pegar emergências graves, mas às vezes ele grita "fogo!" quando é apenas uma fumaça de cozinha (falsos alarmes). Isso pode cansar o paciente se ele ficar alertando o tempo todo por coisas pequenas.

3. O Segredo: Juntar as Peças (Temperatura + Pressão)

O estudo descobriu algo interessante: quando o pé aperta muito (pressão), ele tende a esquentar (temperatura). É como esfregar as mãos uma na outra; quanto mais você esfrega, mais elas esquentam.

• A Lição: Usar apenas um sensor é como tentar ouvir um filme apenas com o som ou apenas com a imagem. Usar os dois juntos (pressão e temperatura) dá uma visão muito mais clara e precisa do que está acontecendo.

4. O Que Eles Encontraram?

• O "Detetive Fino" (Isolation Forest) foi o vencedor para prevenção. Ele consegue ver os sinais de perigo antes que a ferida se forme.
• O "Grito de Alerta" (KNN) pegou os picos extremos, mas fez muitos falsos alarmes.
• Eles viram que em certos meses (como janeiro e abril), os dados mostraram mudanças estranhas, provando que o sistema funciona para detectar variações ao longo do tempo.

5. O Que Falta e Para Onde Vamos?

O estudo foi feito com pessoas saudáveis em um laboratório controlado. É como testar um carro de corrida em uma pista perfeita.

• O Desafio: O mundo real é bagunçado. Pessoas com diabetes têm pés diferentes, usam sapatos diferentes e andam em lugares diferentes. O sistema precisa ser testado em pacientes reais com feridas para ver se funciona na vida cotidiana.
• O Futuro: A ideia é que, no futuro, você possa usar uma meia inteligente conectada ao seu celular. Se o seu pé começar a esquentar ou apertar demais em um ponto específico, o app avisa: "Ei, cuidado! Tire o sapato e descanse esse pé antes que apareça uma ferida."

Resumo Final

Este trabalho é como criar um sistema de segurança antecipado para os pés de diabéticos. Em vez de esperar a ferida aparecer e doer, a tecnologia tenta pegar os "sussurros" do corpo (mudanças de calor e pressão) e avisar o paciente para agir antes que vire um grito de dor. É uma promessa de salvar membros, economizar dinheiro com hospitais e, principalmente, melhorar a qualidade de vida de milhões de pessoas.

Resumo técnico

Título: Análise Preditiva para Úlceras de Pé Utilizando Dados de Temperatura e Pressão em Série Temporal

Autor: Md. Tanvir Hasan Turja (Middlesex University London)
Data: 16 de março de 2026

---

1. Problema e Contexto

As úlceras no pé diabético (DFUs) são uma complicação grave do diabetes, resultando em alta morbidade, risco de amputação (cerca de 20% dos casos) e mortalidade elevada (mais de 70% em 5 anos após amputação).

• Limitações Atuais: O monitoramento tradicional baseia-se em avaliações clínicas esporádicas e relatos subjetivos, o que impede a detecção precoce.
• Necessidade: Há uma lacuna crítica na monitorização contínua e em tempo real. A maioria dos sensores comerciais ignora o estresse de cisalhamento plantar e não integra dados multimodais (temperatura e pressão) de forma contínua.
• Desafio de Dados: Modelos supervisionados exigem grandes conjuntos de dados rotulados com eventos de ulceração, que são difíceis de obter e podem atrasar a intervenção até que o dano clínico já tenha ocorrido.

2. Metodologia

O estudo propõe um framework de análise preditiva baseado em aprendizado não supervisionado para detectar anomalias em dados de séries temporais, sem depender de rótulos prévios de doença.

A. Coleta de Dados e Sensores

• Fonte: Dados coletados de adultos saudáveis caminhando em um caminho instrumentado.
• Hardware:
  • Temperatura: 10.000 termopares de filme fino NTC.
  • Pressão: Sensores FlexiForce A401 para monitoramento de carga plantar.
• Estrutura: Dados contínuos capturados durante um ciclo completo da marcha, armazenados inicialmente em SQL e convertidos para DataFrames (Pandas).

B. Pré-processamento

• Tratamento de Dados: Uso de análise de casos completos, preenchimento para frente (forward-filling) e preenchimento zero para dados ausentes.
• Detecção de Outliers: Remoção de pontos fora do intervalo interquartil (IQR), ajustado para o 85º percentil para equilibrar sensibilidade e variabilidade da marcha.
• Engenharia de Recursos (Feature Engineering):
  • Pressão: Pressão máxima, média, número de passos, período do passo, área sob a curva (AUC).
  • Temperatura: Máxima, mínima, média, taxas de variação e picos de temperatura.
• Seleção de Recursos: Eliminação de colinearidade (correlação > 0,95) e recursos com variância baixa (< 0,01).

C. Algoritmos de Modelagem

Dois algoritmos de aprendizado não supervisionado foram comparados:

1. Isolation Forest (IF): Um método de ensemble baseado em partição. Configurado com 100 árvores, amostras máximas de 0,6 e taxa de contaminação de 0,05. Foca em isolar anomalias sutis através de divisões recursivas de dados.
2. K-Nearest Neighbors (KNN) / Fator de Outlier Local (LOF): Um método baseado em distância e densidade. Configurado com $k=20$ vizinhos e taxa de contaminação de 0,05. Identifica pontos que se desviam significativamente de seus vizinhos mais próximos.

3. Resultados Principais

Desempenho dos Algoritmos

• Isolation Forest: Demonstrou ser superior na detecção de micro-anomalias e padrões sutis. Foi eficaz em identificar desvios graduais na pressão e temperatura que podem preceder danos teciduais (ex: inflamação inicial ou estresse prolongado).
• KNN: Mostrou alta sensibilidade a desvios extremos (picos súbitos de temperatura ou pressão localizada). No entanto, apresentou uma taxa de falsos positivos mais alta, o que poderia causar "fadiga de alertas" em um cenário de monitoramento em tempo real.

Análise de Correlação e Padrões

• Correlação Multimodal: Foi encontrada uma correlação positiva moderada a forte entre pressão e temperatura (ex: correlação de 0,48 entre pressão média e temperatura máxima). Isso sugere que áreas de maior estresse mecânico tendem a apresentar aumento térmico, validando a necessidade de monitoramento combinado.
• Padrões Temporais: Anomalias concentradas foram observadas em períodos específicos (Setembro-Outubro 2023, Janeiro e Abril 2024).
  • Pressão: Picos de pressão máxima em Janeiro e Junho de 2024.
  • Temperatura: Queda significativa em Dezembro de 2023 (possível vasoconstrição por frio) e picos temporários em Janeiro e Abril de 2024.

Importância dos Recursos

• Para Pressão: O número de passos e a área sob a curva (AUC) do sensor 3 (provavelmente médio/pé ou calcanhar) foram os indicadores mais críticos.
• Para Temperatura: Picos súbitos de temperatura máxima e flutuações foram os sinais mais fortes de comportamento anormal.

4. Contribuições Chave

1. Framework de Detecção Precoce: Estabelece um método viável para monitoramento contínuo de DFUs usando aprendizado não supervisionado, contornando a necessidade de grandes conjuntos de dados rotulados de pacientes com úlceras.
2. Validação Multimodal: Demonstra empiricamente que a combinação de dados de temperatura e pressão melhora a precisão preditiva em comparação com o uso de sensores isolados.
3. Comparação de Algoritmos: Fornece insights práticos sobre a escolha de algoritmos: Isolation Forest para vigilância contínua e detecção precoce; KNN para identificação de eventos agudos e severos.
4. Engenharia de Recursos Específica: Desenvolvimento de métricas derivadas (como AUC de pressão e taxas de variação térmica) que capturam a fisiologia da marcha melhor que dados brutos.

5. Significado e Limitações

• Significado: O trabalho oferece uma base para sistemas de vigilância de saúde do pé diabético em tempo real, permitindo intervenções clínicas antes do surgimento de sintomas visíveis, o que pode reduzir custos com saúde e prevenir amputações.
• Limitações:
  • Os dados foram coletados apenas de adultos saudáveis em ambiente controlado, limitando a generalização para populações diabéticas reais com neuropatia ou comorbidades.
  • Fatores ambientais (calçado, umidade, temperatura ambiente) não foram integrados ao modelo.
  • A taxa de falsos positivos do KNN requer refinamento para evitar alarmes desnecessários na prática clínica.
• Direções Futuras: Coleta de dados de pacientes reais, integração de modelos de Deep Learning (como LSTMs e Autoencoders), e desenvolvimento de sistemas híbridos que combinam extração de características profundas com classificadores eficientes.

Conclusão

O estudo conclui que a análise preditiva baseada em séries temporais, utilizando o algoritmo Isolation Forest em dados multimodais de sensores vestíveis, é uma abordagem promissora para a detecção precoce de úlceras no pé diabético. A abordagem não supervisionada permite a identificação de anomalias fisiológicas sutis, transformando o monitoramento de passivo para proativo.