Validation and optimisation of wearable accelerometer data pre-processing for digital measure implementation and development

Este estudo desenvolveu e validou o pacote de código aberto GENEAcore, uma pipeline modular de pré-processamento de dados de acelerômetros que assegura qualidade, transparência e rastreabilidade para medidas digitais, otimizando a detecção de não-uso e transições comportamentais e demonstrando como variações algorítmicas podem impactar clinicamente a quantificação da atividade física.

O essencial

Imagine que você tem um relógio inteligente muito sofisticado que não apenas conta seus passos, mas grava cada pequeno movimento do seu corpo, 100 vezes por segundo, dia e noite. Esse é o mundo dos acelerômetros de alta resolução. Eles são como "espiões" que nos ajudam a entender a saúde das pessoas de forma muito precisa.

Mas aqui está o problema: esses espiões geram uma quantidade gigantesca de dados brutos, cheios de ruídos e confusões. Se você tentar ler esses dados diretamente, é como tentar entender uma história lendo apenas letras soltas e sem pontuação. Você precisa de um editor para organizar tudo.

Este artigo é sobre a criação e o teste desse "Editor de Dados", chamado GENEAcore. Os autores queriam garantir que, antes de qualquer médico ou pesquisador tirar conclusões sobre a saúde de alguém, os dados passassem por um processo de limpeza e organização rigoroso, transparente e confiável.

Aqui está como eles fizeram isso, usando algumas analogias simples:

1. O Calibrador de Instrumentos (Calibração)

Antes de usar uma régua, você precisa ter certeza de que ela não está esticada ou encolhida. Da mesma forma, os sensores dos relógios podem ter pequenas falhas de fábrica.

• O que o estudo fez: Eles criaram um sistema que "ajusta" o sensor automaticamente, como se fosse um músico afinando seu violão antes de tocar. Eles verificaram que esse ajuste funciona perfeitamente e que o sensor continua afinado mesmo depois de dias de uso.

2. O Detector de "Tempo Livre" vs. "Tempo de Uso" (Detecção de Não-uso)

Imagine que você tira o relógio para tomar banho ou para dormir. O relógio continua gravando, mas agora está apenas "sentado" na mesa ou na sua mesa de cabeceira. Se o computador achar que você está se movendo quando está apenas parado, ele vai contar isso como exercício, o que é um erro.

• O que o estudo fez: Eles desenvolveram um detector inteligente que olha para a temperatura e para a falta de movimento. É como um guarda de trânsito que sabe exatamente quando o carro (o relógio) saiu da estrada (do pulso). Eles provaram que esse sistema acerta 92% das vezes em distinguir se o relógio está no pulso ou não, mesmo durante o sono.

3. Cortar o Filme em Cenas Certas (Janelas de Tempo vs. Eventos)

Tradicionalmente, os pesquisadores cortavam o dia em "fatias" de tempo fixas (como fatias de pão de 1 segundo ou 60 segundos). O problema é que a vida não segue regras de fatias de pão! Você pode começar a correr no meio de uma fatia e parar no meio da próxima. Isso cria confusão.

• A inovação: Em vez de fatias fixas, o novo sistema corta o filme da sua vida nas cenas naturais. Se você começa a andar, o sistema marca o início. Se você para, marca o fim.
• O resultado: Descobriram que, ao usar essas "cenas naturais" (eventos de duração variável) em vez de fatias fixas, a quantidade de atividade física registrada aumenta em 31%. É como se, ao cortar o filme da maneira certa, você descobrisse que a pessoa correu muito mais do que se pensava inicialmente!

4. A Regra de Ouro (Validação)

Tudo isso foi testado contra dados reais de laboratório e observações de pessoas reais.

• Eles provaram que o sistema consegue detectar mudanças de comportamento (como parar de andar e começar a sentar) com uma precisão incrível, geralmente em menos de 2 segundos.
• Eles também compararam duas formas diferentes de medir a "intensidade" do movimento (duas receitas diferentes para calcular o esforço) e mostraram que, embora pareçam iguais quando a pessoa está se mexendo muito, elas dão resultados diferentes quando a pessoa está quase parada. Isso é crucial para não confundir "descanso" com "atividade leve".

Por que isso importa para você?

Pense nisso como a fundação de um prédio. Se a fundação (o pré-processamento dos dados) for torta, o prédio inteiro (o diagnóstico médico ou a política de saúde pública) pode desmoronar ou ficar perigoso.

Os autores dizem: "Não podemos apenas correr para ver resultados de saúde. Precisamos garantir que a matemática por trás dos dados esteja perfeita."

Em resumo:
Este trabalho criou uma "fábrica de limpeza de dados" aberta e transparente para os relógios inteligentes. Eles garantiram que:

1. O sensor está calibrado.
2. Sabemos exatamente quando o relógio foi tirado do pulso.
3. Conseguimos ver os movimentos da pessoa da maneira mais natural possível, sem cortar as ações ao meio.

Isso permite que médicos e pesquisadores confiem nos dados para tomar decisões sobre tratamentos e saúde pública, sabendo que os números refletem a realidade, e não apenas um erro de cálculo. É sobre transformar o caos de números brutos em uma história clara e verdadeira sobre como as pessoas se movem e vivem.

Resumo técnico

Título: Validação e Otimização do Pré-processamento de Dados de Acelerômetros Vestíveis para Implementação e Desenvolvimento de Medidas Digitais

1. O Problema

O uso de acelerômetros de alta resolução como tecnologias de saúde digital em ensaios clínicos e cuidados médicos está a crescer rapidamente. No entanto, existem desafios críticos na transformação de dados brutos de sensores em medidas digitais clinicamente válidas:

• Falta de Padronização e Transparência: Muitos pipelines de processamento existentes são "caixas-pretas" com regras heurísticas opacas para gestão de interrupções e imputação de dados, dificultando a reprodutibilidade e a aprovação regulatória.
• Dependência de Assunções Arbitrárias: A escolha de durações de epochs (janelas de tempo fixas) é frequentemente arbitrária e pode não corresponder à estrutura natural dos comportamentos físicos, levando a erros de classificação e perda de detalhes de atividades de curta duração.
• Risco Clínico: Pequenas variações na implementação de algoritmos ou nas etapas de pré-processamento podem ter consequências clinicamente significativas, exigindo uma validação rigorosa e rastreabilidade total dos dados desde o sensor até à medida final.

2. Metodologia

Os autores desenvolveram e testaram o GENEAcore, um pacote de software de código aberto (R) que implementa um pipeline modular de pré-processamento. O estudo focou-se nos primeiros três estágios do processamento de dados (Figura 1 do artigo):

• Conjunto de Dados: Foram utilizados dados de 68 participantes (100 ficheiros) provenientes de vários estudos (HeLP, SafeHeart, dados de laboratório e polissonografia). Os dados incluíam aceleração triaxial e temperatura de dispositivos GENEActiv.
• Verificação de Engenharia: O software foi submetido a testes de unidade e integração, seguindo normas ISO 62304, com cobertura de código de 90% e validação cruzada contra pacotes existentes (GGIR, GENEAread).
• Componentes do Pipeline:
  1. Calibração: Implementação de um método de auto-calibração baseado em ajuste esférico iterativo de dados de não-movimento (janela rolante de 120s) para corrigir ganho e offset dos sensores.
  2. Detecção de "Não-uso" (Non-wear): Desenvolvimento de um algoritmo baseado em eventos que combina:
     • Queda de temperatura (>0,7°C/min nos primeiros 4 min).
     • Não-movimento sustentado (>2h sem mudança de postura).
     • Não-movimento prolongado (>12h).
     • Uso de uma janela de 2 minutos com média rolante do desvio padrão da aceleração.
  3. Detecção de Transições: Utilização do algoritmo PELT (Pruned Exact Linear Time) para detetar mudanças na média e variância da aceleração, definindo eventos de duração variável em vez de epochs fixos.
  4. Caracterização: Comparação de dois algoritmos de intensidade de atividade (AGSA e ENMO) e análise da agregação de dados baseada em eventos versus epochs fixos de 1 segundo.

3. Principais Contribuições

• Pipeline Modular e Transparente (GENEAcore): Criação de uma camada fundamental que separa o pré-processamento da classificação final, garantindo rastreabilidade, integridade dos dados e conformidade com requisitos regulatórios.
• Validação Empírica de Limiares: Primeira validação empírica do limiar comum de 13mg (desvio padrão da aceleração) para deteção de não-movimento, confirmando a sua eficácia e explorando a sensibilidade a variações deste limiar.
• Abordagem Baseada em Eventos: Demonstração de que a deteção de transições baseada em dados (eventos de duração variável) supera as limitações das epochs fixas, eliminando a necessidade de regras complexas para agregação e interrupções de bouts (episódios de atividade).
• Comparação de Algoritmos de Intensidade: Análise detalhada das diferenças entre AGSA (soma dos vetores de magnitude) e ENMO (norma euclidiana menos um), estabelecendo equações de conversão e limites de aplicabilidade.

4. Resultados Chave

• Calibração: O método de auto-calibração reduziu o erro residual para uma média de 6,7mg, confirmando a convergência e a repetibilidade do processo.
• Detecção de Não-uso: O algoritmo alcançou uma precisão balanceada de 92,3%.
  • Sensibilidade: 84,8% (para eventos curtos controlados).
  • Especificidade: 99,8% (crucial para evitar falsos positivos durante o sono).
  • O limiar de 13mg foi validado, embora um ajuste para 12mg tenha mostrado uma melhoria marginal (92,6%).
• Detecção de Transições: O algoritmo PELT detetou 99% das transições com uma precisão média de 1,65 segundos.
  • A distribuição da duração dos eventos seguiu uma distribuição log-normal, com uma duração esperada média de 68,6 segundos.
• Impacto na Medição de Atividade:
  • AGSA vs. ENMO: Os algoritmos foram >99% concordantes durante o movimento, mas divergiram em condições de baixo movimento. O ENMO tende a subestimar a intensidade em baixas acelerações. Um limiar de sedentarismo de 62,5mg (AGSA) corresponde a 34,1mg (ENMO).
  • Eventos vs. Epochs: A agregação baseada em eventos de duração variável resultou em 31% mais duração de atividade diária em comparação com epochs fixos de 1 segundo. Isso ocorre porque os eventos capturam melhor os picos de atividade e evitam a diluição de intensidade causada por janelas de tempo fixas.

5. Significado e Conclusão

Este estudo demonstra que o pré-processamento rigoroso e transparente é a base indispensável para a validação clínica de medidas digitais.

• Reprodutibilidade: Ao documentar cada passo e assumir o mínimo de premissas, o GENEAcore permite que diferentes pesquisadores e reguladores validem os mesmos dados de forma consistente.
• Superioridade dos Eventos: A abordagem baseada em eventos resolve o dilema da escolha do tamanho da epoch, permitindo capturar tanto a precisão temporal de janelas curtas quanto a eficiência de dados de janelas longas, sem perder a estrutura latente do comportamento humano.
• Aplicação Clínica: A atenção aos detalhes na engenharia de software e na validação analítica é crítica, pois pequenas alterações algorítmicas podem alterar significativamente os resultados clínicos e as recomendações de saúde pública. O framework proposto serve como um bloco de construção robusto para o futuro desenvolvimento de medidas digitais em saúde.