Explainable AI for Frailty and Fall Risk Prediction in Older Adults

Este estudo demonstra a viabilidade da Inteligência Artificial Explicável para a estratificação de risco de quedas e fragilidade em idosos, utilizando uma nova coorte comunitária para identificar perfis funcionais heterogêneos e validar modelos preditivos que destacam a força de preensão manual e avaliações funcionais como principais determinantes clínicos.

O essencial

O "Detetive de IA" que Ajuda a Prevenir Quedas em Idosos

Imagine que a saúde de uma pessoa idosa é como um carro antigo. Às vezes, o motor (o coração) está ótimo, mas os freios (o equilíbrio) estão gastos, ou o pneu reserva (a força muscular) está murchando. O problema é que, muitas vezes, só percebemos que o carro vai dar pane quando ele já está na beira da estrada.

Este artigo de pesquisa é como a criação de um mecânico digital superinteligente (uma Inteligência Artificial explicável) que olha para o "painel de controle" de milhares de idosos e tenta prever se o carro vai dar uma "panca" (uma queda) ou precisar de uma "guincho" (hospitalização) antes que aconteça.

Aqui está a história, contada de forma simples:

1. O Cenário: A "Academia" da Cidade

Os pesquisadores usaram dados de um programa municipal em Vila Nova de Famalicão, Portugal, chamado "Mais e Melhores Anos". Pense nisso como uma grande festa de ginástica onde idosos foram testados várias vezes ao longo de dois anos.

• Quem participou: Cerca de 2.800 pessoas (a maioria mulheres, com média de 70 anos).
• O que foi medido: Tudo! Desde a força na mão (como apertar uma mão de amigo com força), até a velocidade de levantar de uma cadeira, a memória, a qualidade de vida e se eles já tinham caído antes.

O Grande Aviso: Como o programa focava em pessoas que gostavam de fazer exercício, o grupo era mais saudável e ativo do que a média dos idosos da rua. É como estudar apenas os carros que vão à oficina para manutenção, e não os que estão abandonados no quintal. Isso é importante para entender os resultados.

2. A Parte 1: O "Grupo de Amigos" (Agrupamento)

Os cientistas usaram a IA para tentar agrupar as pessoas sem dizer a ela quem caiu ou não. Foi como pedir para a IA separar as pessoas em grupos baseados apenas em como elas se moviam e se sentiam.

• O que a IA descobriu: Ela conseguiu separar naturalmente dois grupos principais:
  1. Os "Robustos": Pessoas com boa força, que andam rápido e não precisam de ajuda.
  2. Os "Vulneráveis": Pessoas com menos força, que andam mais devagar e precisam de apoio (como usar as mãos para levantar da cadeira).
• A Surpresa: Mesmo que a IA não soubesse quem tinha caído, o grupo "Vulnerável" tinha muito mais quedas do que o grupo "Robusto". Isso mostrou que a IA acertou em cheio ao identificar os sinais de perigo apenas olhando para a força e o movimento.

Depois, eles deixaram a IA olhar também para o histórico de quedas. Aí, ela isolou um pequeno grupo de "Alto Risco": pessoas que tinham medo de cair, que paravam de andar no meio do caminho e que realmente caíam muito.

3. A Parte 2: O "Oráculo" (Previsão)

Agora, a IA tentou ser uma bola de cristal. Ela tentou responder: "Esta pessoa vai cair nos próximos meses?" ou "Esta pessoa tem sarcopenia (perda de massa muscular)?"

• Previsão de Quedas: A IA conseguiu prever quedas com uma precisão "razoável" (nem perfeita, nem ruim). Pense nisso como um termômetro: ele não diz exatamente a temperatura exata, mas avisa se está "muito quente" (risco alto) ou "frio" (risco baixo).
  • O que mais importou? A força da mão (apertar o dinamômetro), a velocidade de levantar da cadeira e a memória. Curiosamente, a IA também olhou para a capacidade de copiar um desenho (teste cognitivo), o que mostra que o cérebro e o corpo estão ligados.
• Previsão de Hospitalização: Aqui foi mais difícil. Prever se alguém vai para o hospital é como tentar prever se vai chover amanhã apenas olhando para o céu de hoje. Há muitos fatores externos (acidentes, gravidade da queda) que a IA não consegue ver. Os resultados foram mais fracos aqui.
• Detecção de Sarcopenia (Perda de Músculo): A IA foi treinada para ser um rastreio de segurança. Ela foi configurada para "gritar" se houver qualquer chance de perda muscular.
  • O resultado: Ela pegou quase todos os casos de perda muscular (ótimo!), mas também "gritou falso" em algumas pessoas saudáveis. Isso é aceitável num rastreio: é melhor chamar um médico para verificar alguém que está saudável do que deixar de chamar alguém que precisa de ajuda.

4. O Segredo: "Por que a IA disse isso?" (IA Explicável)

O grande diferencial deste estudo é que a IA não é uma "caixa preta". Ela não só dá a resposta, mas explica o motivo.

• Se a IA diz "Risco Alto", ela aponta: "É porque a força da mão caiu 2kg e a pessoa parou de andar no teste de 6 minutos".
• Isso é como um médico que diz: "Você tem risco de queda porque está usando o bastão e suas pernas estão fracas", em vez de apenas dizer "Você tem risco". Isso permite que os médicos e os próprios idosos saibam o que fazer (fortalecer as pernas, melhorar o equilíbrio).

5. O Que Acontece com o Tempo? (A Mudança)

O estudo acompanhou as pessoas ao longo do tempo e viu que o estado de saúde não é estático.

• Sinais de Perigo: Se uma pessoa que antes andava bem começa a precisar de ajuda para levantar da cadeira ou para andar, é um sinal vermelho de que ela está piorando.
• Sinais de Esperança: Se uma pessoa que estava fraca começa a andar mais longe e a levantar-se sem ajuda, é um sinal verde de recuperação. A IA consegue detectar essas mudanças sutis.

Conclusão: O Que Isso Significa para Nós?

Este estudo mostra que podemos usar dados simples (como força da mão e velocidade de caminhada) combinados com uma IA inteligente para criar uma rede de segurança para os idosos.

Não é uma bola de cristal mágica que prevê o futuro com 100% de certeza, mas é como um sistema de alerta precoce. Ele ajuda a identificar quem precisa de atenção extra, exercícios específicos ou revisão de medicamentos antes que uma queda aconteça.

Em resumo: A IA aprendeu a ler a "linguagem do corpo" dos idosos. Ao entender essa linguagem, podemos ajudar a manter nossos avós e pais mais seguros, fortes e independentes por mais tempo.

Resumo técnico

1. Problema e Contexto

O envelhecimento populacional tem colocado a fragilidade (um síndrome geriátrico caracterizado por diminuição da reserva fisiológica e resiliência homeostática) como uma prioridade de saúde pública, especialmente em Portugal, onde cerca de 15% dos idosos vivem com esta condição.

• Desafios Atuais: As ferramentas de rastreio existentes (como o Frailty Index eletrónico) baseiam-se frequentemente em diagnósticos administrativos e défices codificados, podendo não capturar totalmente características individuais de desempenho funcional, contexto e trajetórias de curto prazo.
• Objetivo: Desenvolver um quadro de Inteligência Artificial Explicável (XAI) para identificar novos determinantes de fragilidade, melhorar ferramentas de rastreio para pontos finais clínicos menos estudados (como quedas e sarcopenia) e fornecer modelos que os clínicos possam interpretar e confiar.

2. Metodologia

2.1. Dados e Coorte

• Fonte: Dados anonimizados do programa municipal "Mais e Melhores Anos" de Vila Nova de Famalicão (Portugal).
• Amostra: 2.862 participantes (idosos), totalizando 6.855 observações longitudinais (até 4 momentos de avaliação ao longo de 2 anos).
• Variáveis: Incluem sociodemografia, antropometria, testes funcionais (força de preensão manual, Timed Up and Go - TUG, sentar-e-levantar, caminhada de 6 minutos), avaliações cognitivas (MMSE), qualidade de vida (EQ-5D-5L) e histórico de quedas.
• Viés de Seleção: A coorte é predominantemente ativa (94% pratica exercício), o que introduz um viés de seleção em relação à população geral, sendo os participantes mais saudáveis e funcionais.

2.2. Pré-processamento e Engenharia de Características

• Limpeza de Dados: Padronização de texto (ex: respostas "Sim/Não"), tratamento de outliers (usando Winsorization em vez de regras IQR agressivas) e imputação de dados faltantes (preenchimento longitudinal, regras de domínio e KNN).
• Processamento de Texto: Uso de embeddings (Universal Sentence Encoder) e redução de dimensionalidade (TruncatedSVD) para variáveis textuais. Além disso, foi testada uma abordagem com LLM (Qwen2.5) para converter descrições textuais de quedas e paragens em testes em escores de severidade numéricos (0-10), criando características interpretáveis de baixa dimensão.
• Tratamento de Dados Desbalanceados: Reconhecimento de que hospitalizações e assistência hospitalar são eventos raros.

2.3. Abordagem de Modelagem

O estudo combina análise não supervisionada e supervisionada:

1. Agrupamento (Clustering) Não Supervisionado:
   • Objetivo: Explorar a heterogeneidade da fragilidade sem depender de um rótulo de "queda" pré-definido.
   • Métodos: k-means e Gaussian Mixture Models (GMM).
   • Configurações: Comparação entre agrupamento "agnóstico ao resultado" (apenas dados funcionais) e "consciente do resultado" (incluindo histórico de quedas).
2. Modelagem Preditiva Supervisionada:
   • Tarefas:
     • Classificação Binária: Previsão de quedas, assistência hospitalar e hospitalizações.
     • Regressão: Previsão da força de preensão manual (Handgrip).
     • Classificação de Sarcopenia: Detecção baseada em limiares (EWGSOP2: <27kg homens, <16kg mulheres).
   • Algoritmos: XGBoost, LightGBM, CatBoost, EBM (Explainable Boosting Machine), SVM e MLP.
   • Explicabilidade: Uso de SHAP (para modelos de caixa-preta) e análise intrínseca (para EBM).
   • Fusão de Risco: Uso de Reciprocal Rank Fusion (RRF) para agregar previsões de múltiplos modelos.

3. Resultados Principais

3.1. Resultados de Agrupamento (Clustering)

• Agnóstico ao Resultado (k=2): Identificou dois perfis funcionais distintos: um "robusto" e um "vulnerável". O cluster vulnerável apresentou naturalmente maior incidência de quedas (34% vs 15%), confirmando que o agrupamento baseado apenas em função captura padrões de risco.
• Consciente do Resultado (GMM, k=2): Isolou um subgrupo pequeno, mas distinto, de alto risco (45.5% de quedas), caracterizado por maior dependência de apoio manual, pior desempenho no TUG, menor resistência na caminhada de 6 minutos e maior medo de cair.
• Análise Longitudinal: A transição entre clusters foi estável para a maioria (86% permaneceram no cluster saudável). As transições para o estado vulnerável foram marcadas por aumento no uso de apoio manual e paragens na caminhada de 6 minutos; a recuperação associou-se a ganhos de massa magra e melhoria na capacidade de caminhada.

3.2. Resultados Preditivos

• Previsão de Quedas: Os modelos alcançaram discriminação moderada e consistente (AUROC ≈ 0.66–0.68). O EBM e o CatBoost destacaram-se.
  • Drivers Explicáveis: Força de preensão manual, mobilidade autorrelatada (EQ-5D), desempenho no TUG e testes de caminhada de 6 minutos. O EBM revelou interações importantes entre composição corporal e força.
• Assistência Hospitalar e Hospitalização: A previsão foi mais difícil (AUROC variável, baixa precisão) devido ao desequilíbrio severo de classes e à influência de fatores externos não capturados pelos dados (ex: gravidade do acidente, decisão de procurar cuidados).
• Previsão de Força de Preensão (Regressão): O CatBoost obteve o melhor desempenho (MAE ≈ 3.6 kg, $R^2 \approx 0.49$).
• Classificação de Sarcopenia:
  • A abordagem de thresholding (cortar) os valores de regressão falhou devido ao efeito de "regressão à média" (o modelo não previu valores suficientemente baixos para identificar casos extremos).
  • Um classificador dedicado (CatBoost) para sarcopenia obteve AUROC = 0.798 e Recall = 0.792, mas com baixa precisão (muitos falsos positivos).
  • Interpretação: Este comportamento é intencional e desejável para rastreio, onde a prioridade é identificar todos os potenciais casos para avaliação confirmatória, evitando subdiagnósticos.

4. Contribuições Chave

1. Framework Explicável: Demonstração de que modelos de IA podem ser interpretados clinicamente, identificando que a força muscular, a mobilidade e a composição corporal são os principais impulsionadores de risco, alinhando-se com a literatura geriátrica.
2. Análise de Heterogeneidade: Uso de clustering para revelar subgrupos de vulnerabilidade que não dependem de diagnósticos clínicos explícitos, permitindo estratificação baseada em perfis funcionais.
3. Integração de Dados Não Estruturados: Uso inovador de LLMs para transformar descrições textuais de quedas em escores de severidade numéricos, enriquecendo o conjunto de dados.
4. Validação de Rastreio: Evidência de que, embora a previsão exata de eventos raros (hospitalização) seja difícil, a estratificação de risco para quedas e sarcopenia é viável e útil para priorizar intervenções.

5. Significado e Limitações

• Significado Clínico: O estudo suporta a viabilidade de usar IA explicável em avaliações comunitárias para estratificação de risco acionável. Os modelos podem ajudar a priorizar encaminhamentos e personalizar programas de reabilitação, especialmente em contextos de recursos limitados.
• Limitações:
  • Viés de Seleção: A coorte é mais saudável e ativa que a população geral, o que pode limitar a generalização para idosos institucionalizados ou muito frágeis.
  • Falta de Diagnóstico de Ouro: Ausência de um rótulo clínico explícito de fragilidade para validação direta.
  • Dados Longitudinais Limitados: O número de participantes com todas as 4 avaliações foi baixo, limitando a análise de tendências temporais robustas.
  • Dados Faltantes: A necessidade de extensa imputação pode ter atenuado associações verdadeiras.

Conclusão: O trabalho demonstra que modelos de IA explicáveis, baseados em avaliações funcionais rotineiras e de baixo custo, podem fornecer insights clínicos valiosos para a gestão da fragilidade e prevenção de quedas, servindo como ferramentas de apoio à decisão para profissionais de saúde na atenção primária e comunitária.