Protocol for the REVELIO test-track pilot study: a randomised, controlled, single-centre trial in healthy recreational cannabis users investigating real-time in-vehicle detection of cannabis-impaired driving

O protocolo REVELIO descreve um estudo piloto randomizado e controlado em uma pista de testes fechada, destinado a avaliar a viabilidade de um sistema multimodal a bordo para detectar direção sob influência de cannabis em usuários recreativos saudáveis, correlacionando dados do veículo, do condutor e biológicos após a administração controlada de THC.

O essencial

Imagine que você está tentando ensinar o "cérebro" de um carro a detectar se um motorista está tendo um "dia ruim" ao volante — não porque esteja cansado ou distraído, mas especificamente porque usou cannabis recentemente.

O estudo REVELIO é um experimento cuidadosamente planejado, projetado para criar o "manual" que o cérebro do carro precisa para aprender essa habilidade. Veja como o estudo funciona, dividido em conceitos simples:

O Grande Problema: A "Caixa Preta" da Condução sob Efeito de Cannabis

Sabemos que o álcool torna a direção perigosa e contamos com bafômetros simples para detectá-lo. Mas a cannabis é mais complicada. Ela afeta as pessoas de formas diferentes e, ao contrário do álcool, não existe um teste simples e universal que indique, apenas pela análise do sangue ou do hálito, se alguém está atualmente muito intoxicado para dirigir.

Atualmente, a polícia só pode verificar a presença de cannabis após um acidente ou durante uma abordagem, buscando a presença da droga, e não necessariamente o quanto a pessoa está realmente apta a dirigir naquele momento. A equipe do REVELIO quer mudar isso criando um sistema que observe o carro e o motorista em tempo real para identificar a intoxicação conforme ela ocorre.

O Experimento: Uma "Escola de Direção" para IA

Pense neste estudo como uma escola de direção de alta tecnologia, mas, em vez de ensinar humanos a dirigir, eles estão ensinando um computador a identificar um motorista "drogado".

1. Os Alunos (Os Participantes)
Estão recrutando 45 adultos saudáveis que já usam cannabis recreativamente (como alguém que aprecia ocasionalmente uma taça de vinho). Eles são divididos em dois grupos:

• O Grupo "Teste" (33 pessoas): Estes participantes fumarão uma quantidade específica e medida de cannabis (como uma dose precisa de medicamento) imediatamente antes de começar a dirigir.
• O Grupo "Controle" (12 pessoas): Estes participantes passam pelo mesmo dia, mas não fumam nada. Eles servem como a "linha de base" ou o exemplo "limpo" para comparação.

2. A Sala de Aula (A Pista de Testes)
Para manter todos seguros, ninguém dirige em vias públicas reais. Eles estão em uma pista de testes fechada e privada.

• O Carro: Eles dirigem uma van padrão de sete lugares, mas possui um assento de "co-piloto" com um instrutor de direção certificado sentado ao lado do motorista. Se o motorista começar a desviar ou entrar em pânico, o instrutor pode acionar os freios instantaneamente.
• O Cronograma: Todos começam com uma direção "sóbria" para observar como dirigem normalmente. Em seguida, o grupo "Teste" fuma seu joint. Depois disso, todos dirigem mais três vezes ao longo das próximas seis horas. Isso permite que os pesquisadores vejam como a direção muda conforme o efeito da cannabis diminui, hora a hora.

3. Os Sensores (Os "Olhos" e "Orelhas")
Esta é a parte mais tecnológica. O carro e os motoristas estão cobertos por sensores, funcionando como uma grande rede de coleta de dados:

• O Sistema Nervoso do Carro (Dados CAN): O computador registra exatamente como o motorista toca no volante, com que força pressiona o acelerador ou o freio e como mantém a faixa.
• O Rosto do Motorista (Câmeras): Câmeras observam os olhos e os movimentos da cabeça do motorista para ver se ele está olhando ao redor ou "desligado".
• O Corpo (Wearables): Os motoristas usam smartwatches que monitoram a frequência cardíaca e a respiração.
• O Laboratório de Química: Ao longo do dia, os pesquisadores coletam pequenas amostras de sangue, saliva e hálito para medir exatamente quanto THC (o componente ativo da cannabis) está no sistema deles a cada momento.

O Objetivo: Ensinar o Computador

Os pesquisadores não estão apenas coletando dados; estão alimentando-os em Aprendizado de Máquina (um tipo de programa de computador que aprende por exemplo).

Imagine que você está ensinando uma criança a identificar uma maçã "vermelha". Você mostra a ela muitas maçãs vermelhas e muitas maçãs verdes. Eventualmente, a criança aprende o padrão.

• As Maçãs Vermelhas: Os dados dos motoristas que fumaram cannabis.
• As Maçãs Verdes: Os dados dos motoristas sóbrios.

A tarefa do computador é observar os movimentos do volante, o rastreamento ocular e a frequência cardíaca, e dizer: "Ah, este padrão parece com o grupo da 'Maçã Vermelha' (intoxicado)" ou "Isso parece com o grupo da 'Maçã Verde' (sóbrio)".

Por Que Isso Importa (Segundo o Artigo)

O artigo afirma que o objetivo principal é ver se esse "professor computador" consegue realmente aprender a diferença entre um motorista sóbrio e um intoxicado usando apenas os dados do carro e do corpo do motorista.

• É um Projeto Piloto: Este é um "teste". Os pesquisadores sabem que este é apenas o primeiro passo. Eles estão verificando se o método funciona e se os dados são suficientes para construir um sistema real mais tarde.
• Segurança em Primeiro Lugar: Como estão em uma pista fechada com um instrutor de segurança, podem testar isso sem arriscar acidentes reais no trânsito.
• Visão Futura: A esperança final (mencionada no artigo) é eventualmente construir um sistema "Apto para Dirigir". Isso não procuraria apenas cannabis; procuraria qualquer tipo de intoxicação (seja por álcool, glicemia baixa ou cannabis) e alertaria o carro se o motorista não estiver seguro para operar o veículo.

O Que o Artigo Não Diz

É importante manter-se ao que o artigo realmente afirma:

• Este estudo não tem um produto funcional pronto para vender às montadoras de carros ainda.
• Não afirma que a detecção de direção sob efeito de cannabis é atualmente possível no trânsito real.
• Não envolve quaisquer consequências legais para os participantes; é puramente um experimento de pesquisa.
• Os participantes não estão sendo testados para aplicação da lei pela polícia; eles estão ajudando a construir os dados necessários para entender melhor o problema.

Em resumo, o estudo REVELIO é como construir um mapa detalhado de uma passagem de montanha perigosa. Eles ainda não estão dirigindo os carros sobre a passagem; estão reunindo dados para ver se o computador de um carro autônomo pode, eventualmente, aprender a navegar nessa passagem com segurança sozinho.

Resumo técnico

Com base no protocolo fornecido, segue um resumo técnico detalhado do estudo-piloto da pista de testes REVELIO.

1. Declaração do Problema

Dirigir sob a influência de cannabis é um desafio crescente de segurança global, associado a prejuízos no desempenho cognitivo e psicomotor e ao aumento dos riscos de acidentes. Diferentemente do álcool, onde o prejuízo funcional correlaciona-se relativamente bem com a concentração de álcool no sangue (CAS), a cannabis apresenta desafios únicos de detecção:

• Complexidade Farmacocinética: A relação entre concentrações biológicas de THC (no sangue, no ar expirado ou no fluido oral) e o prejuízo funcional na direção é inconsistente e altamente variável entre indivíduos.
• Falta de Sistemas em Tempo Real: Os métodos de detecção atuais dependem de testes retrospectivos na via pública ou de análise laboratorial de amostras biológicas, que avaliam a presença da substância em vez do prejuízo funcional em tempo real.
• Lacuna Tecnológica: Embora existam sistemas veiculares para detectar sonolência ou prejuízo por álcool, nenhum sistema escalável, em tempo real e veicular, especificamente projetado para detectar direção sob influência de cannabis usando dados de sensores multimodais, foi sistematicamente desenvolvido ou avaliado.

2. Metodologia

O estudo REVELIO é um ensaio-piloto randomizado, controlado, aberto e monocêntrico projetado para gerar dados multimodais padronizados para o treinamento de modelos de aprendizado de máquina.

• Desenho do Estudo e Participantes:

  • População: 45 usuários recreativos saudáveis de cannabis (definidos como uso >1x/mês, escore CUDIT-R ≤7) com licenças de direção válidas.
  • Alocação: Os participantes são randomizados para um Grupo de Intervenção ($n=33$) ou um Grupo Controle de Referência ($n=12$) em uma proporção de 3:1.
  • Ambiente: Uma pista de testes fechada e segura em Thun, Suíça, utilizando um Volkswagen Touran 2020 com duplo pedal e um instrutor de direção certificado presente.

• Intervenção:

  • Grupo de Intervenção: Recebe uma única dose controlada inalativa de cannabis (alvo: 0,67 mg de THC por kg de peso corporal) via um joint padronizado (teor de 15–18% de THC).
  • Grupo Controle: Submete-se a procedimentos idênticos sem exposição à cannabis.
  • Cronograma: Todos os participantes completam uma sessão de direção de linha de base sóbria, seguida por três sessões de direção padronizadas adicionais de 50 minutos, em 1–2, 3–4 e 5–6 horas após a administração.

• Coleta de Dados (Multimodal):
  O estudo captura fluxos de dados sincronizados para distinguir estados sóbrios de estados com prejuízo:

  1. Dados Veiculares: Sinais da Rede de Área de Controladores (CAN) (direção, frenagem, aceleração, velocidade, posição na faixa).
  2. Monitoramento do Condutor: Dados da Câmera de Monitoramento do Condutor (CMC) (direção do olhar, movimento da cabeça, taxa de piscar).
  3. Sinais Fisiológicos: Sensores vestíveis (frequência cardíaca, VFC, saturação de oxigênio, respiração).
  4. Amostras Biológicas: Amostras de sangue capilar, fluido oral e ar expirado coletadas em múltiplos pontos temporais para medir THC e metabólitos.
  5. Avaliações Funcionais: Testes médico-trafficológicos/psicológicos, pupilografia e níveis de sonolência/intoxicação autorrelatados.

• Abordagem Estatística e Analítica:

  • Objetivo Primário: Desenvolver e avaliar modelos de aprendizado de máquina (ML) para classificar estados de direção (sóbrio vs. com prejuízo por cannabis).
  • Modelos: Uma Regressão Logística com LASSO de linha de base será comparada a classificadores flexíveis (Florestas Aleatórias, SVM, Gradient Boosting, Redes Bayesianas) e abordagens de aprendizado profundo (CNNs, RNNs).
  • Validação: Divisões estritas de dados ao nível do participante para evitar vazamento de informações; validação cruzada aninhada para ajuste de hiperparâmetros.
  • Métricas: O resultado primário é a AUROC (Área Sob a Curva Característica Operacional do Receptor), apoiada por precisão, sensibilidade, especificidade e valor preditivo positivo.

3. Contribuições Principais

• Conjunto de Dados Multimodais Padronizado: Criação de um conjunto de dados de alta fidelidade e sincronizado temporalmente, ligando dados de sensores veiculares, comportamento do condutor, estados fisiológicos e concentrações biológicas de THC sob condições controladas.
• Estrutura Metodológica para Detecção de Cannabis: Estabelecimento de um protocolo para avançar além de leis "per se" (baseadas em concentração) em direção à detecção de prejuízo funcional usando dados veiculares em tempo real.
• Fundação para Modelos "Apto para Dirigir": O estudo é projetado para ser agrupado com conjuntos de dados anteriores do mesmo grupo (estudos de prejuízo por álcool e hipoglicemia) para desenvolver um modelo de detecção independente da causa que identifique prejuízo funcional independentemente da causa subjacente.
• Estudo-Piloto com Foco na Segurança: Demonstração de uma estrutura de segurança rigorosa (pista fechada, veículo com duplo controle, triagem médica) para conduzir estudos de administração controlada de cannabis no contexto de direção.

4. Resultados

• Nota: Como este é um protocolo de estudo (publicado como pré-impressão), nenhum resultado empírico ou métrica de desempenho (por exemplo, valores específicos de AUROC) é relatado ainda.
• O artigo descreve a análise planejada e a justificativa para o tamanho da amostra (baseada em estudos anteriores de hipoglicemia e álcool que sugerem que $n=25$ é suficiente para discriminação inicial do modelo).
• O estudo está atualmente na fase de recrutamento e coleta de dados (conclusão prevista: junho de 2026).

5. Significado

• Inovação em Segurança Viária: Se bem-sucedido, esta pesquisa poderia levar ao desenvolvimento de sistemas de alerta veiculares em tempo real que detectam prejuízo por cannabis antes que um acidente ocorra, oferecendo uma medida de segurança proativa superior aos testes policiais retrospectivos.
• Implicações Políticas: Fornece evidências para apoiar uma mudança de limites rígidos de concentração de THC (que podem não correlacionar-se com o prejuízo) para avaliações da capacidade funcional de dirigir.
• Avanço Científico: Aborda a lacuna crítica na compreensão da dinâmica temporal do prejuízo por cannabis (fases inicial, intermediária e tardia) e como estes se manifestam em comportamentos específicos de direção e sinais fisiológicos.
• Escalabilidade: A metodologia é projetada para ser adaptável para futuros estudos de validação em grande escala e no mundo real, potencialmente abrindo caminho para restrições de direção automatizadas ou sistemas de intervenção em veículos comerciais e particulares.

Contexto Ético e Regulatório:
O estudo foi aprovado pelo Comitê de Ética Cantonal de Berna (ID BASEC: 2025-01590) e registrado no ClinicalTrials.gov (NCT07401628). Ele adere às normas ICH-GCP e à Lei Suíça de Pesquisa Humana, garantindo a segurança dos participantes por meio de critérios de exclusão rigorosos, monitoramento médico e ausência de consequências legais automatizadas para os participantes durante o estudo.