Resumo Técnico: Utilização de Análise de Aceleração do Centro de Massa Assistida por IA para Disfunção da Articulação Sacroilíaca

Declaração do Problema

A triagem clínica para disfunção da articulação sacroilíaca (ASI) em corredores baseia-se atualmente, fortemente, em observações visuais breves da marcha e em listas de verificação conduzidas por clínicos. Embora práticas, estes métodos são limitados pela subjetividade observacional, variabilidade interexaminador e sensibilidade limitada a características biomecânicas subtis, particularmente em amostras de marcha curtas. Os modelos biomecânicos tradicionais frequentemente simplificam a pelve como um segmento rígido ou dependem de análises de baixa dimensão (ex: ângulos articulares discretos), que podem falhar em capturar as complexas estruturas de coordenação multivariadas e os padrões de transferência de carga não lineares característicos da disfunção da ASI. Além disso, embora as unidades de medida inerciais (IMUs) vestíveis forneçam dados ricos, a integração da IA Generativa (GenAI) para interpretar estes dados para a tomada de decisões clínicas específicas da ASI permanece subexplorada.

Metodologia

Este estudo empregou um desenho observacional prospetivo envolvendo um único corredor recreativo masculino experiente (39 anos, 181 cm, 72 kg) com disfunção persistente unilateral (do lado esquerdo) da ASI, diagnosticada através de histórico clínico e um conjunto de testes de provocação de dor (incluindo um teste FABER positivo).

Aquisição de Dados:

• Sensor: Um Monitor de Atividade Humana (HAM) com um acelerómetro triaxial (taxa de amostragem de 100 Hz) foi fixado à pelve posterior do participante (aproximando-se da vértebra S2) para capturar a aceleração do Centro de Massa (CoM) de todo o corpo.
• Protocolo: O participante submeteu-se a um programa graduado de retorno à corrida ao longo de várias semanas. Os dados foram recolhidos durante 10 ensaios de corrida de 60 segundos numa pista de atletismo.
• Processamento: Os dados brutos de aceleração dos primeiros e últimos 10 segundos de cada ensaio foram extraídos. As características no domínio do tempo foram processadas manualmente offline, incluindo o Valor Médio Quadrático (RMS) da aceleração, o pico de aceleração absoluta, a variabilidade passo a passo (Coeficiente de Variação) e índices de simetria (Esquerda vs. Direita).

Integração de IA:

• Ferramenta: O Microsoft 365 Copilot (GenAI) foi utilizado como um Sistema de Suporte à Decisão Clínica (CDSS).
• Processo: Dados brutos de aceleração do CoM e prompts biomecânicos específicos (focados no controlo mediolateral, transferência de carga e simetria) foram fornecidos ao Copilot. A IA teve a tarefa de:
  1. Identificar características biomecânicas multivariadas associadas à disfunção da ASI.
  2. Predizer assinaturas de movimento relacionadas com assimetria e gestão de carga.
  3. Sintetizar achados para apoiar a prontidão de "retorno à corrida".
• Comparação: As métricas e interpretações derivadas da IA foram comparadas com uma lista de verificação de observação clínica completada por um fisioterapeuta e um biomecânico, focando-se em assimetrias visíveis (queda pélvica, desvio do tronco) e irregularidades da marcha.

Principais Contribuições

• Raciocínio Clínico Aumentado por IA: O estudo demonstra um quadro onde a GenAI (Copilot) atua como um adjuvante, e não como um substituto, do julgamento clínico. Ela processa dados de aceleração brutos de curta duração para extrair métricas objetivas que complementam as avaliações visuais subjetivas.
• Extração de Características Multivariadas: A investigação destaca a capacidade da GenAI de identificar características de aceleração subtis e não lineares (ex: variabilidade mediolateral, padrões oscilatórios) que são difíceis de detetar através da observação visual baseada em listas de verificação.
• Ligação entre Dados e Diagnóstico: O artigo estabelece um método para mapear características de acelerómetro brutas (RMS, rácios de pico, rácios harmónicos) para constructos clínicos específicos da disfunção da ASI, tais como o comprometimento da transferência de carga e instabilidade pélvica.

Resultados

• Classificação por IA: O Copilot diferenciou com sucesso estados de marcha correspondentes ao início da reabilitação, recuperação de transição e prontidão para o retorno à corrida. Identificou um "padrão de controlo e carga do lado esquerdo" caracterizado por:
  • Eixo Mediolateral (ML): Assimetria pronunciada (10,2% de assimetria de RMS) e variabilidade elevada (5,5% de CV), indicando redução da estabilidade pélvica e alteração da inclinação do tronco para o lado afetado.
  • Eixo Vertical (VT): Redução da consistência e aumento da variabilidade da atenuação de impacto, com o lado afetado a apresentar picos verticais menores (indicando descarga de peso) em comparação com o lado contralateral.
  • Eixo Anteroposterior (AP): Forças de travagem/propulsão assimétricas e variabilidade moderada entre passadas.
• Correlação Clínica: As métricas derivadas pela IA alinharam-se com as observações clínicas de queda pélvica, movimento lateral do tronco e diminuição do equilíbrio unipodal.
  • Acordo Estatístico: Houve um acordo moderado entre a preocupação clínica e a classificação de risco do Copilot (Kappa de Cohen ponderado = 0,48).
  • Correlação: A inconsistência de passo observada clinicamente mostrou uma forte associação positiva com a variabilidade da marcha derivada pela IA, enquanto o comprometimento pélvico mostrou uma associação inversa moderada com os índices de simetria derivados pela IA.
• Simulação de Fadiga: A análise da IA revelou que, à medida que a sessão de corrida progredia (simulando fadiga), a descarga de peso do membro esquerdo aumentava e a sobrecarga contralateral piorava, uma tendência consistente com as observações clínicas de provocação de dor.

Significância e Alegações

O artigo alega que a integração da GenAI com dados de aceleração de CoM vestíveis fornece um complemento objetivo e reproduzível à observação de marcha tradicional conduzida pelo clínico para a triagem da disfunção da ASI.

• Aumento, Não Substituição: Os autores afirmam explicitamente que o estudo não visa substituir os clínicos ou fazer diagnósticos definitivos. Em vez disso, a GenAI serve como uma "segunda lente biomecânica" que fortalece o raciocínio clínico ao fornecer feedback quantitativo contínuo sobre a qualidade do movimento e a simetria.
• Escalabilidade: A abordagem oferece um potencial caminho para avaliações de marcha remotas, escaláveis e acessíveis em ambientes clínicos e domésticos, apoiando uma tomada de decisão mais consistente nos protocolos de retorno à corrida.
• Escopo Modesto: Os autores reconhecem as limitações do desenho de caso único, observando que os achados não são generalizáveis sem validação adicional. Enfatizam que os outputs da IA são mais eficazes quando integrados com o julgamento de especialistas e que o estudo serve como uma prova de conceito para um quadro clínico, e não como um modelo preditivo validado para populações amplas.