Resumo Técnico: Um Sistema de Detecção de Ondas de Calor em Tempo Real para Condições de Vida Livre com Ruído

Declaração do Problema

As ondas de calor (HFs, do inglês hot flashes) são o sintoma mais prevalente e disruptivo da transição menopausal, afetando até 80% das indivíduos e impactando significativamente a vida diária e o sono. Atualmente, o rastreamento objetivo de HFs é amplamente restrito a ambientes de pesquisa devido às limitações das tecnologias de medição existentes. O "padrão-ouro" para a medição de HFs envolve o monitoramento ambulatorial da condutância da pele (SC) esternal usando o sistema UFI Biolog. No entanto, este dispositivo é volumoso, requer eletrodos com fios, necessita de operação especializada e carece de interfaces amigáveis ao consumidor, tornando-o inadequado para implantação em larga escala, de longo prazo ou em condições de vida livre.

Embora avanços recentes tenham introduzido algoritmos de aprendizado de máquina (ML) para classificação de HFs, estes basearam-se primariamente em equipamentos de nível de pesquisa em ambientes controlados e frequentemente utilizaram dados embaralhados em validação cruzada, limitando sua capacidade de generalização para populações não vistas. Além disso, os sistemas existentes frequentemente dependem exclusivamente de sinais de SC e processamento offline, falhando em considerar a variabilidade na fisiologia das HFs através de diferentes estados bio-comportamentais (ex: sono vs. vigília) e contextos ambientais. Há uma necessidade crítica de um sistema de baixo custo, capaz de detectar HFs em tempo real utilizando dispositivos vestíveis de pulso multissensoriais comercialmente disponíveis em condições de vida livre com ruído.

Metodologia

Desenho do Estudo e Coleta de Dados

O estudo recrutou onze mulheres na menopausa (idades entre 40–65 anos) que relatavam ≥5 HFs por período de 24 horas. As participantes passaram por um protocolo de coleta de dados domiciliar de 48 horas. A configuração experimental envolveu quatro dispositivos distintos para capturar dados multimodais:

1. Padrão-Ouro: Monitor de HF UFI BiLog (3991x/1-SCL) com eletrodos de Ag/AgCl no esterno para registrar SC a 1 Hz.
2. Sensor Primário: Dispositivo vestível de pulso Empatica E4 (posicionado em ambos os pulsos) coletando dados brutos de fotopletismografia (PPG), acelerometria (ACC), SC e temperatura da pele em altas resoluções (até 64 Hz).
3. Contexto Comportamental: Fitbit Charge 4 (FC4) no pulso esquerdo para classificação de sono/vigília e contagem de passos.
4. Contexto Ambiental: Registrador iButton DS1923 para temperatura ambiente e umidade.

As participantes pressionavam botões de marcação de eventos nos dispositivos E4 ao perceberem uma HF. Anotações de especialistas, baseadas na avaliação manual de flutuações de SC esternal (>1,5-µmho de aumento em 30 segundos) a partir do dispositivo BioLog, serviram como a verdade fundamental (ground truth) para o início da HF.

Arquitetura do Sistema e Engenharia de Atributos (Features)

Os autores desenvolveram um sistema de detecção de HF por ML em tempo real usando dados do Empatica E4. Ao contrário de iterações anteriores que exigiam o processamento de formas de onda inteiras ou análise offline, este sistema foi otimizado para operação em tempo real com carga computacional minimizada.

Principais Modificações do Sistema:

• Processamento em Tempo Real: O sistema computa atributos a cada 15 segundos usando uma abordagem de janelamento.
• Conjuntos de Atributos (Features):
  • Atributos de SC: Área sob a curva (AUC) diferencial e derivada (inclinação) calculadas entre janelas passadas e futuras (focando especificamente na "borda de subida" para prever o início antes da percepção subjetiva).
  • Atributos de Temperatura: Diferenciais de temperatura média entre contextos passados/futuros e a janela atual.
  • Atributos de PPG/Frequência Cardíaca: Diferencial de frequência cardíica entre a janela atual e contextos passados/futuros.
  • Atributos de Movimento: Deslocamento máximo absoluto (AMD) nos eixos x, y e z, incluindo cálculos diferenciais entre os eixos.
• Classificador: Um classificador de árvore de decisão gera previsões binárias (HF/não-HF) para cada intervalo de 15 segundos.
• Pós-processamento: As previsões são agregadas para identificar eventos discretos de HF. Um período de refração de 15 minutos (60 intervalos) é aplicado para evitar múltiplas detecções de um único episódio fisiológico.

Tarefas Experimentais

O estudo avaliou o sistema através de cinco tarefas específicas:

1. Desempenho em Tempo Real: Determinou os tamanhos ideais das janelas de contexto passado/futuro (testados de 1s a 240s) usando uma validação cruzada de exclusão de um sujeito (leave-one-subject-out - LOSO).
2. Eficiência Computacional: Avaliou o impacto da redução de amostragem de sinais (fatores de 1 a 32) e dos intervalos de computação do algoritmo (15s a 90s) na precisão.
3. Robustez ao Ruído: Testou o desempenho do sistema contra ruídos sintéticos (quedas e picos de sinal) variando de 0,5% a 50%.
4. Treinamento com Aumento de Ruído: Retreinou o modelo com dados sinteticamente aumentados para determinar se o desempenho poderia ser recuperado sob condições ruidosas.
5. Validação em Vida Livre: Validou o modelo final através de diferentes condições bio-comportamentais (sono vs. vigília, ativo vs. inativo) e ambientais (temperatura, umidade, hora do dia).

Principais Contribuições

1. Detecção Multissensorial em Tempo Real: O artigo apresenta um novo sistema de ML que integra dados de SC, temperatura, frequência de pulso e movimento de um dispositivo vestível de pulso comercial (Empatica E4) para detectar HFs em tempo real, indo além das abordagens de sinal único e offline de pesquisas anteriores.
2. Otimização para Condições de Vida Livre: O sistema é explicitamente projetado e validado para ambientes de vida livre "com ruído", abordando perda de sinal, artefatos de movimento e variabilidade de estados fisiológicos (sono vs. vigília).
3. Eficiência Computacional: Os autores fornecem parâmetros específicos do algoritmo (ex: intervalos de computação de 15 segundos, fator de redução de amostragem de 4x) que minimizam a carga computacional enquanto mantêm alta precisão, tornando o sistema viável para implantação em hardware de consumo.
4. Robustez ao Ruído: O estudo demonstra que o sistema mantém >90% de precisão mesmo com 15% de queda de sinal quando treinado com ruído sintético aumentado, um achado crítico para aplicabilidade no mundo real, onde o contato do sensor é frequentemente imperfeito.
5. Validação de Generalização: Usando um conjunto de dados de teste mantido à parte de sete mulheres (distintas das quatro mulheres do conjunto de treinamento), o estudo verifica que o modelo não apenas memoriza os dados de treinamento, mas possui poder preditivo genuíno.

Resultados

• Precisão: O sistema alcançou >90% de precisão na detecção de HFs em tempo real sob condições de vida livre.
• Parâmetros Ótimos:
  • Contexto: O contexto passado de 60 segundos (contexto à esquerda) foi identificado como ideal para operação em tempo real, equilibrando resolução e desempenho.
  • Eficiência: Um intervalo de computação de 15 segundos e um fator de redução de amostragem de 4 (resultando em 1 Hz de amostragem para a maioria dos sensores) proporcionaram o melhor equilíbrio entre atraso e precisão.
• Tratamento de Ruído:
  • Sem o retreinamento, o sistema manteve >90% de precisão com quedas de sinal de até 15%.
  • O retreinamento com ruído sintético (pico de 0,25% e queda de 0,25%) melhorou a precisão para 99,16% para quedas de sinal de 15%, representando uma redução relativa de erro de 60% em comparação ao modelo sem aumento.
• Robustez às Condições: O sistema demonstrou desempenho consistente (>90% de precisão) em várias condições, incluindo estados de sono vs. vigília, períodos de atividade vs. inatividade, diferentes horas do dia e níveis variáveis de temperatura e umidade ambiental.

Significância e Alegações

Os autores afirmam que este trabalho representa um passo significativo em direção à viabilidade de medir HFs na vida cotidiana usando sensores de pulso de nível comercial. Ao demonstrar que um sistema de ML multissensorial pode operar em tempo real com alta precisão, apesar do "ruído" das condições de vida livre, o sistema oferece um caminho para:

• Rastreamento Objetivo: Fornecer aos indivíduos e clínicos dados longitudinais, passivos e confiáveis sobre padrões e características de HFs, afastando-se do relato subjetivo.
• Gestão e Intervenção: Permitir uma melhor gestão deste sintoma disruptivo e potencialmente apoiar intervenções "just-in-time" ao prever o início da HF antes da percepção subjetiva.
• Escalabilidade: Oferecer uma alternativa de baixo custo aos dispositivos de padrão-ouro volumosos, caros e dependentes de especialistas, facilitando estudos de larga escala e uma adoção clínica mais ampla.

O artigo reconhece modestamente as limitações, observando o tamanho de amostra modesto (11 participantes), a exclusão de indivíduos com IMC ≥35 kg/m² e a falta de análise em relação à distribuição do tom de pele. Os autores enfatizam que uma validação adicional em diversos dispositivos vestíveis de consumo é necessária para garantir a confiabilidade do sistema em todos os grupos demográficos e para abordar potenciais vieses relacionados à precisão do PPG em diferentes tons de pele ou composições corporais.