Os níveis de condicionamento físico podem ser previstos com precisão usando dispositivos

Normalmente, os testes para medir com precisão o VO2max – uma medida chave da aptidão geral e um importante preditor de doença cardíaca e risco de mortalidade – exigem equipamentos de laboratório caros e são limitados principalmente a atletas de elite. O novo método usa aprendizado de máquina para prever o VO2max – a capacidade do corpo de realizar trabalhos aeróbicos – durante a atividade cotidiana, sem a necessidade de informações contextuais, como medições de GPS.

No que é de longe o maior estudo desse tipo, os pesquisadores reuniram dados de atividade de mais de 11.000 participantes do Estudo Fenland usando sensores vestíveis, com um subconjunto de participantes testados novamente sete anos depois. Os pesquisadores usaram os dados para desenvolver um modelo para prever o VO2máx, que foi então validado em relação a um terceiro grupo que realizou um teste de exercício padrão baseado em laboratório. O modelo mostrou um alto grau de precisão em comparação com testes baseados em laboratório e supera outras abordagens.

Alguns smartwatches e monitores de fitness atualmente no mercado afirmam fornecer uma estimativa do VO2max, mas como os algoritmos que alimentam essas previsões não são publicados e estão sujeitos a alterações a qualquer momento, não está claro se as previsões são precisas ou se um regime de exercícios está tendo algum efeito sobre o VO2max de um indivíduo ao longo do tempo.

O modelo desenvolvido em Cambridge é robusto, transparente e fornece previsões precisas com base apenas em dados de frequência cardíaca e acelerômetro. Como o modelo também pode detectar mudanças de condicionamento físico ao longo do tempo, também pode ser útil para estimar os níveis de aptidão para populações inteiras e identificar os efeitos das tendências de estilo de vida. Os resultados são relatados na revista npj Digital Medicine.

Uma medida de VO2máx é considerada o “padrão ouro” dos testes de condicionamento físico. Atletas profissionais, por exemplo, testam seu VO2max medindo seu consumo de oxigênio enquanto se exercitam até o ponto de exaustão. Existem outras maneiras de medir a aptidão no laboratório, como a resposta da frequência cardíaca a testes de exercício, mas estes exigem equipamentos como uma esteira ou bicicleta ergométrica. Além disso, o exercício extenuante pode ser um risco para alguns indivíduos.

“O VO2max não é a única medida de condicionamento físico, mas é importante para a resistência e é um forte preditor de diabetes, doenças cardíacas e outros riscos de mortalidade”, disse o coautor Dr. Soren Brage, da Unidade de Epidemiologia MRC de Cambridge. “No entanto, uma vez que a maioria dos testes de VO2max são feitos em pessoas que estão razoavelmente em forma, é difícil obter medições daqueles que não estão tão aptos e podem estar em risco de doença cardiovascular.”

“Queríamos saber se era possível prever com precisão o VO2max usando dados de um dispositivo vestível, para que não houvesse necessidade de um teste de exercício”, disse o coautor principal, Dr. Dimitris Spathis, do Departamento de Ciência da Computação e Tecnologia de Cambridge. “Nossa questão central era se os dispositivos vestíveis podem medir a aptidão na natureza. A maioria dos wearables fornece métricas como frequência cardíaca, passos ou tempo de sono, que são proxies para a saúde, mas não estão diretamente ligados aos resultados de saúde. ”

O estudo foi uma colaboração entre os dois departamentos: a equipe da Unidade de Epidemiologia do MRC forneceu experiência em saúde da população e aptidão cardiorrespiratória e dados do Estudo Fenland – um estudo de saúde pública de longa duração no leste da Inglaterra – enquanto a equipe do Departamento de Ciência da Computação e Tecnologia forneceu experiência em aprendizado de máquina e inteligência artificial para dados móveis e vestíveis.

Os participantes do estudo usaram dispositivos vestíveis continuamente por seis dias. Os sensores reuniram 60 valores por segundo, resultando em uma enorme quantidade de dados antes do processamento. “Tivemos que projetar um pipeline de algoritmos e modelos apropriados que pudessem compactar essa enorme quantidade de dados e usá-los para fazer uma previsão precisa”, disse Spathis. “A natureza de vida livre dos dados torna essa previsão desafiadora porque estamos tentando prever um resultado de alto nível (aptidão) com dados barulhentos de baixo nível (sensores vestíveis).”

Os pesquisadores usaram um modelo de IA conhecido como rede neural profunda para processar e extrair informações significativas dos dados brutos do sensor e fazer previsões de VO2max a partir dele. Além das previsões, os modelos treinados podem ser usados para a identificação de subpopulações em particular necessidade de intervenção relacionada à aptidão.

Os dados de linha de base de 11.059 participantes do Estudo Fenland foram comparados com dados de acompanhamento de sete anos depois, retirados de um subconjunto de 2.675 dos participantes originais. Um terceiro grupo de 181 participantes do Estudo de Validação de Biobancos do Reino Unido foi submetido a testes de VO2max baseados em laboratório para validar a precisão do algoritmo. O modelo de aprendizado de máquina teve forte concordância com os escores medidos do VO2máx tanto na linha de base (82% de concordância) quanto no teste de acompanhamento (72% de concordância).

“Este estudo é uma demonstração perfeita de como podemos alavancar a experiência em epidemiologia, saúde pública, aprendizado de máquina e processamento de sinais”, disse o coautor principal, Dr. Ignacio Perez-Pozuelo.

Os pesquisadores dizem que seus resultados demonstram como os wearables podem medir com precisão a aptidão, mas a transparência precisa ser melhorada se as medições de wearables comercialmente disponíveis forem confiáveis.

“É verdade, em princípio, que muitos monitores de fitness e smartwatches fornecem uma medição de VO2max, mas é muito difícil avaliar a validade dessas alegações”, disse Brage. “Os modelos geralmente não são publicados, e os algoritmos podem mudar regularmente, tornando difícil para as pessoas determinarem se sua aptidão realmente melhorou ou se está apenas sendo estimada por um algoritmo diferente.”

“Tudo no seu smartwatch relacionado à saúde e fitness é uma estimativa”, disse Spathis. “Somos transparentes sobre nossa modelagem e fizemos isso em escala. Mostramos que podemos alcançar melhores resultados com a combinação de dados ruidosos e biomarcadores tradicionais. Além disso, todos os nossos algoritmos e modelos são de código aberto e todos podem usá-los.”

“Nós mostramos que você não precisa de um teste caro em um laboratório para obter uma medida real de aptidão – os wearables que usamos todos os dias podem ser tão poderosos, se eles tiverem o algoritmo certo por trás deles”, disse a autora sênior Cecilia Mascolo, do Departamento de Ciência da Computação e Tecnologia. “O cardio-fitness é um marcador de saúde tão importante, mas até agora não tínhamos os meios para medi-lo em escala. Essas descobertas podem ter implicações significativas para as políticas de saúde da população, para que possamos ir além de proxies de saúde mais fracos, como o Índice de Massa Corporal (IMC)”.

A pesquisa foi apoiada em parte pelo Jesus College, Cambridge e pelo Engineering and Physical Sciences Research Council (EPSRC), parte da UK Research and Innovation (UKRI). Cecilia Mascolo é membro do Jesus College, Cambridge.