Avanços em tecnologias de sensores de desgaste para monitoramento da saúde em termos de aplicações clínicas, reabilitação e avaliação de risco de doenças: Revisão sistemática

Revisão sistemáticaNível 1 · Evidência consolidadaJMIR mHealth and uHealth9 jan 202633 citações

O que aconteceu

Tecnologias de sensores de uso como unidades de medição inerciais, smartwatches e sistemas multisensores surgiram como ferramentas valiosas no monitoramento clínico e de saúde do mundo real. Esses dispositivos possibilitam o rastreamento contínuo e não invasivo da marcha, mobilidade e saúde funcional em diversas populações. No entanto, os desafios permanecem na padronização da colocação dos sensores, consistência do processamento de dados e validação do mundo real. Esta revisão sistemática teve como objetivo avaliar literatura recente sobre as aplicações clínicas e de pesquisa de sensores wearable. Especificamente, investigou como essas tecnologias são utilizadas para avaliar mobilidade, prever risco de doença e apoiar a reabilitação. Também identificou limitações e propôs orientações para futuras pesquisas. Esta revisão foi realizada de acordo com as diretrizes PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses). Procuramos nas bases de dados PubMed, Scopus e Web of Science até 9 de março de 2025. Critérios de inclusão focados em estudos utilizando sensores wearable em ambientes clínicos ou reais. Foram identificados 30 estudos elegíveis para síntese qualitativa. Os dados extraídos incluíram desenho do estudo, características populacionais, tipo de sensor e colocação, algoritmos de aprendizado de máquina e desfechos clínicos.

O que encontraram

Dos estudos incluídos, 43% (13/30) foram observacionais, 27% (8/30) foram experimentais e 10% (3/30) foram ensaios clínicos randomizados. Os sensores de medida inercial foram utilizados em 67% (20/30) dos estudos, sendo os dispositivos desgastados pelo punho os mais comuns (13/20, 65%). Técnicas de aprendizado de máquina foram frequentemente aplicadas, com modelos predominantes de floresta aleatória (6/30, 20%) e de aprendizagem profunda (5/30, 17%). As aplicações clínicas abrangeram doença de Parkinson, acidente vascular cerebral, esclerose múltipla e fragilidade, com vários estudos (4/30, 13%) relatando alta acurácia preditiva para risco de queda e declínio de mobilidade (área sob a curva característica de operação receptor até 0,97).

Por que isso importa

Sensores de uso mostram forte potencial para monitoramento de mobilidade, avaliação de risco de doença e rastreamento de reabilitação em ambientes clínicos e reais. No entanto, desafios permanecem na padronização de protocolos de sensores e análise de dados. A investigação futura deve centrar-se em estudos longitudinais de grande escala; gasodutos harmonizados de aprendizagem de máquinas; e integração com sistemas de saúde baseados em nuvem para melhorar a escalabilidade e a tradução clínica.

Tradução automática do resumo original, publicado em JMIR mHealth and uHealth sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.