Dispositivo de IA Vestível Detecta Fragilidade Continuamente Sem Qualquer Interação do Usuário

A síndrome de fragilidade aumenta dramaticamente a mortalidade e o risco de quedas em adultos mais velhos, mas o diagnóstico atual permanece amplamente reativo — tipicamente acionado apenas após hospitalização ou uma queda. O padrão clínico ouro, o Fried Frailty Phenotype, baseia-se parcialmente em autorrelato subjetivo e requer pessoal treinado e equipamentos especializados, restringindo a avaliação ao ambiente clínico. O monitoramento contínuo por dispositivos vestíveis oferece um caminho para a detecção proativa de fragilidade no mundo real, mas os grandes conjuntos de dados gerados e as demandas energéticas para transmissão de biossinais brutos tornaram isso historicamente inviável.

Para superar essas barreiras, a equipe de pesquisa desenvolveu o Biosymbiotic Edge AI Device (BEAD), que incorpora inferência de inteligência artificial diretamente em um dispositivo vestível conformal, impresso em 3D, usado na perna. O dispositivo utiliza uma unidade de medição inercial (IMU) para capturar dados de marcha continuamente, isola passos individuais no próprio dispositivo e executa um classificador de ML para rotular cada passo como saudável ou pré-frágil em tempo real. O harvesting de energia sem fio por campo distante permite recarga sem intervenção à distância — durante o sono ou em uma mesa de trabalho —, de modo que o usuário nunca precisa remover ou gerenciar o dispositivo. O corpo em malha leve de TPU (altura máxima de 6 mm, 15 g com bateria) é seguro para a pele, respirável e ajustado sob medida, minimizando o desconforto e o deslizamento durante o uso prolongado.

No primeiro coorte in vivo (N=16; 5 saudáveis, 7 pré-frágeis completando avaliações de caminhada), o BEAD foi comparado simultaneamente a um sistema clínico comercial padrão ouro (BioSensics LEGSys). Em todos os parâmetros de marcha avaliados — tempo de passo e passada, variabilidade e velocidade no meio do balanço — não foram encontradas diferenças estatisticamente significativas entre os dois sistemas. Os sujeitos pré-frágeis apresentaram os esperados aumentos na variabilidade da passada e reduções na velocidade no meio do balanço, consistentes com a literatura existente. Os resultados do teste de sentar-e-levantar e do Timed Up-and-Go também demonstraram fidelidade de grau clínico. Um segundo coorte (N=14) validou a estabilidade do modelo e o desempenho da inferência no dispositivo, enquanto experimentos de uso contínuo por dez dias confirmaram a operação longitudinal autônoma sem qualquer intervenção do usuário.

O pipeline de inferência no dispositivo comprimiu a saída de dados em quase 99% — transmitindo apenas 8 bytes por classificação de passo com carimbo de data/hora, em comparação com 436 bytes de dados brutos de IMU por passo — enquanto reduziu o consumo médio de energia em 21% em relação ao streaming de dados brutos. O modelo de ML alcançou mais de 90% de acurácia na classificação de passos saudáveis versus pré-frágeis e retornou resultados em menos de 330 milissegundos do sinal bruto até a saída da inferência. Essas eficiências se traduzem em semanas de operação contínua com uma pequena bateria LiPo de 30 mAh, viabilizadas pelo sistema de recarga sem fio por campo distante.

As implicações são substanciais tanto para os cuidados geriátricos quanto para a telessaúde. Ao deslocar a avaliação de fragilidade do ambiente clínico para o domicílio — capturando a marcha habitual em superfícies do mundo real ao longo de períodos prolongados —, o BEAD aborda uma limitação central dos testes de caminhada clínicos de curta duração, que podem não refletir o verdadeiro estado ambulatorial do paciente. As tendências longitudinais de fragilidade podem ser transmitidas com largura de banda mínima e integradas a fluxos de trabalho de telessaúde, potencialmente viabilizando intervenções mais precoces durante a janela pré-frágil, quando os desfechos são mais modificáveis. As principais ressalvas incluem os coortes de ensaio relativamente pequenos e específicos, o escopo de classificação binária (saudável versus pré-frágil apenas) e a necessidade de estudos longitudinais maiores e mais diversos para confirmar a generalizabilidade clínica.