Um relógio inteligente pode antecipar riscos à saúde? A doutoranda Marta Arbizu Gómez apresenta como o modelo de inteligência artificial SensorFM utiliza dados de wearables para analisar padrões fisiológicos e seu impacto na avaliação clínica e neuropsicológica.
A integração da inteligência artificial e dos dispositivos wearables está transformando a coleta contínua de dados de saúde. Este artigo analisa o potencial clínico do SensorFM, um novo modelo fundacional que transforma o registro de biomarcadores digitais em informações relevantes para a neurorreabilitação e a avaliação cognitiva. Descubra como o monitoramento fisiológico passivo de variáveis como sono, atividade ou estado emocional pode complementar a intervenção tradicional e abrir novos caminhos para o acompanhamento clínico personalizado.
Que informações podem ser obtidas de um dispositivo wearable?
Relógios e pulseiras inteligentes registram continuamente informações sobre nossa atividade física e nosso funcionamento fisiológico. Ao longo do dia, podem medir o movimento, a frequência cardíaca, a variabilidade da frequência cardíaca, a saturação de oxigênio, a temperatura da pele, a atividade eletrodérmica ou as diferentes fases do sono.
No entanto, transformar esses sinais em informações clinicamente úteis ainda é um desafio. As medidas obtidas podem variar entre pessoas, dispositivos e momentos do dia, e os dados costumam apresentar interrupções quando o usuário tira o relógio, a bateria acaba ou algum sensor deixa de registrar corretamente.
Além disso, desenvolver um algoritmo diferente para cada problema de saúde exige grandes quantidades de dados devidamente rotulados, algo especialmente difícil e caro na área da saúde.
Para superar essas limitações, uma equipe do Google Research e de outras instituições desenvolveu o SensorFM, um modelo fundacional de inteligência artificial treinado para aprender representações gerais da saúde a partir de dados de dispositivos wearables. O estudo, publicado como preprint, analisa se um único modelo pode aproveitar esses sinais para fazer previsões relacionadas a diferentes áreas da saúde.
O que é um modelo fundacional para dados de saúde?
Os modelos fundacionais são treinados com grandes volumes de informações, normalmente sem que cada dado precise estar associado a um rótulo específico. Durante esse processo, o modelo aprende padrões gerais que podem ser adaptados posteriormente a várias tarefas.
O SensorFM segue essa abordagem, mas, em vez de aprender com textos ou imagens, utiliza séries temporais registradas por sensores.
O modelo foi pré-treinado com:
- Mais de um bilhão de minutos de dados.
- Informações de cinco milhões de pessoas.
- Participantes de mais de 100 países.
- Mais de 20 modelos de dispositivos Fitbit e Pixel Watch.
- Cinco tipos principais de sensores: fotopletismografia, acelerômetro, temperatura da pele, atividade eletrodérmica e altímetro.
Com base nesses sensores, os pesquisadores obtiveram 34 variáveis registradas a cada minuto, entre elas frequência cardíaca, diferentes medidas de variabilidade cardíaca, saturação de oxigênio, passos, temperatura da pele e as fases do sono.
O modelo analisava janelas completas de 24 horas e aprendia a reconstruir partes das informações que haviam sido ocultadas artificialmente. Dessa forma, não aprendia apenas os valores individuais de cada sinal, mas também suas relações e sua evolução ao longo do dia.

Inscreva-se
na nossa
Newsletter
O que os pesquisadores queriam descobrir?
O estudo se concentrou em três perguntas principais:
- Em primeiro lugar, os autores queriam verificar se o aumento simultâneo da quantidade de dados e do tamanho do modelo produzia melhorias previsíveis em seu desempenho.
- Em segundo lugar, avaliaram se as representações aprendidas podiam ser reutilizadas para prever diferentes aspectos da saúde, mesmo quando havia poucas amostras rotuladas.
- Por fim, analisaram se as previsões do SensorFM podiam ser integradas a um assistente pessoal de saúde baseado em inteligência artificial para gerar respostas mais relevantes, personalizadas e seguras.
Para avaliar o modelo, utilizaram informações independentes de 13.985 participantes, provenientes de três estudos prospectivos centrados na saúde metabólica e cardiovascular, na saúde mental e no sono.
Um mesmo modelo para 35 tarefas relacionadas à saúde
O SensorFM foi avaliado em 35 tarefas diferentes, agrupadas em seis grandes áreas:
- Saúde cardiovascular.
- Saúde metabólica.
- Saúde mental.
- Sono.
- Estilo de vida.
- Características demográficas e fisiológicas.
Entre as variáveis analisadas estavam o risco cardiovascular, a hipertensão, o diabetes, a resistência à insulina, os níveis de hemoglobina glicada e triglicerídeos, a depressão, a ansiedade, o estresse percebido e os distúrbios do sono.
O modelo também foi utilizado para estimar características como idade, índice de massa corporal, altura e peso. Essas variáveis não devem ser interpretadas necessariamente como objetivos clínicos em si, mas como uma forma de verificar quanta informação fisiológica e comportamental o sistema havia aprendido.
Quais foram os principais resultados?
Os resultados mostram que o modelo aprendeu uma representação generalizável da fisiologia e do comportamento registrados por wearables.
O SensorFM superou os modelos supervisionados tradicionais baseados em variáveis elaboradas manualmente em 34 das 35 tarefas avaliadas. Ou seja, as representações aprendidas diretamente a partir de grandes quantidades de dados foram mais informativas do que os resumos convencionais calculados com base nos mesmos sinais.
Além disso, o desempenho melhorou à medida que aumentaram simultaneamente o número de participantes utilizados durante o treinamento e a capacidade do modelo. A versão maior obteve os melhores resultados em 33 das 35 tarefas.
Os autores também observaram que os modelos maiores dependiam menos das informações demográficas adicionadas posteriormente. Isso sugere que parte das diferenças fisiológicas associadas a variáveis como idade ou índice de massa corporal já podia estar representada nos padrões registrados pelos sensores.
Aprender com menos dados clínicos rotulados
Um dos resultados mais relevantes foi a capacidade do modelo de se adaptar a novas tarefas utilizando relativamente poucos dados rotulados.
Na pesquisa em saúde, obter informações contínuas por meio de um relógio inteligente é relativamente simples, mas conseguir diagnósticos confirmados, exames de sangue ou questionários clínicos completos é muito mais caro.
Como havia aprendido previamente padrões gerais com base em milhões de participantes, o SensorFM precisava de menos exemplos rotulados para desenvolver novos modelos preditivos. Essa eficiência poderia facilitar a pesquisa de problemas de saúde para os quais existem coortes clínicas pequenas ou informações limitadas.
No entanto, a precisão continuava aumentando quando havia mais dados rotulados, portanto o modelo não elimina a necessidade de contar com amostras clínicas representativas e devidamente caracterizadas.
É possível reconstruir os dados ausentes?
Os dados dos dispositivos wearables costumam estar incompletos. O usuário pode tirar o relógio durante parte do dia, algum sensor pode se desconectar ou os sinais podem apresentar erros.
O SensorFM foi treinado especificamente para lidar com essa falta de informações. Nos testes realizados, superou os métodos de referência em diferentes tarefas de reconstrução:
- 74,8% na imputação de dados removidos aleatoriamente.
- 38,8% na reconstrução de intervalos temporais intermediários.
- 39,6% na previsão de intervalos localizados no fim do registro.
- 83,7% quando faltavam sinais completos de determinados sensores.
Os pesquisadores também simularam a perda de uma hora completa de dados. Após reconstruir esse intervalo, o modelo manteve uma precisão de 99,7% na estimativa do número diário de passos, de 99,9% no tempo de sono profundo e de 99,2% nos minutos de exercício leve.
Essa capacidade poderia evitar que uma interrupção pontual distorcesse os resumos diários apresentados ao usuário.
Agentes de inteligência artificial para adaptar o modelo
Embora as representações aprendidas pelo SensorFM pudessem ser utilizadas com modelos estatísticos relativamente simples, os pesquisadores também exploraram uma estratégia automatizada para melhorar sua adaptação a cada tarefa.
Para isso, criaram uma espécie de “sala de aula” formada por vários agentes baseados em modelos de linguagem. Esses agentes geravam código, treinavam diferentes soluções, comparavam os resultados e modificavam progressivamente suas propostas.
No total, o sistema realizou mais de 30.000 experimentos automáticos.
As soluções encontradas pelos agentes melhoraram o desempenho em relação aos modelos lineares em 16 das 20 tarefas de classificação e em 12 das 15 tarefas de regressão.
Esse resultado aponta para uma possível automação parcial do processo de desenvolvimento de modelos preditivos. No entanto, as soluções geradas ainda precisam ser revisadas e validadas rigorosamente, especialmente quando aplicadas a informações de saúde.
Dos dados do relógio a um assistente pessoal de saúde
Os pesquisadores integraram posteriormente as previsões do SensorFM a um assistente pessoal de saúde baseado em um modelo de linguagem.
O objetivo era verificar se o assistente podia responder melhor a perguntas sobre saúde quando, além de conhecer os dados demográficos e os resumos diários do wearable, tinha acesso às estimativas geradas pelo SensorFM.
Foram utilizados 31 perfis reais e geradas respostas em três condições:
- Dados demográficos e métricas diárias do wearable.
- Dados demográficos, métricas diárias e previsões do SensorFM.
- Dados demográficos, métricas diárias e valores clínicos reais.
A imagem 1 resume o funcionamento do sistema e o delineamento da avaliação. O SensorFM transforma os dados registrados pelo wearable em previsões de saúde, que são incorporadas como contexto adicional ao assistente antes da geração de uma resposta personalizada.

Quatro profissionais de saúde avaliaram as respostas considerando seu contexto, relevância, personalização, justificativa e risco potencial. No total, foram obtidas 1.860 avaliações clínicas.
As respostas que incorporavam as previsões do SensorFM foram significativamente melhores do que aquelas baseadas apenas nos resumos diários. Além disso, não foram encontradas diferenças estatisticamente significativas entre as respostas geradas com as previsões do modelo e aquelas que utilizavam os valores clínicos reais.
Esse resultado não significa que o SensorFM possa substituir uma avaliação médica. Indica que suas previsões forneceram ao assistente um contexto adicional útil para gerar respostas mais específicas e coerentes.
Quais são as limitações do estudo?
Apesar da magnitude dos dados utilizados, os resultados devem ser interpretados com cautela.
Em primeiro lugar, o trabalho é um preprint e, portanto, ainda não passou pelo processo convencional de revisão por pares.
O modelo foi treinado principalmente com dispositivos Fitbit e Pixel Watch. Não há garantia de que funcione da mesma forma com outros fabricantes, cujos sensores e métodos de processamento podem ser diferentes.
Além disso, foram utilizadas variáveis agregadas a cada minuto, e não os sinais fisiológicos originais. Isso permite analisar períodos prolongados, mas pode eliminar informações de alta frequência relevantes para algumas aplicações clínicas.
Parte dos resultados utilizados para avaliar o modelo provinha de diagnósticos autorrelatados, uso de medicamentos ou questionários de rastreamento, e nem sempre de diagnósticos clínicos confirmados. Também havia diferenças entre a população estudada e a população geral, com maior representação de mulheres e usuários de dispositivos wearables.
Por fim, a avaliação do assistente pessoal de saúde se limitou a respostas estáticas e de um único turno. Uma interação clínica real exigiria perguntas adicionais, análise do contexto e acompanhamento longitudinal.
Quais são as implicações para a saúde digital?
Este estudo propõe uma transição de algoritmos criados para uma única tarefa para modelos gerais capazes de reutilizar a mesma representação em diferentes problemas de saúde.
Os wearables oferecem uma visão longitudinal do funcionamento cotidiano, em contraste com as medições pontuais realizadas durante uma consulta. Combinados a modelos devidamente validados, podem ajudar a identificar mudanças fisiológicas ou comportamentais, selecionar as pessoas que precisam de uma avaliação mais aprofundada e realizar um acompanhamento mais contínuo.
Na área da neurologia e da neuropsicologia, esse tipo de tecnologia pode ser especialmente interessante para estudar alterações no sono, na atividade, nas rotinas diárias, na resposta autonômica ou no estado emocional. Essas mudanças podem acompanhar diferentes doenças neurológicas e psiquiátricas, embora as previsões obtidas por meio de wearables não devam ser consideradas diagnósticos.
Como a NeuronUP pode contribuir?
As informações passivas obtidas por meio de wearables podem ser complementadas com avaliações cognitivas e programas de intervenção estruturados.
Plataformas como a NeuronUP permitem avaliar e trabalhar domínios como atenção, memória, funções executivas, linguagem ou cognição social. A combinação futura de métricas cognitivas com dados longitudinais sobre sono, atividade e fisiologia pode proporcionar uma visão mais abrangente da evolução de cada pessoa.
Essa integração pode facilitar a personalização das intervenções, a detecção de mudanças funcionais e o acompanhamento da resposta ao tratamento. Para isso, serão necessários estudos clínicos específicos, modelos interpretáveis e protocolos que garantam a privacidade, a equidade e a segurança dos usuários.
Conclusão
O SensorFM demonstra que o treinamento em larga escala com dados não rotulados de dispositivos wearables pode gerar representações úteis para várias áreas da saúde.
O modelo superou os métodos tradicionais na maioria das tarefas analisadas, conseguiu reconstruir dados ausentes e forneceu informações adicionais a um assistente pessoal de saúde. No entanto, suas previsões devem ser entendidas como possíveis ferramentas de rastreamento, estratificação de risco e acompanhamento, e não como substitutas do diagnóstico clínico.
Os resultados representam um passo rumo a sistemas capazes de transformar grandes quantidades de dados cotidianos em informações personalizadas. O desafio agora será demonstrar que essas ferramentas mantêm sua precisão, segurança e utilidade quando aplicadas a diversas populações clínicas e a contextos reais de saúde.
Referências bibliográficas
- Narayanswamy G, Xu MA, Heydari AA, et al. Towards a General Intelligence and Interface for Wearable Health Data. arXiv. 2026. https://doi.org/10.48550/arXiv.2605.22759
Perguntas frequentes sobre IA e wearables na neurorreabilitação
1. O que é o modelo SensorFM e como ele é aplicado à saúde digital?
O SensorFM é um modelo fundacional de inteligência artificial, desenvolvido pelo Google Research e outras instituições, treinado com mais de um bilhão de minutos de dados provenientes de wearables. Aprende padrões gerais a partir de biossinais para realizar previsões aplicáveis a várias tarefas de saúde, desde a qualidade do sono até indicadores de saúde metabólica e mental.
2. Quais benefícios os biomarcadores digitais oferecem à neurorreabilitação?
Relógios e pulseiras inteligentes fornecem uma visão longitudinal e contínua do funcionamento diário do usuário, registrando métricas como a variabilidade da frequência cardíaca, as fases do sono ou a atividade física. Esse monitoramento passivo complementa as avaliações pontuais em consulta, permitindo que neuropsicólogos identifiquem mudanças sutis nas rotinas, na resposta autonômica ou no estado emocional associadas a diversas patologias.
3. Como a inteligência artificial resolve a perda de dados dos relógios inteligentes?
Os dados dos wearables costumam apresentar interrupções devido a falhas na bateria ou porque o usuário tira o dispositivo. Modelos como o SensorFM são treinados para reconstruir essas informações ausentes; em simulações nas quais faltava uma hora inteira de registro, o sistema manteve uma precisão superior a 99% na estimativa do sono profundo e dos passos diários.
4. As previsões dos wearables podem substituir o diagnóstico clínico?
Não. As variáveis estimadas pelos modelos fundacionais a partir de wearables não constituem, por si só, objetivos ou diagnósticos clínicos. Funcionam como ferramentas de rastreamento e acompanhamento que fornecem contexto adicional valioso para personalizar intervenções, mas devem ser sempre integradas a avaliações clínicas estruturadas e à supervisão de um profissional de saúde.







Terapia ocupacional em uma unidade de câncer de mama
Deixe um comentário