Uso de Dispositivos Vestíveis para Identificar Fatores Associados ao Comprometimento Cognitivo Leve e à Doença de Alzheimer em Estágio Inicial

A Deficiência Cognitiva Ligeira (DCL) e a doença de Alzheimer (DA) em fase inicial representam estágios críticos ao longo do continuum das perturbações cognitivas neurodegenerativas. Compreender estas condições é essencial para permitir um diagnóstico precoce, implementar estratégias terapêuticas direcionadas e desenvolver planos de cuidados abrangentes destinados a melhorar a qualidade de vida dos doentes e cuidadores e, quando possível, retardar a progressão neurodegenerativa.

A carga global da demência está a aumentar rapidamente e constitui um desafio urgente de saúde pública. As projeções estimam que aproximadamente 115 milhões de pessoas em todo o mundo viverão com demência até 2050. Apenas nos Estados Unidos, prevê-se que a prevalência da DCL exceda 21 milhões de indivíduos, com quase 14 milhões de casos de doença de Alzheimer até 2060. Estes números destacam a necessidade premente de avanços na neurociência translacional, particularmente em estratégias de diagnóstico precoce e abordagens preventivas e personalizadas de cuidados.

Neste contexto, as tecnologias vestíveis surgiram como ferramentas promissoras para monitorização contínua e não invasiva de parâmetros fisiológicos e comportamentais em ambientes do mundo real. Dispositivos como smartwatches e smart rings permitem a recolha longitudinal de dados relacionados com a variabilidade da frequência cardíaca, arquitetura do sono, atividade física e ritmos circadianos - fatores cada vez mais associados ao declínio cognitivo. Evidências emergentes sugerem que alterações nestes parâmetros podem preceder ou acompanhar o défice cognitivo precoce. Quando integrados com métodos avançados de inteligência artificial (IA), estes dados podem revelar padrões subtis indicativos de processos neurodegenerativos precoces que antecedem os sintomas clínicos evidentes.

Combinar dados derivados de dispositivos vestíveis com neuroimagiologia e eletroencefalografia (EEG) tem o potencial de gerar modelos de diagnóstico mais robustos. Enquanto os dispositivos vestíveis capturam dinâmicas comportamentais e fisiológicas, a ressonância magnética (RM) fornece informações detalhadas sobre a estrutura e função cerebral, e o EEG permite a análise de oscilações neurais e padrões de conectividade associados ao défice cognitivo precoce. A integração destes fluxos de dados multimodais representa um desafio metodológico complexo, exigindo estruturas computacionais avançadas capazes de lidar com conjuntos de dados heterogéneos e de alta dimensionalidade.

Os avanços na inteligência artificial e na aprendizagem automática permitem a integração de dados multimodais e a identificação de padrões complexos não detetáveis através de abordagens analíticas tradicionais. Estratégias de fusão de dados multimodais que combinam características fisiológicas e comportamentais derivadas de dispositivos vestíveis com variáveis neuropsicológicas, de neuroimagiologia e derivadas de EEG podem melhorar o desempenho diagnóstico e apoiar a estratificação de risco individualizada.

Este é um estudo de coorte prospetivo, analítico, observacional e monocêntrico concebido para integrar dados clínicos e digitais multimodais para o desenvolvimento e validação de modelos baseados em IA destinados à deteção precoce da DCL e da doença de Alzheimer em fase inicial. O estudo é realizado no Hospital Universitário Getúlio Vargas (HUGV), um centro académico terciário e referência regional para cuidados de alta complexidade, em colaboração com o Centro de Pesquisa e Desenvolvimento em Tecnologia Eletrónica e da Informação (CETELI/UFAM), que fornece experiência em sistemas inteligentes, infraestrutura de dados e desenvolvimento de modelos de IA.

São aplicadas abordagens de aprendizagem automática e aprendizagem profunda para identificar padrões associados ao declínio cognitivo, apoiar a deteção precoce da DCL e da DA inicial e permitir a estratificação de risco. O desenvolvimento e validação dos modelos priorizam a robustez, interpretabilidade e potencial aplicabilidade clínica.

Este estudo visa apoiar o desenvolvimento de ferramentas baseadas em IA escaláveis, acessíveis e não invasivas para a deteção precoce de défice cognitivo. Ao aproveitar a monitorização contínua com dispositivos vestíveis e a integração de dados multimodais, a abordagem proposta pode contribuir para um diagnóstico mais precoce, uma melhor estratificação de risco e estratégias de intervenção mais atempadas para indivíduos em risco de doença de Alzheimer.