Simple Science

Ciência de ponta explicada de forma simples

# Ciências da saúde# Salute pubblica e globale

Novo método melhora a precisão na contagem de passos

Um estudo desenvolve um jeito melhor de contar passos relacionado a resultados de saúde.

― 6 min ler


Revolução da Contagem deRevolução da Contagem dePassosdiminuem o risco de morte.Novo modelo mostra que mais passos
Índice

Atividade física é super importante pra ter uma boa saúde. Ajuda a reduzir o risco de várias doenças, especialmente aquelas que não se transmitem de uma pessoa pra outra, tipo doenças do coração. As diretrizes de saúde incentivam a movimentação regular pra manter o coração saudável.

Atualmente, os rastreadores de fitness costumam medir a atividade física em termos de movimento geral ou tempo gasto fazendo coisas ativas. Mas contar passos é uma forma simples e clara de ver quanto nos movemos. Isso tá diretamente ligado a como andamos. Infelizmente, os dispositivos que usamos no pulso nem sempre contam os passos corretamente enquanto vivemos nossas vidas diárias.

Problemas com Métodos Atuais de Contagem de passos

Muitos rastreadores de fitness usam métodos especiais pra contar passos, mas esses métodos nem sempre são testados de forma rigorosa. Alguns métodos de contagem de passos de código aberto não foram projetados com verificações cuidadosas contra Dados da vida real. Os padrões dizem que dispositivos comerciais devem estimar os passos com menos de 10% de erro em testes controlados. Mas, quando olhamos como esses dispositivos se saem no mundo real, os erros podem ser bem maiores, muitas vezes acima de 20%. Isso dificulta saber com precisão como a contagem de passos se relaciona à saúde geral e à mortalidade por várias causas ou problemas cardíacos.

Desenvolvendo um Novo Método de Contagem de Passos

Pra resolver esse problema, os pesquisadores tinham como objetivo criar uma forma melhor de medir os passos enquanto as pessoas seguem suas vidas diárias. O estudo tinha três metas:

  1. Criar um novo método de detecção de passos usando dados coletados da vida real.
  2. Testar esse método contra outros algoritmos de contagem de passos.
  3. Ver como esse método de contagem de passos se relaciona a resultados de saúde graves, como morte por doenças cardíacas ou qualquer causa.

Criando o Conjunto de Dados OxWalk

Pra criar o novo conjunto de dados chamado OxWalk, os Participantes usaram Acelerômetros enquanto faziam suas atividades diárias. Eles usaram dispositivos no pulso e no quadril pra rastrear os movimentos. Os pesquisadores também filmaram os pés dos participantes enquanto andavam. Usando tanto os dados do acelerômetro quanto o vídeo, foi possível entender com precisão quando uma pessoa dava um passo.

Os passos foram definidos de uma maneira específica: um passo acontece quando um pé é levantado e colocado em um lugar novo. Movimentos como mudar de peso ou ajustar a posição do pé não contam como passos. Os participantes foram escolhidos com cuidado pra garantir que podiam andar sem ajuda e não tinham lesões recentes nos pés.

Como o Novo Modelo Funciona

O novo modelo de contagem de passos combina machine learning e técnicas de detecção de picos. Primeiro, o modelo detecta quando os participantes estão andando e quando não estão. Ele usa um modelo de aprendizado especial que foi treinado com dados coletados da vida real. Esse modelo foi ajustado usando várias amostras pra melhorar sua capacidade de reconhecer diferentes padrões de caminhada.

Uma vez que os períodos de caminhada são identificados, o modelo conta os passos a partir desses segmentos. Pra garantir a precisão, os pesquisadores ajustaram parâmetros no modelo até encontrarem as melhores configurações pra contar passos.

Testando o Novo Modelo de Contagem de Passos

Depois de desenvolver o novo modelo, seu desempenho foi testado em dados de um conjunto de dados externo com diferentes cenários de caminhada. Os participantes foram filmados enquanto andavam em diferentes condições, permitindo uma comparação detalhada. Eles avaliaram quão precisamente o novo método contava passos em comparação com algoritmos existentes.

Implementando o Modelo no UK Biobank

O UK Biobank é um grande estudo que inclui um número vasto de participantes. Os pesquisadores pegaram dados de mais de 100 mil participantes que usaram acelerômetros pra rastrear seus movimentos. Eles usaram o novo modelo de contagem de passos pra ver quantos passos os participantes deram ao longo de uma semana. Quaisquer dados ausentes devido ao não uso do dispositivo foram preenchidos pela média de dados de outros momentos semelhantes.

Analisando os Dados

O estudo analisou participantes que não tinham problemas de saúde graves, como doenças cardíacas ou câncer. Os pesquisadores examinaram como as contagens de passos se relacionavam com fatores como idade e saúde geral. Eles realizaram testes estatísticos pra explorar a relação entre contagens de passos e resultados de saúde, como morte por problemas cardíacos ou qualquer causa.

Descobertas sobre Contagens de Passos e Mortalidade

Os pesquisadores encontraram uma forte ligação entre o número de passos dados diariamente e o risco de morte por doenças cardíacas e outras causas. Por exemplo, participantes que andavam entre 8.500 e 10.300 passos por dia tinham um risco significativamente menor de morrer de problemas cardíacos. Contagens de passos diárias mais altas mostraram uma tendência semelhante em relação ao risco de mortalidade geral.

Importância da Contagem de Passos Precisa

Ter contagens de passos precisas é crucial. Isso pode ajudar a fornecer melhores conselhos de saúde e criar metas de atividade realistas pras pessoas. Se a contagem de passos não for precisa, pode levar a mensagens enganosas sobre saúde e níveis de atividade. Isso pode desestimular as pessoas a se manterem ativas se sentirem que não conseguem atingir essas metas.

Forças do Estudo

A força desse estudo está na sua abordagem abrangente pra medir passos. Usar um grande conjunto de dados criado a partir de atividades da vida real resultou em um alto nível de precisão. Enquanto os dados de treinamento foram coletados em curtos períodos, ainda foram suficientes pra criar um método confiável.

Os pesquisadores reconhecem que, embora alguma supercontagem possa acontecer quando se estender por vários dias, eles tomaram medidas pra minimizar esse problema durante o treinamento do modelo. Avaliações futuras serão importantes pra confirmar a eficácia do método em diferentes grupos de pessoas.

Conclusão

Os pesquisadores apresentaram um novo método aberto de contar passos que melhora muito nossa capacidade de medir a atividade física usando dispositivos no pulso. Esse método mostrou que contagens de passos mais altas estão relacionadas a menores riscos de morte por doenças cardíacas e outras causas. Essa informação apoia mensagens de saúde pública incentivando as pessoas a serem mais ativas. A ideia é que qualquer aumento na movimentação é benéfico, especialmente pra aqueles que podem achar difícil atingir uma meta específica de passos diários.

Fonte original

Título: Development and Validation of a Machine Learning Wrist-worn Step Detection Algorithm with Deployment in the UK Biobank

Resumo: BackgroundStep count is an intuitive measure of physical activity frequently quantified in a range of health-related studies; however, accurate quantification of step count can be difficult in the free-living environment, with step counting error routinely above 20% in both consumer and research-grade wrist-worn devices. This study aims to describe the development and validation of step count derived from a wrist-worn accelerometer and to assess its association with cardiovascular and all-cause mortality in a large prospective cohort study. MethodsWe developed and externally validated a hybrid step detection model that involves self-supervised machine learning, trained on a new ground truth annotated, free-living step count dataset (OxWalk, n=39, aged 19-81) and tested against other open-source step counting algorithms. This model was applied to ascertain daily step counts from raw wrist-worn accelerometer data of 75,493 UK Biobank participants without a prior history of cardiovascular disease (CVD) or cancer. Cox regression was used to obtain hazard ratios and 95% confidence intervals for the association of daily step count with fatal CVD and all-cause mortality after adjustment for potential confounders. FindingsThe novel step algorithm demonstrated a mean absolute percent error of 12.5% in free-living validation, detecting 98.7% of true steps and substantially outperforming other recent wrist-worn, open-source algorithms. Our data are indicative of an inverse dose-response association, where, for example, taking 6,596 to 8,474 steps per day was associated with a 39% [24-52%] and 27% [16-36%] lower risk of fatal CVD and all-cause mortality, respectively, compared to those taking fewer steps each day. InterpretationAn accurate measure of step count was ascertained using a machine learning pipeline that demonstrates state-of-the-art accuracy in internal and external validation. The expected associations with CVD and all-cause mortality indicate excellent face validity. This algorithm can be used widely for other studies that have utilised wrist-worn accelerometers and an open-source pipeline is provided to facilitate implementation. Funding AcknowledgementsThis research has been conducted using the UK Biobank Resource under Application Number 59070. This research was funded in whole or in part by the Wellcome Trust [223100/Z/21/Z]. For the purpose of open access, the author has applied a CC-BY public copyright licence to any author accepted manuscript version arising from this submission. AD and SS are supported by the Wellcome Trust. AD and DM are supported by Swiss Re, while AS is an employee of Swiss Re. AD, SC, RW, SS, and SK are supported by HDR UK, an initiative funded by UK Research and Innovation, Department of Health and Social Care (England) and the devolved administrations. AD, DB, GM, and SC are supported by NovoNordisk. AD is supported by the BHF Centre of Research Excellence (grant number RE/18/3/34214). SS is supported by the University of Oxford Clarendon Fund. DB is further supported by the Medical Research Council (MRC) Population Health Research Unit. DC holds a personal academic fellowship from EPSRC. AA, AC and DC are supported by GlaxoSmithKline. SK is supported by Amgen and UCB BioPharma outside of the scope of this work. Computational aspects of this research were funded from the National Institute for Health Research (NIHR) Oxford Biomedical Research Centre (BRC) with additional support from Health Data Research (HDR) UK and the Wellcome Trust Core Award [grant number 203141/Z/16/Z]. The views expressed are those of the author(s) and not necessarily those of the NHS, the NIHR or the Department of Health.

Autores: Aiden Doherty, S. R. Small, S. Chan, R. Walmsley, L. von Fritsch, A. Acquah, G. Mertes, B. G. Feakins, A. Creagh, A. Strange, C. E. Matthews, D. A. Clifton, A. J. Price, S. Khalid, D. Bennett

Última atualização: 2023-02-22 00:00:00

Idioma: English

Fonte URL: https://www.medrxiv.org/content/10.1101/2023.02.20.23285750

Fonte PDF: https://www.medrxiv.org/content/10.1101/2023.02.20.23285750.full.pdf

Licença: https://creativecommons.org/licenses/by/4.0/

Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.

Obrigado ao medrxiv pela utilização da sua interoperabilidade de acesso aberto.

Mais de autores

Artigos semelhantes