Vida corrida, pressão diária e incertezas compõem a rotina de boa parte das pessoas. Mas será que os movimentos do corpo, registrados por um smartwatch, podem ajudar a identificar diferentes níveis de ansiedade?
Foi exatamente essa questão que levou pesquisadores do Instituto de Computação da Universidade Federal Fluminense (UFF) a investigar técnicas de inteligência artificial. Seriam elas capazes de estimar níveis de ansiedade a partir de dados de movimento coletados ao longo da vida cotidiana?
A ansiedade pode envolver preocupação excessiva, inquietação, alterações na atenção e no sono, entre outros sintomas. Quando se torna persistente e intensa, pode estar associada a transtornos de ansiedade. Esses transtornos estão entre os problemas de saúde mental mais frequentes no mundo.
Conforme estimativas da Organização Mundial da Saúde (OMS) divulgadas em 2017, o Brasil apresentava uma das maiores prevalências de transtornos de ansiedade do planeta. São cerca de 9,3% da população, o equivalente a aproximadamente 18,7 milhões de pessoas. Nas Américas, a prevalência estimada também era maior entre as mulheres do que entre os homens.
Diante desse panorama, os pesquisadores foram investigar maneiras de acompanhar os níveis de ansiedade de forma contínua e pouco invasiva. E, assim, tentar abrir novas possibilidades para a pesquisa em saúde mental.
Um relógio para acompanhar a vida real
No estudo, o diferencial está no modo como os dados foram coletados.
Em vez de manter os participantes em um ambiente controlado de laboratório, os pesquisadores usaram smartwatches durante a vida cotidiana. Dessa forma, os voluntários puderam realizar suas atividades normalmente ao longo das 24 horas de coleta.
Essa característica é relevante porque o comportamento humano pode mudar quando alguém sabe que está sendo observado ou precisa permanecer em um ambiente controlado. Ao acompanhar os movimentos durante atividades habituais, a equipe buscou obter uma representação mais próxima da rotina real.
Ainda são relativamente poucos os estudos que utilizam dispositivos vestíveis em condições de vida livre para investigar ansiedade a partir de dados de movimento.
Em 2021, um estudo liderado pelo pesquisador Nicholas Jacobson recorreu a dados de actigrafia, obtidos por sensores usados no pulso, para prever a deterioração de sintomas de ansiedade ao longo de 17 a 18 anos.
Mais recentemente, em 2025, Leqin Fang e colaboradores investigaram o uso de dados de acelerômetro para identificar ansiedade em pessoas com insônia. Outro trabalho, publicado por Berrenur Saylam e Durmaz İncel, empregou uma arquitetura chamada LSTM (sigla em inglês de Long Short-Term Memory) para prever indicadores de bem-estar, incluindo ansiedade, em um ambiente corporativo real.
O trabalho dos pesquisadores da UFF se diferencia por combinar a estimativa contínua dos níveis de ansiedade, o uso exclusivamente de dados de acelerômetro e a coleta realizada em condições de vida livre.
Quem participou do estudo?
A pesquisa contou com 41 voluntários universitários, com idades entre 17 e 60 anos e média de 26 anos. Do total, 18 eram mulheres e 23, homens.
Os níveis de ansiedade foram avaliados por meio do Inventário de Ansiedade Traço-Estado (IDATE), uma escala psicométrica utilizada para medir diferentes níveis de ansiedade.
É importante ressaltar que o IDATE não estabelece um único ponto de corte capaz de separar pessoas em “ansiosas” e “não ansiosas”, nem substitui uma avaliação clínica para o diagnóstico de um transtorno de ansiedade.
Na amostra analisada, a média dos escores foi de 53 pontos, o que indica um nível médio de ansiedade. Não houve participantes com níveis baixos de ansiedade. Isso significa que a distribuição dos escores ficou limitada. Tal característica precisa ser levada em conta ao interpretar os resultados.
Sabe-se que uma amostra formada por estudantes universitários não representa toda a população. O objetivo dessa primeira etapa foi avaliar a viabilidade da metodologia. A intenção é ampliar gradativamente o número e a diversidade dos participantes nas próximas etapas.
Além disso, os pesquisadores querem disponibilizar um banco de dados de movimento que possa contribuir com outros estudiosos interessados na relação entre comportamento, movimento e saúde mental.
Como a inteligência artificial entra nessa história?
Para analisar os dados, foram utilizadas redes neurais profundas, um tipo de inteligência artificial capaz de aprender padrões complexos a partir de grandes volumes de informações.
No estudo, o modelo recebeu os dados de movimento registrados pelo smartwatch e aprendeu quais padrões estavam associados aos diferentes níveis de ansiedade.
Uma das técnicas utilizadas foi a LSTM. Trata-se de um tipo de rede neural desenvolvido para trabalhar com dados que acontecem ao longo do tempo.
Isso importa porque o movimento de uma pessoa não é apenas uma coleção de eventos isolados. Existe uma sequência: o que ocorreu anteriormente pode ajudar a interpretar o que acontece agora.
É possível imaginar a LSTM como alguém assistindo a um filme. Para compreender uma cena, não é necessário lembrar de todos os detalhes anteriores, mas algumas informações das cenas passadas são importantes para entender o momento atual.
A LSTM funciona de modo semelhante: preserva informações anteriores que podem ser relevantes e descarta aquelas que deixam de ser úteis.
O sensor utilizado foi o acelerômetro, capaz de medir variações de aceleração em três eixos. Essas informações permitiram registrar como os movimentos dos participantes variavam ao longo do tempo.
Os dados coletados durante 24 horas foram reunidos e essa série temporal foi fornecida ao modelo. Assim, em vez de determinar previamente quais características do movimento seriam importantes, os pesquisadores deixaram que a rede aprendesse padrões associados aos diferentes escores de ansiedade.
Por enquanto, portanto, não é possível afirmar que determinado movimento específico signifique que uma pessoa está mais ou menos ansiosa. Esse é um dos próximos passos da pesquisa: investigar, por meio de técnicas de explicabilidade, quais características dos dados de movimento estão contribuindo para as previsões do modelo.
Quais são as limitações?
Como toda pesquisa inicial, o estudo apresenta limitações.
A principal está relacionada à própria amostra. Não houve participantes com níveis baixos de ansiedade. Isso quer dizer que o modelo não foi treinado com toda a amplitude possível de escores, desde níveis muito baixos até níveis elevados.
Essa distribuição limitada pode dificultar a generalização dos resultados para pessoas com características diferentes das observadas no estudo.
Por isso, ampliar a amostra e incluir participantes com diferentes níveis de ansiedade será fundamental nas próximas etapas. Também será necessário avaliar se os padrões aprendidos pelo modelo continuam funcionando em grupos maiores e mais diversos.
O que pode acontecer no futuro?
Apesar dessas limitações, os resultados abrem uma perspectiva interessante: a possibilidade de usar dispositivos vestíveis para acompanhar mudanças comportamentais durante longos períodos, sem a necessidade de manter a pessoa em um ambiente de laboratório.
Isso não significa que um smartwatch possa substituir a avaliação de um profissional de saúde. A proposta é fornecer informações complementares sobre mudanças que acontecem ao longo do tempo e que, eventualmente, possam auxiliar uma avaliação mais aprofundada.
Com o avanço da inteligência artificial e dos dispositivos vestíveis, é possível imaginar sistemas de apoio à avaliação em saúde mental cada vez mais personalizados, capazes de acompanhar variações individuais ao longo do tempo.
A hipótese dos pesquisadores é que essa abordagem também possa ser aplicada a outras condições associadas a alterações de rotina, comportamento ou padrões de movimento.
Atualmente, a equipe desenvolve um modelo voltado à identificação de padrões relacionados à depressão e também iniciou a coleta de dados de pessoas com Alzheimer utilizando smartwatches.
O desafio, agora, é transformar grandes volumes de dados de movimento em informações que ajudem a compreender melhor o comportamento humano. Mas não se deve perder de vista que, quando o assunto é saúde mental, a tecnologia deve ser uma ferramenta de apoio, e não um substituto para a avaliação humana.
A pesquisa que gerou este artigo contou com o apoio da Fundação de Amparo à Pesquisa do Estado do Rio de Janeiro (Faperj). Taiane Coelho Ramos e Raphael Mendes receberam financiamento da Faperj.
