Skip to content
Voltar aos resultados

Coleta Longitudinal de Dados de Sensores — Monitoramento Contínuo Baseado em Sensores ao Longo do Tempo

Proposto por
Emerging from ambulatory assessment and wearable technology research communities
Ano
1990s–2000s (accelerated with IoT and wearable devices from ~2010)
Tipo
Longitudinal quantitative/mixed data collection technique
Família
Data collection

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

A coleta longitudinal de dados de sensores utiliza sensores físicos ou digitais para registrar fenômenos continuamente ou em intervalos regulares ao longo de um período de estudo estendido — dias, meses ou anos.

Diferentemente de medições pontuais, a estrutura temporal repetida captura mudanças, trajetórias e variabilidade em desfechos como atividade física, exposição ambiental, sono ou estado fisiológico. A abordagem combina a validade ecológica da detecção no mundo real com o poder analítico do desenho longitudinal.

A intuição por trás do método

Pense em equipar participantes com um acelerômetro de pulso por seis meses para rastrear a atividade física enquanto eles passam por um programa de reabilitação cardíaca. O sensor registra cada movimento 24 horas por dia, sem pedir aos participantes que se lembrem ou relatem — ele simplesmente grava. Ao examinar como os padrões de atividade evoluem semana a semana, os pesquisadores podem detectar quem melhora, quem recai e quais fatores contextuais (clima, humor, eventos sociais) preveem essas trajetórias. A dimensão longitudinal é o que transforma um instantâneo em uma história de mudança.

História

A coleta de dados ambulatórios baseada em sensores tem raízes nos monitores ambulatoriais de pressão arterial dos anos 1960 e nos dispositivos de actigrafia desenvolvidos nos anos 1970-80 para pesquisa do sono. A integração de desenhos longitudinais com sensores eletrônicos acelerou nos anos 1990 com a metodologia de avaliação momentânea ecológica (EMA) formalizada por Stone e Shiffman. A proliferação de smartphones após 2007 e de rastreadores de fitness vestíveis após 2010 reduziu drasticamente o custo e aumentou a resolução da detecção longitudinal, tornando-a rotina em pesquisa de comportamento de saúde, ensaios clínicos e epidemiologia ambiental.

Quando usar

Use a coleta longitudinal de dados de sensores quando a questão de pesquisa se refere a mudanças, trajetórias ou exposição cumulativa ao longo do tempo e quando o autorrelato seria pouco confiável ou oneroso. É bem adequada para pesquisa de comportamento de saúde (atividade física, sono, adesão), ciências ambientais (exposição à poluição), computação afetiva e estudos de reabilitação ou intervenção. O método é apropriado quando os participantes podem usar ou interagir com dispositivos durante a janela do estudo, existe infraestrutura de dados institucional para armazenamento seguro e o orçamento da pesquisa cobre hardware e manutenção de sensores. Não a utilize quando o fenômeno de interesse não puder ser operacionalizado como um sinal de sensor, quando o ônus para o participante do monitoramento contínuo for inaceitável, quando a janela do estudo for muito curta (uma única sessão) ou quando dados transversais forem suficientes para responder à pergunta.

Limitações e considerações

  • Hardware de sensor, infraestrutura de nuvem e gerenciamento de dados adicionam custo significativo em comparação com pesquisas em papel ou online.
  • A conformidade do dispositivo e o atrito são ameaças persistentes: os participantes podem remover dispositivos, não carregá-los ou desistir, criando dados ausentes sistemáticos.
  • Fluxos brutos de sensores exigem expertise substancial de pré-processamento; erros na limpeza ou derivação de épocas se propagam para todas as análises subsequentes.
  • Desenhos longitudinais levantam preocupações éticas em torno de vigilância contínua, segurança de dados e o direito de retirada — processos de consentimento informado devem abordar tudo isso explicitamente.
  • A validade do sensor varia por qualidade do dispositivo e população; wearables de grau de consumidor podem não atender aos requisitos de precisão de grau de pesquisa.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Captura comportamento e fisiologia do mundo real sem depender de autorrelato retrospectivo, reduzindo substancialmente o viés de recordação.
  • Alta resolução temporal revela variabilidade intra-indivíduo, padrões diurnos e mudanças em microescala invisíveis a pesquisas semanais ou mensais.
  • Gravação contínua ou quase contínua maximiza a densidade de dados em relação ao número de contatos de coleta de dados com os participantes.
  • A validade ecológica é alta — os dados refletem o comportamento em contextos naturais, em vez de condições controladas de laboratório.
  • Escalável: uma vez implantados, os sensores podem rastrear grandes coortes simultaneamente com mínimo ônus para o pesquisador por participante por dia.

Aplicações

  • Rastreamento de trajetórias diárias de atividade física e comportamento sedentário durante programas de reabilitação cardíaca.
  • Monitoramento longitudinal da arquitetura do sono em estudos de tratamento de insônia ou resultados de saúde de trabalho em turnos.
  • Medição da exposição pessoal à poluição do ar ao longo de meses em coortes de epidemiologia ambiental urbana.
  • Captura de dados contínuos de glicose e variabilidade da frequência cardíaca em pesquisa de autogerenciamento de diabetes.
  • Registro de padrões de mobilidade GPS ao longo de meses para estudar trajetórias de isolamento social em idosos.
  • Registro de indicadores fisiológicos de estresse (condutância da pele, cortisol via adesivos vestíveis) ao longo de um semestre acadêmico em pesquisa de bem-estar estudantil.

Como funciona

Como funciona

1

O pesquisador especifica a duração do estudo, a resolução de amostragem (streaming contínuo vs. épocas fixas, como a cada 60 segundos), o tipo de sensor (acelerômetro, monitor de frequência cardíaca, GPS, sensor ambiental, etc.) e o desenho temporal (painel, coorte ou medidas repetidas intensivas). Protocolos éticos, incluindo minimização de dados e procedimentos de retirada do participante, são estabelecidos antes da implantação.

2

Sensores são calibrados, inicializados e distribuídos aos participantes (ou instalados em ambientes). Os participantes recebem instruções sobre como usar ou manter os dispositivos, cronogramas de carregamento e procedimentos para lidar com mau funcionamento. Dados demográficos e contextuais de base são coletados nesta fase para apoiar análises posteriores de covariáveis.

3

Sensores registram dados autonomamente durante a janela do estudo. Dependendo da conectividade, os dados podem ser transmitidos para um servidor central em tempo quase real via Bluetooth ou links celulares, ou acumular localmente para descarregamento periódico durante as visitas de acompanhamento. O monitoramento de conformidade — verificando se os dispositivos estão sendo usados e funcionando — é realizado durante todo o período de campo.

4

Fluxos brutos de sensores são armazenados em bancos de dados com registro de data e hora. Metadados de proveniência de dados (ID do dispositivo, versão do firmware, estado da bateria, ID do participante, época) são registrados junto com as medições. Armazenamento seguro e redundante com controles de acesso é essencial, dada a natureza pessoalmente sensível dos dados fisiológicos e de localização.

5

A saída bruta do sensor é limpa: artefatos causados pela remoção ou mau funcionamento do dispositivo são identificados e removidos ou imputados; sinais são calibrados em relação a valores de referência do fabricante ou do laboratório; métricas de resumo em nível de época (por exemplo, contagens médias de atividade por hora, contagens de passos por dia) são derivadas. Padrões de dados ausentes são documentados e tratados de forma transparente.

6

Dados longitudinais de sensores limpos são analisizados com métodos adequados para dados estruturados no tempo com medidas repetidas — modelos multinível, modelos de efeitos mistos, modelos de curva de crescimento latente ou abordagens de séries temporais. Trajetórias de mudança são estimadas, diferenças individuais nas trajetórias são modeladas e associações com covariáveis (idade, status clínico, condição de intervenção) são testadas.

Erros comuns

  • Subestimando dados ausentes: o tempo sem uso é frequentemente confundido com baixa atividade; pesquisadores devem implementar algoritmos validados de tempo sem uso e documentar suposições de forma transparente.
  • Ignorando a deriva de calibração: a precisão do sensor pode degradar ao longo de um longo período de estudo; verificações periódicas de recalibração são necessárias para estudos com duração superior a algumas semanas.
  • Coleta excessiva sem plano de análise: armazenar vastos fluxos de sensores sem um plano de análise pré-especificado leva a expedições de pesca e taxas infladas de falsos positivos; registre hipóteses e escolhas analíticas antes da coleta de dados.
  • Tratando todos os participantes como equivalentes: diferenças individuais na forma como os participantes usam os dispositivos (colocação, aperto, tipo de pele) criam heterogeneidade de medição sistemática que deve ser modelada ou controlada.
  • Negligenciando o ônus do participante: mesmo a detecção passiva impõe ônus cognitivo e de estilo de vida; requisitos excessivos de conformidade reduzem a retenção e introduzem viés de atrito.

Perguntas frequentes

Por quanto tempo um estudo longitudinal com sensores precisa ser executado?

A duração depende inteiramente da questão de pesquisa. Estudos que examinam ritmos diários ou semanais podem precisar de apenas duas a quatro semanas; aqueles que rastreiam mudanças de comportamento através de uma intervenção geralmente duram de três a seis meses; estudos de coorte de trajetórias de doenças crônicas podem abranger anos. O critério chave é se a janela do estudo é longa o suficiente para observar variação significativa no fenômeno de interesse.

Como lidar com o tempo sem uso em meus dados de sensores?

O tempo sem uso deve ser distinguido de períodos genuínos de baixa atividade. Algoritmos validados (por exemplo, os algoritmos de Choi ou Troiano para acelerometria) usam janelas consecutivas de contagem zero de uma duração especificada para classificar épocas como sem uso. Essas épocas são então excluídas das análises ou tratadas com imputação baseada em princípios. O algoritmo de detecção de tempo sem uso, os limiares utilizados e a proporção de tempo de uso válido exigido por dia devem ser relatados na seção de métodos.

Qual tamanho de amostra eu preciso?

O cálculo de poder para estudos longitudinais com sensores deve levar em conta o tamanho do efeito esperado no desfecho da trajetória, o número de observações repetidas por participante, a correlação intraclasse (agrupamento de observações dentro das pessoas) e a taxa de atrito prevista. Ferramentas de poder multinível como Optimal Design ou o pacote R longpower são apropriadas. Estudos com resolução temporal muito alta por participante podem, às vezes, alcançar poder adequado com N menor, mas a troca deve ser justificada.

Wearables de consumidor (Fitbit, Apple Watch) são aceitáveis para pesquisa?

Dispositivos de consumidor oferecem conveniência e familiaridade aos participantes, mas geralmente têm menor precisão do que dispositivos de grau de pesquisa, algoritmos proprietários e opacos, e acesso restrito a dados. Eles são apropriados quando: a questão de pesquisa se refere a mudanças relativas em vez de valores calibrados absolutos, o dispositivo foi validado contra um padrão ouro para a população e o desfecho de interesse, e a exportação de dados é suficientemente granular para o plano de análise. Sempre cite o estudo de validação para o dispositivo e métrica específicos usados.

Como isso difere da avaliação momentânea ecológica (EMA)?

EMA é um método de autorrelato que solicita aos participantes que registrem suas próprias experiências em momentos aleatórios ou contingentes a eventos na vida diária. A coleta longitudinal de dados de sensores é em grande parte passiva — o dispositivo registra automaticamente sem exigir entrada ativa do participante. Os dois são frequentemente combinados: fluxos de sensores fornecem contexto comportamental ou fisiológico objetivo ao lado de estados psicológicos autorrelatados de prompts de EMA.

Métodos relacionados

Fontes

  1. Lanza, S. T., Collins, L. M., Lemmon, D. R., & Schafer, J. L. (2005). PROC LCA: A SAS procedure for latent class analysis. Structural Equation Modeling, 14(4), 671–694. [For longitudinal intensive repeated-measures designs context, see also: Shiffman, S., Stone, A. A., & Hufford, M. R. (2008). Ecological momentary assessment. Annual Review of Clinical Psychology, 4, 1–32.]

    Abrir referência da publicação
    Copiado.
  2. Stone, A. A., & Shiffman, S. (2002). Capturing momentary, self-report data: A proposal for reporting guidelines. Annals of Behavioral Medicine, 24(3), 236–243.

    Abrir referência DOI
    Copiado.