A IA pode determinar um nível de dor percebida monitorizando métricas corporais ou atividade cerebral ?

Como é que a inteligência artificial pode traduzir sinais corporais numa estimativa em tempo real de quanto dor uma pessoa está a sentir? Investigadores começaram a combinar batimentos cardíacos, respostas da pele, pistas faciais e ressonâncias cerebrais com aprendizagem automática numa tentativa de criar uma janela objetiva para o sofrimento subjetivo, especialmente para doentes que não conseguem descrever a sua própria dor.

Background

Os sistemas de IA estimam atualmente os níveis de dor percebida ao processar dados fisiológicos multimodais, como a variabilidade da frequência cardíaca, a condutância da pele, as expressões faciais e a atividade do sistema nervoso central capturada por eletroencefalografia (EEG) ou ressonância magnética funcional (fMRI) [Nature Biomedical Engineering, 2023]. Estas pipelines envolvem tipicamente modelos de aprendizagem supervisionada treinados em conjuntos de dados que associam biossinais brutos a pontuações de dor auto-relatadas (por exemplo, escalas numéricas de 0–10) para aprender mapeamentos preditivos entre métricas corporais e desconforto subjetivo. Estudos relatam correlações entre alterações de biomarcadores e classificações de dor tanto em contextos experimentais agudos como em coortes clínicas crónicas, sugerindo uma assinatura fisiológica mensurável da dor que pode ser quantificada mesmo quando os relatos verbais não estão disponíveis. Os desafios incluem uma pronunciada variabilidade interindividual (idade, medicação, tom autónomo basal), uma forte dependência do contexto (tipo de dor, estado emocional, fatores ambientais desencadeantes) e a subjetividade irredutível da experiência da dor. Trabalhos recentes enfatizam, por isso, técnicas de fusão multimodal, adaptação de domínio e interpretabilidade causal para melhorar a robustez e a aplicabilidade clínica.