IA e wearables: por que faltam idosos nos estudos?

Em 2050, o mundo deve ter mais de 150 milhões de pessoas vivendo com algum tipo de demência. Esse número, por si só, já deveria colocar o envelhecimento no centro da inovação em saúde digital. Só que a realidade é bem menos animadora: idosos continuam sub-representados em estudos com wearables, justamente os dispositivos (relógios, pulseiras, sensores) que mais poderiam ajudar a prevenir quedas, detectar arritmias, acompanhar sono, mobilidade e até sinais precoces de declínio cognitivo.

O paradoxo é simples e incômodo: estamos treinando e validando tecnologias de IA na saúde com base em dados de pessoas mais jovens, e depois tentamos aplicar essas mesmas soluções a quem mais usa o sistema de saúde e mais precisa de monitorização contínua. Na série IA na Saúde e Biotecnologia, eu tenho batido numa tecla: sem dados representativos, não existe “medicina personalizada” de verdade — existe, no máximo, tecnologia bem-intencionada que falha onde não deveria falhar.

A seguir, vou destrinchar por que essa sub-representação acontece, o que ela causa (na prática, no SUS e no privado) e como empresas, pesquisadores e serviços de saúde podem desenhar estudos e produtos que incluam idosos e pessoas com comprometimento cognitivo de forma ética, viável e útil.

O problema central: sem idosos, a IA erra mais

Se idosos não entram nos estudos, os algoritmos tendem a performar pior em idosos. Isso não é teoria; é consequência direta de como modelos estatísticos e de machine learning aprendem: eles capturam padrões do conjunto de treino. Quando a amostra tem poucos participantes acima de 65, 75 ou 80 anos, o modelo fica “míope” para esse grupo.

Um exemplo emblemático citado no debate sobre wearables é o Apple Heart Study, em que a idade média dos participantes era de 41 anos, e apenas 6% tinham mais de 65. A justificativa inicial incluía a possibilidade de a sensibilidade do dispositivo para detectar fibrilação atrial cair acima dos 75. Só que aí entra um ciclo perverso:

• “Não testamos em idosos porque pode funcionar pior”
• “Funciona pior em idosos porque não foi testado o suficiente em idosos”

O resultado é um risco clínico e um risco regulatório. Clínico, porque falsos positivos/negativos em faixas etárias mais vulneráveis podem gerar ansiedade, exames desnecessários ou perda de janelas de diagnóstico. Regulatório, porque a validação incompleta limita adoção em hospitais, operadoras e programas públicos.

Por que isso importa para a saúde coletiva (e não só para gadgets)

Wearables deixaram de ser “brinquedo fitness”. Em 2025, a conversa séria é outra: monitorização remota de pacientes, cuidado híbrido (presencial + telemedicina), gestão de doenças crônicas e suporte a cuidadores.

Quando a IA em saúde digital é treinada sem representar bem idosos, o sistema como um todo perde:

• Protocolos de triagem ficam menos confiáveis em quem tem mais comorbidades
• Programas de cuidado domiciliar perdem precisão
• Linhas de cuidado de demência e fragilidade ficam sem ferramentas de escala

Se a população está envelhecendo, a tecnologia que ignora esse envelhecimento vira custo, não solução.

O mito da “baixa competência digital” já não se sustenta

A ideia de que idosos não conseguem usar tecnologia virou desculpa preguiçosa. Depois da pandemia, houve uma aceleração clara de adoção digital: chamadas de vídeo com família, teleconsultas, apps de farmácia, bancos e serviços públicos. Isso não significa que todo idoso seja “heavy user”, mas significa que o obstáculo não é incapacidade — é design ruim, onboarding fraco e pesquisa mal planejada.

O que eu vejo na prática (em projetos e conversas com times de produto) é que muitos estudos falham por detalhes que seriam simples de corrigir:

• Interfaces com fonte pequena e baixo contraste
• Alertas sonoros/vibração mal calibrados
• Linguagem técnica (“variabilidade da FC”) em vez de linguagem humana (“seu coração oscilou mais hoje”)
• Dependência de etapas como “aperte um botão no horário X”

Idosos conseguem participar. O que falta é tratar participação como experiência — não como um formulário de consentimento e pronto.

E quando há declínio cognitivo ou demência?

Aqui a lacuna é ainda maior. Estudos recentes chamam atenção para um ponto crítico: pessoas com declínio cognitivo e demência são deixadas de lado, embora possam se beneficiar de monitorização de comportamento, sono, mobilidade e risco de quedas.

Só que existe um desafio real: a tecnologia exige hábitos (carregar bateria, não esquecer o relógio, manter o smartphone por perto). Em vez de excluir, o caminho é adaptar:

• dispositivos com bateria mais longa ou carregamento simplificado
• sensores mais “passivos” (menos interação)
• envolvimento estruturado do cuidador (sem transferir toda a carga para ele)

A pergunta certa não é “eles conseguem usar?”. É: o produto foi desenhado para a vida real desse público?

Onde a IA pode ajudar de verdade no cuidado do idoso

IA em wearables não é sobre contar passos. No contexto de saúde e biotecnologia, a utilidade cresce quando combinamos sinais e contexto para gerar decisões melhores.

Monitorização de quedas e fragilidade

Queda não é acidente aleatório; muitas vezes é o último evento de uma cadeia: perda de força, piora do equilíbrio, tontura por medicação, hipotensão, visão ruim, ambiente inseguro.

Wearables com acelerômetro/giroscópio e modelos de IA podem:

• detectar padrões de marcha (passos mais curtos, instabilidade)
• identificar horários e contextos de maior risco (noite, idas ao banheiro)
• gerar alertas graduais (não só “caiu / não caiu”)

O valor está em antecipar, não só reagir.

Trajetórias cognitivas e sinais comportamentais

Para demência, sinais úteis podem ser indiretos:

• mudanças persistentes no sono
• redução de mobilidade fora de casa
• variação de rotina (horários muito irregulares)
• queda de interação social (em alguns contextos)

Com cuidado ético e consentimento adequado, IA pode transformar dados de sensores em indicadores de tendência, que ajudam equipes de atenção primária, geriatria e neurologia a priorizar avaliações.

Um bom wearable para idosos não “dá diagnóstico”. Ele organiza sinais e reduz o tempo até o cuidado certo.

Redução da carga do cuidador

Aqui eu tomo posição: se uma tecnologia aumenta a ansiedade do cuidador, ela falhou, mesmo que o algoritmo seja bom.

O desenho ideal é o que entrega:

• alertas com níveis de urgência
• recomendações acionáveis (“verifique hidratação”, “revisar medicação com equipe”)
• relatórios simples para levar à consulta

IA útil é a que vira rotina sustentável.

Por que estudos com idosos são mais difíceis (e como destravar)

Incluir idosos custa mais esforço, mas economiza erro depois. O caminho é tratar inclusão como requisito de qualidade, não como “extra”.

Barreiras comuns em estudos com wearables

• Recrutamento: acesso a idosos fora de grandes centros exige parcerias com UBS, centros-dia, ILPIs e programas de saúde da família.
• Aderência: esquecer de carregar, tirar o dispositivo por incômodo, perder o carregador.
• Comorbidades e polifarmácia: dados fisiológicos variam mais; isso exige amostras maiores e estratificação.
• Questões éticas: consentimento, capacidade decisória, privacidade e participação do cuidador.

O que funciona (checklist prático)

Abaixo vai um conjunto de ações que, na minha experiência, mudam o jogo em projetos de saúde digital para idosos:

1. Co-design com idosos e cuidadores: protótipo na mão, feedback rápido, ajustes antes do estudo.
2. Onboarding presencial ou híbrido: 20 minutos bem feitos valem mais que 10 tutoriais.
3. Suporte “humano”: canal de dúvidas por telefone/WhatsApp, com linguagem simples.
4. Metas de inclusão por faixa etária: não basta “ter alguns idosos”; defina cotas (65–74, 75–84, 85+).
5. Métricas de adesão como desfecho: bateria carregada, tempo de uso, perdas de dados. Se não medir, não melhora.
6. Design para falhas: lembretes inteligentes, modo cuidador, carregamento fácil, redundâncias.

Esse pacote é menos “glamouroso” do que treinar modelo, mas é isso que transforma IA em produto clínico.

O que organizações de saúde e biotech devem exigir (agora)

Hospitais, clínicas, operadoras e healthtechs precisam parar de comprar promessa e começar a comprar evidência aplicável ao seu público. Se a base de pacientes é majoritariamente idosa, o estudo também deveria ser.

Aqui vão critérios objetivos para colocar em RFPs, pilotos e comitês de inovação:

• distribuição de idade reportada com transparência (média, mediana e percentis)
• análise de performance por subgrupos (65+, 75+, 85+)
• taxa de abandono e perda de dados por faixa etária
• plano de mitigação de vieses (inclusive viés de seleção)
• estratégia de implementação: treinamento, suporte e integração com cuidado

A pergunta que muda a conversa é direta: “Esse algoritmo foi validado em gente parecida com os meus pacientes?”

Próximos passos: inclusão como padrão de qualidade

A sub-representação de idosos em estudos com wearables não é um detalhe acadêmico; é um gargalo de segurança e efetividade da IA na saúde. Se a gente quer monitorização remota, prevenção de quedas, detecção precoce de arritmias e suporte real para demência, precisamos de estudos que reflitam a população que vai usar — principalmente em um país que envelhece rápido como o Brasil.

Do lado técnico, dá para resolver: melhor desenho de estudo, melhor UX, sensores mais passivos, análise por subgrupos, suporte no mundo real. Do lado cultural, o ajuste é mais duro: parar de tratar idosos como exceção e começar a tratá-los como o centro do cuidado.

Se você está construindo ou avaliando uma solução de saúde digital, minha recomendação é simples: coloque a representatividade no contrato e no protocolo. E aí fica a pergunta que eu gostaria de ver em toda reunião de produto e pesquisa: quando a IA errar, ela vai errar em quem?