Avaliação comparativa de modelos de aprendizado de máquina para a classificação da marcha na paralisia cerebral: uma análise exploratória do sistema GCS-CP
Data
2026-08-10
Autores
Monteiro, João Paulo Manassés Bernardi
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
Resumo: Introdução: A paralisia cerebral (PC) é a deficiência física mais comum com início na infância, caracterizada por distúrbios permanentes do movimento e da postura. As alterações da marcha são frequentes e funcionalmente relevantes, porém sua classificação clínica permanece desafiadora devido à subjetividade das avaliações visuais. Objetivo: Avaliar técnicas de aprendizado de máquina para a classificação automática de padrões da marcha em crianças com PC, com base no Sistema de Classificação da Marcha para Crianças com Paralisia Cerebral (GCS-CP), enfatizando a análise do desempenho por classe como critéri de aplicabilidade clínica. Métodos: Estudo transversal retrospectivo com 115 crianças e adolescentes com PC espástica (5 a 19 anos; GMFCS I–III), utilizando registros de análise cinemática tridimensional da marcha com divisão rigorosa por paciente entre conjuntos de trein e teste. O GCS-CP classifica padrões em três componentes: Apoio e Balanço (plano sagital) e Transverso (plano transverso), definidos com base em ângulos articulares específicos do quadril, joelho e tornozelo durante o ciclo da marcha. Foram avaliados nove algoritmos de aprendizado de máquina (Regressão Logística, Máquina de Vetores de Suporte, Árvores de Decisão, K-NN, Naive Bayes, Floresta Aleatória, LightGBM, XGBoost e Redes Neurais Artificiais) e três modelos de fusão (Voting Hard, Voting Soft e Stacking), comparando dois pipelines de variáveis (Cinemática Angular e Cinemática Geral, este último adicionando parâmetros espaço-temporais), duas estratégias de redução de dimensionalidade (com e sem seleção de variáveis por consenso, neste caso substituída por análise de componentes principais, PCA) e duas estratégias de balanceamento (com e sem SMOTE). Adicionalmente, foram avaliadas abordagens hierárquicas em cascata e três estratégias de otimização clínica orientadas à minimização de falsos negativos. Resultados: Os melhores modelos alcançaram Acurácia Balanceada de 0,791 para o Transverso (Regressão Logística, Pipeline Cinemática Geral, PCA), 0,717 para o Apoio (Naive Bayes, Pipeline Cinemática Angular, com consenso) e 0,702 para o Balanço (Árvore de Decisão, abordagem Hierárquica), atingindo o limiar de 0,70 adotado neste estudo. A análise comparativa entre estratégias metodológicas revelou padrão alvo-dependente sistemático em cinco eixos: seleção por consenso × PCA, classificação Flat × Hierárquica, com × sem SMOTE, pipelines de variáveis, e algoritmos individuais × modelos de fusão, sem superioridade universal de nenhuma escolha em nenhum eixo. Como exemplo, PCA foi superior para Transverso e para Balanço em reexecuções com sementes aleatórias distintas (+5,5 pontos percentuais), enquanto a seleção por consenso foi claramente superior para Apoio (+8,9 pontos percentuais). A análise por classe revelou heterogeneidade clinicamente relevante, com sensibilidade de 100% para Transverso Externo e apenas 56,6% para marcha em salto e 50,6% para marcha rígida nos melhores modelos antes da otimização clínica. As estratégias de otimização clínica demonstraram que sensibilidades próximas ou superiores a 90% são alcançáveis para quatro das cinco classes patológicas avaliadas, com eliminação completa dos falsos negativos para os padrões Sagital Agachado e Transverso Externo. Conclusão: Técnicas de aprendizado de máquina demonstram potencial para auxiliar a classificação objetiva de padrões da marcha na PC, com desempenho compatível com o teto de confiabilidade inter avaliadores humanos. Métricas agregadas mostraram-se insuficientes para avaliação clínica completa, sendo a análise por classe e as estratégias de otimização orientadas à sensibilidade patológica pré-requisitos para implementação clínica responsável
Descrição
Palavras-chave
Paralisia cerebral, Marcha, Aprendizado de máquina, Análise de marcha, Classificação automática, Sistema de classificação da marcha