M3-BREATHE do Mundo Real: Rumo ao Monitoramento Multimodal Móvel de Comportamento, Respiração e Exposições para Tratamento e Avaliação de Saúde

Wenbo Guo

doi:10.3791/69900

Artigo de método

M3-BREATHE do Mundo Real: Rumo ao Monitoramento Multimodal Móvel de Comportamento, Respiração e Exposições para Tratamento e Avaliação de Saúde

205 visualizações

⸱

DOI:

10.3791/69900

⸱

5 de junho de 2026

Wenbo Guo

¹Institute of Belt and Road & Global Governance, Fudan University

Neste artigo

Resumo

M3-BREATHE é um sistema móvel de saúde (mHealth) que integra sensores vestíveis para monitorar a respiração, o comportamento e as exposições ambientais, visando tratamento personalizado e avaliação de saúde no mundo real.

Resumo

A integração de tecnologias de saúde móvel (mHealth) para monitoramento contínuo e em tempo real de sinais fisiológicos e comportamentais, em conjunto com a medição detalhada de exposições ambientais, possui um potencial transformador para avançar na avaliação personalizada de riscos à saúde e possibilitar tratamentos e intervenções mais eficazes. Neste protocolo, apresento um sistema móvel multimodal de monitoramento projetado especificamente para capturar e integrar dados sobre comportamento individual (atividades diárias e viagens), função respiratória, parâmetros fisiológicos e exposições ambientais. O sistema combina dispositivos móveis de saúde e sensores ambientais portáteis com aplicativos baseados em smartphones habilitados por GPS para gerar fluxos de dados sincronizados e de alta resolução. Esses dados são processados por meio de um aplicativo de celular inteligente, incorporando cálculo de parâmetros fisiológicos (por exemplo, intensidade da atividade física, frequência respiratória) e dados ambientais urbanos externos (por exemplo, áreas verdes urbanas, mapas de rua), após o que um sistema de alerta baseado em aprendizado de máquina foi implantado para fornecer insights acionáveis sobre saúde respiratória, atividades diárias e padrões de mobilidade, além da exposição a fatores de risco. O protocolo fornece orientações abrangentes e detalhadas sobre configuração de hardware, configuração de software, procedimentos de aquisição de dados e fluxos de trabalho analíticos necessários para a implantação do Monitoramento Multimodal Móvel de Comportamento, Respiração e Exposições (poluição do ar, ruído, luz, calor, verde, etc.) para Tratamento e Avaliação de Saúde (M3-BREATHE) tanto em experimentos clínicos controlados quanto em contextos do mundo real. Esta plataforma M3-BREATHE visionária estabelece uma abordagem escalável, não invasiva e econômica para o monitoramento longitudinal ambiental-mobilidade-saúde (E-M-H), conectando a saúde de precisão em nível individual no dia a dia com a inteligência de saúde de longo prazo em escala populacional.

Introdução

Indo além da epidemiologia espacial tradicional, que enfatizava principalmente associações baseadas em nível populacional e área entre ambiente e saúde, o foco agora está se deslocando para examinar relações e processos em nível individual e^{baseado em mobilidade} 1,2,3,4. Essa mudança é impulsionada por vários problemas metodológicos fundamentais inter-relacionados, juntamente com oportunidades emergentes para abordagens mais precisas e sensíveis ao contexto.

Primeiro, o problema da unidade areal modificável (MAUP), que se refere ao problema de que, na análise de dados baseados em área ou zona, os resultados podem ser influenciados pela definição das unidades areais para as quais os dados são^reportados ^5,6. Aplica-se a dois problemas separados, mas inter-relacionados, com a análise de dados espaciais. O primeiro é o "problema da escala", onde o mesmo conjunto de dados areonais é agregado em vários conjuntos de unidades areonais maiores, com cada combinação levando a diferentes valores de dados e inferências. O segundo aspecto da MAUP é o "problema de zoneamento", onde um conjunto dado de unidades areonais é recombinado em zonas do mesmo tamanho, mas localizadas de forma diferente, novamente resultando em variação nos valores dos dados e, consequentemente, em conclusões^diferentes ^7,8. Para lidar com o questionamento sobre a contribuição do estudo para o avanço de novos conhecimentos utilizando dados baseados em áreas ou zonas, dois métodos são discutidos incessantemente para minimizar o impacto do MAUP. Uma é a maximização da homogeneidade dentro da área. A seleção da unidade de estudo areal adequada minimizará o erro de medição da exposição ambiental e da classificação incorreta da exposição não diferencial ao estimar o efeito contextual na^saúde ^9,10,11. No entanto, a heterogeneidade da exposição à poluição do ar dentro das unidades espaciais ainda pode resultar em erros. Assim, outro método está caminhando para formas independentes de frame de representação e análise de dados^{espaciais 12,13}. Indo além da compreensão convencional baseada em áreas dos contextos, as medidas individuais levam em conta a homogeneidade de atributos e a contiguidade espacial dos fatores contextuais e podem oferecer uma medida analítica robusta, independente ou invariante em escala ao examinar os efeitos das exposições ambientais na^saúde 14,15,16.

Segundo, o Problema do Contexto Geográfico Incerto (UGCoP), referindo-se ao problema de que descobertas sobre os efeitos de variáveis contextuais baseadas em áreas em comportamentos ou resultados individuais podem ser afetados por como as unidades contextuais (por exemplo, vizinhanças) são delimitadas geograficamente e pela extensão em que essas unidades areais se desviam do contexto geográfico real^17,18. Um exemplo típico é a avaliação da exposição dos indivíduos à poluição do ar que pode ser errada ao usar locais residenciais para pessoas que passam muito tempo fora de casa para trabalho, lazer, etc., o que está longe do contexto geográfico "realmente causalmente relevante^{" 18,19}. Para mitigar as incertezas contextuais que influenciam a avaliação precisa das exposições ambientais das pessoas e seus efeitos na saúde, é necessário adotar a medição baseada em mobilidade que vá além das noções de influências contextuais que dependem do uso de locais fixos específicos (por exemplo, localização residencial, local de trabalho)^16,20. Como a negligência da variabilidade espaço-temporal na poluição do ar e na mobilidade humana pode levar a erros substanciais nas estimativas de exposição^{individual 21}^, ²²^, ²³^, ²⁴, bem como na avaliação da justiça^{ambiental 25}^, ²⁶, é essencial coletar dados espaço-temporais de alta resolução baseados em mobilidade para entender a associação entre exposições ambientais e resultados de saúde. Um desafio adicional está no descompasso espacial entre conjuntos de dados ambientais e medidas biométricas em nível individual coletadas no sensor corporal. Embora imagens de vista de rua permitam caracterização ambiental detalhada na escala visual humana, e índices de vegetação derivados de satélites (por exemplo, NDVI) ofereçam uma cobertura mais ampla em resoluções mais grosseiras (10–250 m), ambos exigem estratégias explícitas de alinhamento espacial que conectem trajetórias de mobilidade a exposições ambientais nos locais exatos onde os dados fisiológicos e comportamentais são registrados. Abordar essa incongruência de escala requer estratégias explícitas de alinhamento espacial que vinculem trajetórias de mobilidade a exposições ambientais nos locais exatos onde os dados fisiológicos e comportamentais são registrados.

Em resposta aos desafios impostos pelo MAUP e pelo UGCoP, pesquisadores de múltiplas disciplinas relacionadas à saúde ambiental têm participado cada vez mais de estudos sobre processos comportamentais entre exposições ambientais e resultados de saúde, avançando para estruturas baseadas em mobilidade em nível^individual 1,27,28,29 . Com o aumento do interesse na conexão ambiente-mobilidade-saúde (E-M-H), a literatura existente tem se concentrado predominantemente no domínio antecedente (ambiente-mobilidade⁾ 17,30,31,32 ou no domínio consequente (mobilidade-saúde⁾ 33,34,35 , enquanto estudos integrativos que abrangem os três domínios permanecem limitados. No entanto, as atividades diárias e as viagens dos indivíduos influenciaram significativamente os efeitos dose-resposta das exposições ambientais nos desfechos de saúde. Onde, quando e como os indivíduos projetam, agendam e conduzem suas atividades ao longo de um período de 24 horas está intimamente associado às suas exposições a riscos ambientais e aos consequentes resultados de saúde¹⁷^, ¹⁸^, ³⁶. Além disso, outra lacuna crítica está no fato de que poucos estudos fornecem uma estrutura analítica acionável que vincule o monitoramento em tempo real ao acompanhamento longitudinal dos resultados de saúde, limitando a capacidade de gerar evidências robustas e acionáveis para tratamento e intervenções. Dito isso, abordar essas lacunas não só melhora a precisão das avaliações de saúde ambiental, mas também revela o papel mediador das atividades diárias e das viagens, bem como dos processos comportamentais subjacentes no complexo nexo³⁷ E-M-H, fornecendo assim uma forte justificativa para tratamentos e intervenções personalizados e informados em mobilidade, voltados a mitigar riscos de exposição e promover resultados de saúde.

O avanço das tecnologias móveis e vestíveis^, especialmente dispositivos móveis de saúde (mHealth) 40,41,42 e sensores ambientais ^portáteis 43,44,45, possibilitou novas abordagens para monitorar sincronizadamente o comportamento dos indivíduos, exposições ambientais e métricas fisiológicas. Por meio da integração com aplicativos de smartphone, os participantes podem documentar seu estado de saúde, histórico médico (por exemplo, doenças respiratórias e cardiovasculares), experiência fisiológica subjetiva e percepção de risco ambiental, permitindo avaliações e alertas de risco mais precisos e personalizados por meio de abordagens baseadas em aprendizado de máquina ou regras. Aqui, apresento o Monitoramento Multimodal Móvel do Mundo Real de Comportamento, Respiração e Exposições (poluição do ar, ruído, luz, calor, verde, etc.) para Tratamento e Avaliação de Saúde (M3-BREATHE). O protocolo de ponta a ponta fornece orientações abrangentes sobre configuração de hardware, configuração de software, procedimentos de aquisição de dados e fluxos de trabalho analíticos necessários para a implantação do M3-BREATHE. Este protocolo é adequado para pesquisadores em saúde ambiental, geografia do transporte e medicina personalizada que realizam experimentos clínicos controlados (monitoramento de curto prazo e alta fidelidade) ou estudos longitudinais do mundo real (monitoramento de longo prazo, não intrusivo), mas não é recomendado para estudos que exigem medições respiratórias laboratoriais de ultra alta precisão (por exemplo, testes invasivos de função pulmonar).

Protocolo

A condução deste protocolo para fins de pesquisa, seja em experimentos clínicos controlados ou em contextos do mundo real, deve ser realizada com aprovação prévia e de acordo com as diretrizes do comitê de ética em pesquisa humana institucional dos pesquisadores. O consentimento informado deve ser obtido do participante antes do início da pesquisa. A investigação empírica deste artigo segue as diretrizes do Comitê de Ética em Pesquisa Humana da Universidade de Pequim. Toda pesquisa baseada em participantes que utiliza este protocolo deve obter aprovação ética prévia do comitê de ética institucional em pesquisa do pesquisador. Todos os participantes devem fornecer consentimento informado por escrito antes de qualquer procedimento de coleta de dados. Configurações recomendadas de equipamentos estão listadas na Tabela de Materiais.

1. Configuração de dispositivos móveis de saúde vestíveis

Configuração de sensor respiratório no peito
1. Instrua o participante a vestir a camisa integrada pelo sensor ou a faixa peitoral diretamente contra a pele, sob a roupa, para garantir o contato ótimo da pele para aquisição do sinal eletrofisiológico.
2. Ajuste o ajuste da camisa ou alça para que fique justo e confortável, garantindo que não limite a respiração ou o movimento natural. O ajuste correto é confirmado quando o sensor mantém contato estável com a pele e não escorrega ou se move visivelmente durante a inspiração profunda.
3. Certifique-se de que o sensor esteja totalmente carregado e pareado com o smartphone via Bluetooth para facilitar o monitoramento e registro em tempo real da frequência respiratória (em respirações por minuto, respirações/min), volume de maré (em mililitros, mL) e frequência cardíaca (em batimentos por minuto, BPM). Confirme que o clock do dispositivo está sincronizado com o horário do sistema do smartphone para permitir um alinhamento temporal preciso entre fluxos de dados multimodais.
  NOTA: Frequência respiratória e frequência cardíaca também podem ser obtidas usando dispositivos de pulseira vestível, especialmente para monitoramento de longo prazo (veja o passo 1.2). A frequência respiratória é calculada indiretamente com base nas variações induzidas pela respiração nos sinais de fotopletismografia (PPG) ou variabilidade da frequência cardíaca (VFC) (ver passo 5.2). Essa abordagem alternativa pode ajudar a reduzir o desconforto e a carga dos participantes associados ao uso prolongado de um sensor respiratório no peito.
Configuração de dispositivo de pulseira inteligente
1. Escolha o punho não dominante como local principal para a colocação do dispositivo e fixe a pulseira firmemente no pulso, proximal ao processo estiloide ulnar.
2. Ajuste a pulseira para garantir o contato ideal entre fotopletismografia e pele (PPG) sem prejudicar a circulação periférica. O ajuste é correto quando a alça está justa, mas permite a inserção de uma ponta de um dedo.
3. Abra o aplicativo complementar no smartphone e certifique-se de que o dispositivo está conectado com sucesso via Bluetooth.
4. Navegue até a tela em tempo real dentro do aplicativo e confirme que as configurações do aplicativo estão configuradas para monitoramento contínuo de todos os parâmetros desejados, incluindo: métricas cardiovasculares como frequência cardíaca (frequência cardíaca, unidades: batimentos por minuto, BPM), variabilidade da frequência cardíaca (HRV, unidades: milissegundos, ms), pressão arterial (pressão, unidades: milímetros de mercúrio, mmHg) e eletrocardiograma (ECG, unidades: milivolts, mV); medidas respiratórias e metabólicas, como taxa respiratória estimada algoritmicamente (RR, unidades: respirações por minuto, respirações/min), saturação de oxigênio no sangue (SpO₂, unidades: porcentagem, %) e equivalentes metabólicos (METs, razão); temperatura periférica da pele (unidades: graus Celsius, °C); dados de movimento do acelerômetro (ACC, unidades: aceleração gravitacional, g).
  NOTA: O sensor de PPG na parte traseira do dispositivo deve manter contato constante e alinhado com a pele. Aperte novamente a alça se ela ficar solta com o tempo.

2. Configuração de sensores ambientais

Conecte os dispositivos de detecção ambiental ao power bank portátil (capacidade de 10.000 mAh) usando cabos USB apropriados para garantir operação 24 horas. Certifique-se de que todas as conexões estejam estáveis e que os cabos estejam cuidadosamente guardados para evitar desconexões acidentais durante o movimento.
Coloque o monitor multi-poluente atmosférico (medindo partículas PM_2,5 e PM₁₀ em μg/^{m 3}, monóxido de carbono CO em ppm, dióxido de nitrogênio NO2, dióxido de enxofre SO₂ e compostos orgânicos voláteis COVs em ppb), o sensor de ruído (em decibéis, dB) e o sensor de temperatura (em graus Celsius, °C) no bolso lateral da mochila do participante. Conecte o rastreador de exposição à luz (iluminância, em lux, lx; Luz Circadiana A, CLA, 0-1) firmemente no lado frontal da alça de ombro da mochila, posicionando-a para frente/para fora sem obstrução.
Instrua o participante a carregar a mochila junto com suas atividades diárias e viagens por 24 horas, e a carregar o power bank todas as noites. Forneça um número de contato para qualquer problema.
Confirme que todos os sensores estão ligados e que estabeleceram com sucesso um fluxo de dados em tempo real, registrando e transmitindo dados para o aplicativo complementar do smartphone.
NOTA: Todos os sensores devem ser calibrados rigorosamente de acordo com as especificações de seus respectivos fabricantes antes de serem entregues aos participantes. Sensores de poluição do ar de baixo custo são recomendados para passar por um teste de calibração de colocação contra um instrumento de referência de nível de pesquisa por um período de duas semanas em um local representativo para derivar fatores de correção específicos do sensor. O procedimento de colocação envolve colocar o sensor de baixo custo adjacente ao instrumento de referência (a menos de 1 m, na mesma altura), operando ambos simultaneamente por pelo menos 14 dias para capturar uma variedade de condições ambientais. Dados pareados são então usados para derivar modelos de correção lineares ou não lineares (por exemplo, C_corrigido = (C_bruto - b)/a) via análise de regressão. Para sensores sem acesso a instrumentos de referência, recomenda-se calibração zero usando ar limpo filtrado por HEPA para corrigir a deriva de base. É necessário um período de estabilização de 10 a 15 minutos sob condições de ar limpo antes de registrar os valores de base. Antes de cada implantação, deve ser realizada uma verificação de verificação pré-implantação para confirmar a resposta dos sensores e a estabilidade da transmissão de dados. Durante a coleta de dados, registros diários de garantia de qualidade (QA) devem ser mantidos para documentar quaisquer anomalias, desvios de sensores ou interrupções de conectividade. Sensores de temperatura e umidade relativa (HR, unidades: porcentagem, %) geralmente são integrados como componentes nos dispositivos de detecção de poluição do ar. A exposição contínua ao ruído pode ser medida alternativamente usando o microfone embutido do smartphone por meio do aplicativo dedicado. A exposição à luz e ao calor coletadas usando a pulseira inteligente e o celular não são recomendadas, devido à alta suscetibilidade a obstruções e fatores de confusão como roupas e posicionamento. Para um estudo ou prática longitudinal, recomenda-se um dispositivo modular integrado de pequeno tamanho para monitoramento de múltiplos poluentes.

3. Configuração de aplicativos para smartphone

Instale o aplicativo móvel M3-BREATHE (desenvolvido sob medida para Android/iOS) no smartphone do participante.
Ative a sincronização de dados em segundo plano, GPS, Bluetooth e em segundo plano.
Configure o app para registrar dados de localização GPS em intervalos de 1 minuto e sincronizar os dados dos sensores a cada 5 minutos.
Defina a taxa de amostragem de dados para 1 Hz (ou seja, uma amostra por segundo) para cada dispositivo conectado (monitores fisiológicos vestíveis e sensores ambientais portáteis) para garantir captura de dados de alta resolução temporal.
Confirme que todas as configurações estão salvas antes de iniciar o registro dos dados.
NOTA: É boa prática realizar uma gravação de teste breve (por exemplo, de 5 minutos) após a configuração. Revise o arquivo de dados do teste para confirmar que todos os fluxos de dados esperados (coordenadas GPS, VFC, ECG, poluição do ar, ruído, etc.) estão registrados, corretamente marcados com carimbo temporal e contêm valores plausíveis antes de iniciar o período completo do estudo. Vale notar que a exposição à vegetação é medida indiretamente integrando dados de trajetória GPS de alta resolução espaçotemporal com conjuntos de dados geográficos como o OpenStreetMap ou índices de vegetação derivados de satélites (por exemplo, NDVI para cobertura vegetal). Para corrigir o descompasso na escala espacial entre camadas ambientais de resolução grossa (por exemplo, NDVI em 10–250 m) e medidas biométricas em nível individual, o protocolo atribui valores de exposição ambiental a cada ponto GPS com base em métodos de extração do vizinho mais próximo ou média do buffer, garantindo o alinhamento espacial no local e no momento de cada medição fisiológica.

4. Procedimentos de Aquisição de Dados

Integração de participantes
1. Recrute participantes usando um método de amostragem estratificada para garantir a representatividade da população-alvo.
2. Forneça aos participantes materiais de orientação completos, incluindo uma folha de instruções detalhada, um manual e, preferencialmente, um vídeo instrutivo, sobre os procedimentos para usar e usar os sensores, bem como para operar o aplicativo de smartphone correspondente.
3. Realize uma pesquisa de saúde de referência dentro do aplicativo para coletar dados demográficos (por exemplo, gênero, idade, altura, peso, estado civil), histórico médico (por exemplo, doenças não transmissíveis, DNTs), estado de saúde respiratória (por exemplo, fuma em macotilha por anos, tosse crônica ou dispneia) e outras informações de saúde autorrelatadas (por exemplo, saúde física e mental geral, consumo de álcool, padrões alimentares, níveis de atividade física, qualidade do sono).
  NOTA: Recomendando instrumentos padronizados para coleta de informações de saúde autorrelatadas, incluindo a Pesquisa de Formulário Curto de 12 Itens (SF-12) para saúde^{geral 46}, o Teste de Identificação de Transtornos por Uso de Álcool - Consumo (^AUDIT-C)47, o Questionário Internacional de Atividade Física - Formulário Curto (IPAQ-SF)⁴⁸ e o Índice de Qualidade do Sono de Pittsburgh (PSQI⁾⁴⁹. Alternativamente, escalas Likert de 7 itens podem ser aplicadas para fins de conveniência.
Rotina Diária de Monitoramento
1. Instrua o participante a usar os sensores fisiológicos móveis de saúde e a carregar os dispositivos portáteis de monitoramento ambiental (mochila com bolso de rede) por um período contínuo de 24 horas. Durante o sono, os sensores ambientais devem ser posicionados no quarto para manter a avaliação da exposição, com atenção especial ao sensor de luz.
2. Lembre o participante de recarregar o power bank todas as noites e mantê-lo conectado aos sensores ambientais para manter a operação e os dados ininterruptos.
3. O fluxo de dados será monitorado por meio de verificações manuais pela equipe de pesquisa a cada 4 horas, ou, preferencialmente, por um alerta automatizado do sistema backend dentro da aplicação, acionado após 30 minutos de interrupção da sincronização de dados. Em caso de desconexão por mais de 30 minutos, o participante será contatado para resolver o problema.
4. Incentive o participante a preencher uma pesquisa de diário de atividades e viagens dentro da aplicação (um modelo é fornecido na Tabela 1) todos os dias à noite, para aumentar a precisão da contextualização diária da atividade e da mobilidade, visando um tratamento e intervenção mais eficazes e direcionados. Um lembrete automático (aplicação/SMS) é enviado todas as noites às 20h para promover a conformidade consistente.
  NOTA: Uma interface interativa, com um mapa para visualização de trajetórias (com carimbos de tempo), pode ser implantada com identificação de atividades e viagens baseada em aprendizado de máquina com base em dados GPS. Idealmente, conselhos ou lembretes podem ser enviados automaticamente pelo aplicativo para o participante registrar uma atividade ou viagem, próximo à ocorrência da próxima atividade/episódio de viagem, para mitigar o viés de recordação no final do dia. Recomenda-se uma revisão final antes de dormir para consolidar o registro diário. Além disso, a avaliação momentânea ecológica (EMA) pode ser utilizada para capturar experiências subjetivas (por exemplo, falta de ar, fadiga, percepções de poluição ambiental) três vezes ao dia (por exemplo, 8h, 12h e 16h) por meio de notificações push.
Sincronização e Backup de Dados
1. Todos os dados coletados em tempo real e de diários de viagem de atividades são sincronizados automaticamente para um servidor em nuvem seguro e criptografado via Wi-Fi ou rede celular. O banco de dados em nuvem é configurado com backups automatizados regulares para evitar perda de dados.
2. Todos os dados são primeiro armazenados na memória interna do smartphone. Os dados sincronizados são automaticamente apagados do dispositivo todos os dias após a verificação bem-sucedida pelo servidor em nuvem.
3. Todos os dados são anonimizados no ponto de coleta e armazenados com segurança em servidores institucionais. O armazenamento, transmissão e descarte dos dados são gerenciados em estrita conformidade com as políticas de segurança e privacidade dos dados da instituição anfitriã.
  O resumo dos dados e a fonte são fornecidos na Tabela 2.

ParticipantID	Data	StartTime	EndTime	Atividade(A)/Viagem(T)	Tipo de Atividade/Modo Viagem
1	13/08/2025	0:00	7:00	A	Durma
1	13/08/2025	7:00	7:30	A	Café da manhã
1	13/08/2025	7:30	8:00	T	Transporte público
1	13/08/2025	8:00	11:30	A	Obra
1	13/08/2025	11:30	11:45	T	Caminhe
1	13/08/2025	11:45	12:45	A	Almoço
1	13/08/2025	12:45	13:00	T	Caminhe
1	13/08/2025	13:00	17:00	A	Obra
1	13/08/2025	17:00	17:15	T	Bicicleta
1	13/08/2025	17:15	18:00	A	Culinária
1	13/08/2025	18:00	19:00	A	Jantar
1	13/08/2025	19:00	21:00	A	Lazer
1	13/08/2025	21:00	21:30	A	Bath
1	13/08/2025	21:30	23:59	A	Durma
1	14/08/2025	0:00	6:30	A	Durma
1	14/08/2025	…	…	…	…

Tabela 1: Modelo de diário de viagem de atividades para monitoramento M3-BREATHE. A tabela ilustra como os dados comportamentais são registrados e organizados para integração com análises de exposição e saúde.

Dispositivos móveis de saúde vestíveis	Aplicativo para smartphone	Sensores ambientais portáteis
Frequência Respiratória (RR)	Coordenadas GPS	Material Particulado (PM2.5, PM10)
Volume de Maré (TV)	Diário de atividades e viagens	Monóxido de Carbono (CO)
Frequência cardíaca (FC)	Avaliação ecológica momentânea (EMA)	Dióxido de Nitrogênio (NO2)
Variabilidade da Frequência Cardíaca (VFC)	Informações básicas de saúde	Dióxido de Enxofre (SO₂)
Eletrocardiograma (ECG)	Idade, gênero, etc.	Compostos Orgânicos Voláteis (VOCs)
Pressão Arterial (BP)	Índice de Massa Corporal (IMC)	Ruído (N)
Saturação de Oxigênio no Sangue (SpO₂)	Status socioeconômico (SES)	Temperatura (T)
Equivalentes Metabólicos (METs)	Histórico médico	Umidade Relativa (HR)
Temperatura da Pele (ST)	Estado de saúde respiratória	Iluminância (lx)
Acelerômetro (ACC)	Informações de saúde autorrelatadas	Luz Circadiana A (CLA)

Tabela 2: Resumo dos dados e da origem dos dispositivos. A tabela lista métricas-chave (por exemplo, frequência cardíaca, frequência respiratória, partículas, temperatura) e suas modalidades de medição correspondentes.

5. Processamento e Análise de Dados

Calibração de dispositivos e garantia de qualidade
Antes da implantação, todos os dispositivos passarão por verificações básicas de calibração de acordo com as especificações do fabricante. Para sensores ambientais (por exemplo, monitores PM_2.5), isso pode incluir calibração zero ou comparação com instrumentos de referência quando disponíveis. Durante o processamento de dados, procedimentos de garantia de qualidade e controle de qualidade (QA/QC) serão aplicados tanto a fluxos de dados ambientais quanto biométricos. Todas as etapas de QA/QC serão documentadas para garantir transparência e reprodutibilidade.
1. Verificações de alcance para remover valores fisiologicamente ou fisicamente implausíveis (por exemplo, frequência cardíaca extrema ou concentrações de poluentes).
2. Detecção e exclusão de artefatos de sinal (por exemplo, ruído relacionado ao movimento em dados vestíveis). Procedimentos de suavização ou filtragem (por exemplo, médias móveis) quando apropriado.
3. Identificação e tratamento de segmentos de dados ausentes ou esparsos.
Pré-processamento
1. Os dados brutos dos sensores são limpos (o desvio do GPS é corrigido pelo filtro de Kalman) e sincronizados com diários de atividade e viagem usando a abordagem de Alinhamento Temporal Multimodal por meio de pacotes de pré-processamento baseados em Python (por exemplo, Pandas, GeoPandas, Tsfresh, Pyo3). Todos os dados processados são posteriormente integrados ao banco de dados M3-BREATHE.
2. Para garantir o alinhamento temporal entre exposições ambientais e medições biométricas, sincronize todos os fluxos de dados em uma estrutura unificada de carimbo de tempo. Padronize os clocks dos dispositivos antes da implantação usando protocolos de tempo baseados em rede. Durante o processamento de dados, alinhe carimbos de tempo de diferentes dispositivos a um tempo de referência comum (por exemplo, UTC) e corrija a deriva do clock usando interpolação linear ou ajuste de deslocamento temporal.
3. Agregar dados de frequência mais alta (por exemplo, frequência cardíaca derivada de dispositivos vestíveis) para corresponder à resolução das medidas ambientais ou ajustar dados ambientais para corresponder a dados de frequência mais alta, dependendo do objetivo da análise. Gerencie carimbos de tempo ausentes ou intervalos de amostragem irregulares aplicando interpolação ou excluindo dados com base em critérios de qualidade pré-definidos.
4. Processe dados de GPS junto com conjuntos de dados geográficos externos que caracterizam os ambientes construídos e naturais para contextualizar exposições individuais. Calcule a exposição à vegetação integrando registros GPS com dados do OpenStreetMap e índices de vegetação derivados de satélites (por exemplo, NDVI). Aborde disparidades de escala entre trajetórias GPS de alta frequência e camadas ambientais baseadas em satélites de menor resolução aplicando métodos de alinhamento espacial baseados em vizinhos mais próximos ou em buffer.
5. Para cada fixação de GPS, atribua o valor de exposição ambiental correspondente a partir do pixel que se cruza ou mais próximo, ou calcule uma média ponderada dos pixels dentro de um raio de buffer definido (por exemplo, 10 m, 30 m) que reflita a incerteza espacial típica do GPS. Certifique-se de que as exposições ambientais sejam atribuídas em uma resolução espaço-temporal compatível com os dados fisiológicos e comportamentais coletados simultaneamente.
Extração de Características
1. Resuma os dados de monitoramento ambiental e de saúde móvel usando métricas-chave, incluindo medidas de tendência central (média, mediana, média ponderada), valores extremos (máximo, mínimo, percentis), variabilidade (desvio padrão, variância, coeficiente de variação, intervalo interquartil) e padrões temporais (frequência de pico, duração acima do limiar, taxa de variação, variação diurna, semanal ou sazonal).
2. Calcule a exposição acumulada a poluentes atmosféricos usando métricas de exposição total (concentração média e dose inalada) e a área sob a curva (AUC). Calcule a dose de poluente inalado (D) durante uma duração de exposição (t) usando a relação abaixo.
  
  com ventilação minuciosa definida como:
  
  onde C é a concentração de poluente no ar inalado (μg/^{m 3}, ppb ou ppm, dependendo da convenção da unidade); é a ventilação mínima, ou seja, o volume total de ar inalado por minuto (L/min); RR é a frequência respiratória (respirações/mínimo); V_T é o volume de maré, o volume de ar inalado por respiração (L/respiração); e t é a duração da exposição (min).
  Note que a dose D é calculada em μg, desde que seja convertida em m³/min (ou seja, dividida por 1000) para manter a consistência unitária.
3. Considerando que sensores respiratórios usados no peito geralmente são caros e pesados de usar continuamente por longos períodos em contextos reais, em comparação com durações de monitoramento de várias horas a alguns dias em experimentos clínicos controlados, avalie a frequência respiratória usando dados de acelerômetro e giroscópio obtidos da pulseira inteligente aplicando algoritmos de aprendizado^{de máquina 50,51}. Para melhorar a precisão da avaliação, um modelo de floresta aleatória geralmente atua como um filtro, rejeitando dados que resultam em leitura imprecisa da frequência respiratória, após o que um modelo de Rede Neural Convolucional (CNN) pode ser usado para extrair a taxa^{respiratória 52,53}.
4. Extraia recursos comportamentais de dados GPS, diários de viagens baseados em smartphones e dados de movimento dos acelerômetros de pulseira. Gere um conjunto de indicadores comportamentais individuais para analisar as associações entre exposição ambiental, comportamento e resultados de saúde. A Tabela 3 resume perfis multiescala nos domínios comportamental, de exposição ambiental e de saúde.
  NOTA: Setas ilustram o alinhamento sequencial dos perfis entre domínios de comportamento, exposição ambiental e saúde.
Análise de Dados
1. Análises descritivas e exploratórias
  1. Realizar estatísticas descritivas iniciais para caracterizar a distribuição, tendência central e variabilidade de todas as variáveis.
  2. Realizar análise de correlação e testes de fatores de inflação de variância (VIF).
  3. Visualize dados de exposição e saúde usando séries temporais, diagramas de caixa e mapas de calor geoepaçáis.
2. Associações agudas e atrasos temporais
  1. Use modelos de lag distribuídos (DLMs).
  2. Agrupe os dados de exposição em blocos de tempo.
  3. Realize análises de sensibilidade.
  4. Aplique métodos de séries temporais (ARIMA, VAR).
3. Associações crônicas e exposições cumulativas
  1. Métricas agregadas de exposição.
  2. Exposição a exames repetidos de saúde.
  3. Use modelos de regressão de efeitos mistos.
  4. Aplique análise longitudinal ou de sobrevivência.
    NOTA: É necessário considerar estratégias de janela de tempo. A Tabela 4 compara diferentes opções de janela de tempo.
4. Análises de mediação e moderação comportamental
  1. Explore a mediação usando SEM ou análise causal.
  2. Analise os efeitos da moderação.
5. Funções de resposta de exposição e curvas dose-resposta
  1. Quantifique as relações exposição-resposta.
  2. Estimar as funções dose-resposta inaladas.
  3. Investigue associações não lineares.
6. Análises longitudinais e do curso de vida
  1. Avalie os efeitos crônicos.
  2. Explore trajetórias de vida.
7. Tratamento e intervenção personalizados
  1. Construa perfis personalizados.
  2. Identifique episódios de alto risco.
  3. Recomende avaliações médicas.
8. Inteligência em saúde populacional
  1. Gere mapas de exposição.
  2. Analise tendências comportamentais.
  3. Avalie as desigualdades em saúde.
  4. Use modelos de aprendizado de máquina.

Domínio Comportamental	Domínio de Exposição Ambiental	Domínio da Saúde
Características transitórias/momentâneas	Perfis de exposição instantânea	Perfis de saúde de curto prazo
Magnitude vetorial do acelerômetro	Exposição em tempo real	Respostas ao estresse cardiorrespiratório
Intensidade instantânea da atividade	Exposição aguda	Alterações agudas na FC, BP, VFC, SpO₂, etc.
Características em nível de episódio/combate	Perfis de exposição em nível de episódio	Eventos arrítmicos de ECG
Hora de início, hora de término, duração	Concentração média de poluentes	Sintomas respiratórios e função
Tipo de atividade	Dose cumulativa de exposição a poluentes	Flutuações específicas da taxa de ventilação por episódio
Tipo de localização	Exposição máxima	Tosse e falta de ar relatadas por conta própria
Interno/externo	Exposição baseada em percentil	Estados psicológicos e de bem-estar
Modo de transporte	Variabilidade da exposição	Humor EMA, estresse, fadiga, etc.
Distância da viagem	Duração de exposição acima do limiar	Estresse cognitivo e afetivo em nível de episódio
Velocidade média da viagem	Exposição à AUC	Encargos agudos de exposição
Propósito da viagem	Exposição interna vs. externa	Perfis de saúde de médio prazo
Intensidade da atividade física	Exposição ao microambiente de transporte	Marcadores cardiovasculares subclínicos
Padrão respiratório	Exposição ao trabalho/casa/lazer	Aumento sustentado da frequência cardíaca ou pressão arterial em repouso
Recursos intersegmentos e no nível diário	Perfis de exposição em nível diário	Escores iniciais de risco de hipertensão
Pausas sedentárias e transições entre estados de atividade	Exposição média diária	Tendências na saúde respiratória
Transições entre ambientes internos e externos	Dose diária de exposição acumulada	Frequência dos episódios de sintomas respiratórios
Transições entre microambientes de transporte	Pico diário de exposição	Declínio na função pulmonar (RR, SpO₂, etc.)
Cadeias de atividades e viagens	Frequência/duração dos picos diários	Status metabólico e de atividade física
Complexidade de atividades/turnês	Exposição mínima diária	MET-min/semana acumulado
Cadeia de Atividades e Viagens	Exposição percentil diária	Distribuição da intensidade da atividade
Estrutura de uso do tempo	Duração diária de exposição acima do limiar	Sono e saúde da recuperação
Espaço de atividade, raio de giro, entropia espacial	Exposição diária ao AUC	Persistência da fadiga além da variação diária
Direção geral de viagem	Variabilidade da exposição diária	Saúde mental e bem-estar
Tempo em Atividade Física Moderada a Vigorosa (MVPA)	Inclinação diária da exposição (taxa de variação)	Reatividade ao estresse, níveis de ansiedade, etc.
Ritmo circadiano	Relação média diária de pico para média	Riscos de exposição acumulada
Padrões habituais de rotina	Perfis de exposição longitudinais	Concentração e dose média de poluentes
Rotineiras diárias de atividades e padrões de viagem	Exposição média de longo prazo	Perfis de saúde de longo prazo
Variabilidade nos padrões diários de atividade e viagem	Dose de exposição cumulativa de longo prazo	Risco e progressão da doença cardiovascular
Cronotipo do ritmo circadiano	Exposição máxima	Desfechos respiratórios e pulmonares
Discrepâncias no ritmo circadiano entre fim de semana e dias úteis	Frequência/duração dos eventos de pico	Desfechos metabólicos e relacionados à obesidade
Regularidade da Mobilidade (trajetória, deslocamento, modo, etc.)	Exposição baseada em percentil	Desfechos em saúde mental
Tendências de longo prazo na atividade física	Tempo acima do limiar	Saúde sistêmica e envelhecimento biológico
Ciclos comportamentais sedentários e ativos	Exposição à AUC	Desfechos funcionais e de qualidade de vida
Horário e regularidade dietética	Variabilidade diária/semanal/mensal/sazonal	Trajetórias de saúde ao longo da vida
Comportamento adaptativo sob extremos ambientais	Mineração em séries temporais de exposição	Inteligência em saúde populacional

Tabela 3: Perfis de dados multiescala do M3-BREATHE. A tabela destaca como as métricas comportamentais se relacionam com os resultados de saúde de curto, médio e longo prazo.

Janela	Caso de Uso	Abordagem de Modelagem	Prós	Contras
1 hora	Efeitos muito agudos	Incluir média móvel de 1 mão como covariável em LME ou séries temporais; ou usar DLNM com atraso horário	Captura picos imediatos; diluição mínima	Barulho alto; precisa de dados de alta resolução; Visão crônica limitada
24 horas	Diário (curto prazo)	média móvel 24 horas em modelo misto; DLNM ou DLM com atraso de 1 dia	Reduz o ruído; alinhado com métricas regulatórias	Pode suavizar os eventos de pico
7 dias	Semanal (subagudo)	Covaria média de 7 dias; DLM com atrasos de até 7 dias	Captura exposição acumulada de curto prazo	Borra a variabilidade diária; suavização moderada
30 dias	Mensal (médio prazo)	média de 30 dias; DLNM com estrutura de atraso mensal	Reflete a carga de exposição recente; mais suave	Erra os picos do dia a dia; assume acumulação linear
90 dias	Sazonal (longo prazo)	Média de 90 dias ou lag distribuído ao longo de ~90d	Captura tendência sazonal	Suaviza demais; confundimento com fatores sazonais
365 dias	Anual (de longo prazo)	Média de 1 ano nos modelos LME ou Cox	Útil para risco crônico; Controles para a temporada	Ignora variações agudas; confuso pelas tendências do envelhecimento

Tabela 4: Estratégias de janela de tempo e abordagens analíticas. Resumo das estratégias de janela de tempo e abordagens analíticas correspondentes usadas para avaliar exposições ambientais em diferentes escalas temporais, destacando sua aplicabilidade, pontos fortes e limitações.

Resultados

Os seguintes resultados representativos foram extraídos de um estudo piloto que integrou sensores portáteis de poluição do ar, diários de atividade-viagem e o bem-estar subjetivo (SWB) auto-relatado em nível de episódio. Os participantes foram obrigados a carregar sensores portáteis de poluição do ar durante suas atividades diárias e viagens por um período contínuo de 48 horas (de sexta a sábado ou de domingo a segunda-feira) e a preencher diários de atividades e viagens acompanhantes. Dados de um total de 112 participantes válidos, de dezembro de 2017 a fevereiro de 2018, na comunidade residencial de Meiheyuan, Pequim, foram incluídos na análise. Esta análise preliminar foca nas inter-relações entre a exposição à PM_2.5 (domínio ambiental), atividades diárias (domínio comportamental) e o SWB cognitivo (domínio da saúde). Embora este piloto ainda não valide todo o pipeline M3-BREATHE, especialmente a integração de sinais fisiológicos (por exemplo, HRV, frequência respiratória) e alertas de exposição em tempo real, ele serve como um exemplo ilustrativo da abordagem analítica. Validação completa de ponta a ponta do sistema multimodal completo é necessária para trabalhos futuros.

Para validar a pipeline de ponta a ponta M3-BREATHE, avaliamos a integridade dos dados (99,3% taxa de captura de dados por GPS e 93,2% taxa de captura do monitor de poluição do ar), precisão da sincronização (≤1 s de assíncronia de tempo entre dados multimodais) e validade da calibração (medições PM_2,5 de sensores de baixo custo apresentaram correlação Pearson de r=0,86 com instrumentos de referência de nível de pesquisa após calibração de colocação). O pipeline integrou dados de trajetória GPS, dados de exposição ambiental e dados de diários auto-reportados, permitindo a identificação de padrões de exposição específicos para atividade e associações exposição-saúde. Esses resultados confirmam a reprodutibilidade e confiabilidade do protocolo M3-BREATHE para monitoramento real de E-M-H.

A Figura 1 representa a concentração média de exposição a PM_2,5 (barras azuis, eixo esquerdo) e as pontuações cognitivas do SWB (linha laranja, eixo direito) em uma variedade de atividades diárias e viagens. Os resultados mostram que as concentrações de exposição a PM_2,5 diferiram significativamente conforme os tipos de atividade. A maior exposição média foi observada durante o sono, indicando alta concentração de poluição do ar em ambientes internos em casa. Isso pode ocorrer porque a área de estudo é comparativamente altamente poluída em comparação com outras partes de Pequim. Outras atividades com concentrações consistentemente altas de exposição incluíam navegar na Internet, entretenimento, estudar e caminhar, todas acima de 20 μg/^{m 3}. Concentrações de exposição em intervalos médios foram encontradas para atividades como trabalho, atividade física, cuidados e viagens (15–20 μg/^{m 3}). As menores exposições foram registradas durante assuntos pessoais, consulta médica, refeições e cuidados pessoais (5–15 μg/^{m 3}). Essas diferenças, baseadas neste estudo piloto, refletem os contextos ambientais específicos em que as atividades ocorrem (indoor vs. outdoor e sedentário vs. ativo). Em contraste, as pontuações cognitivas de SWB mostraram menor variabilidade entre atividades, variando estritamente entre 1,7 e 2,3 (em uma escala de insatisfação de 1 a 5). As menores pontuações de satisfação estavam associadas à consulta ao médico e viagens, seguidas por assuntos pessoais e trabalho, enquanto as maiores pontuações de satisfação estavam associadas à atividade física, entretenimento e atividade social, que muitas vezes são atividades intrinsecamente gratificantes.

Constatou-se que os tipos de atividade associados a concentrações mais altas de exposição a PM_2,5nem sempre corresponderam a menor SWB cognitivo, sugerindo padrões de desacoplamento entre a exposição a PM_2,5 e a SWB cognitiva autorrelatada. Por exemplo, atividade física e entretenimento combinados com exposição elevada e altos escores cognitivos de SWB. Isso pode refletir que o risco à saúde da exposição à PM_2.5pode ser negligenciado ou não estar conscientemente ligado à SWB cognitiva, provavelmente devido à natureza invisível da PM_2.5, que a torna ainda mais insidiosa e difícil de detectar no ambiente. Em comparação, poluentes como SO₂, NO_x e_{O 3} possuem características mais facilmente detectáveis. Por exemplo, SO₂ tem um odor sulfúrico característico e NO_xé frequentemente associado a emissões visíveis de processos industriais e escapamentos de veículos. Esses poluentes gasosos podem causar irritação imediata nos olhos, garganta e sistema respiratório, facilitando a detecção e resposta sem a necessidade de equipamentos especializados. No entanto, o PM_2.5 é o poluente mais perigoso porque pode penetrar nas regiões de troca gasosa do pulmão (alvéolo), e partículas muito pequenas podem passar pelos pulmões para afetar outros órgãos e, assim, causar danos ao sistema^{circulatório 59}. Essa descoberta destaca o desafio único colocado pela PM_2.5, cuja natureza imperceptível e impactos severos na saúde a tornam um risco ambiental crítico, mas frequentemente subestimado em várias atividades diárias.

figure-results-1

Figura 1: PM_2,5exposição concentração e bem-estar cognitivo subjetivo (SWB) por tipo de atividade diária. O bem-estar cognitivo subjetivo (SWB) é medido em uma escala de Likert que varia de 1 (muito satisfeito) a 5 (muito insatisfeito). A figura ilustra variações nos níveis de exposição a partículas finas (PM_2,5, μg/^{m 3}) e nas correspondentes pontuações de bem-estar entre as atividades. Os pontos de dados representam valores observados. Por favor, clique aqui para ver uma versão ampliada desta figura.

Para examinar a relação entre exposição à poluição do ar e bem-estar subjetivo (SWB), este estudo piloto emprega um Modelo Aditivo Generalizado (GAM), permitindo efeitos não lineares flexíveis. Tanto a exposição contemporânea à poluição do ar (AAP) quanto a exposição atrasada da atividade anterior (AAP_1) são modeladas usando funções suaves, enquanto características sociodemográficas (gênero, idade, hukou, educação, estado civil e renda) são incluídas como variáveis de controle. Os resultados mostram que nem o AAP nem o AAP_1 têm efeito estatisticamente significativo sobre o SWB, com valores p de 0,234 e 0,266, respectivamente. Embora os termos suaves estimados sugiram alguns padrões não lineares, esses efeitos não são robustos (Figura 2). Em contraste, certas características individuais apresentam associações mais fortes com a SWB.

Esses achados sugerem que a exposição a poluição atmosférica de curto prazo, seja contemporânea ou atrasada por um episódio de atividade, não influencia significativamente o SWB. Uma possível explicação é que os indivíduos podem não responder imediatamente a flutuações de curto prazo na qualidade do ar, ou que tais efeitos exigem exposição mais longa ou cumulativa para se tornarem detectáveis. Pesquisas futuras poderiam ampliar essa análise incorporando múltiplas estruturas de atraso (por exemplo, exposições de vários episódios de atividade anteriores), usando medidas baseadas em tempo (por exemplo, duração de exposição em nível de um minuto) ou aplicando abordagens alternativas de modelagem, como modelos de atraso distribuído ou métodos de aprendizado de máquina, para capturar melhor os efeitos dinâmicos e cumulativos da poluição do ar sobre o bem-estar.

figure-results-2
Figura 2: Efeitos não lineares da exposição atual e atrasada à poluição do ar sobre o bem-estar subjetivo. As curvas representam estimativas de efeito derivadas do modelo ao longo do tempo, destacando flutuações de curto prazo e respostas retardadas. AAP denota exposição contemporânea, enquanto AAP₁ representa exposição com atraso de uma unidade de tempo (por exemplo, 1 dia). Por favor, clique aqui para ver uma versão ampliada desta figura.

Discussão

Um passo crítico na implantação do protocolo M3-BREATHE é a configuração e sincronização confiáveis de dispositivos multimodais, já que a integridade dos dados depende fortemente de conexões estáveis entre sensores vestíveis, monitores ambientais portáteis e o aplicativo para smartphone. Também é essencial garantir que todos os sensores estejam calibrados de acordo com as especificações dos fabricantes antes de iniciar a inspeção. Idealmente, os dispositivos ambientais portáteis, especialmente o monitor de poluição do ar, devem ser colocados e calibrados em relação a instrumentos de referência de nível de pesquisa antes da implantação, para garantir a validade e precisão das medições para fins de pesquisa.

Em experimentos clínicos controlados ou levantamentos de curto prazo e pequena escala, o uso de uma faixa respiratória no peito fornece parâmetros respiratórios de alta fidelidade (frequência respiratória, volume de maré, ECG), oferecendo maior precisão do que sensores baseados no punho e servindo como base de triangulação para validar suas estimativas algorítmicas. Em contraste, para monitoramento longitudinal em ambientes naturalistas, incluindo uso voluntário pelo consumidor, a combinação de uma pulseira inteligente e um aplicativo de smartphone é preferível, pois esses dispositivos são menos intrusivos e promovem a conformidade sustentada dos participantes. Para estudos com recursos limitados ou preocupações com a carga dos participantes, recomenda-se um kit mínimo composto por uma pulseira inteligente, aplicativo para smartphone e um único monitor de poluentes. Sensores adicionais (por exemplo, faixa respiratória no peito, rastreador de luz dedicado) devem ser considerados com base nos objetivos específicos da pesquisa e orçamento. Recomendações detalhadas para a adaptação do protocolo M3-BREATHE em experimentos clínicos controlados e em estudos/práticas longitudinais do mundo real são fornecidas na Tabela 5.

Domínio de Dados	Métrica (Abreviação)	Experimento clínico controlado				Estudo/prática longitudinal no mundo real
Domínio de Dados	Métrica (Abreviação)	Sensor usado no peito	Pulseira Inteligente	Monitor Ambiental Portátil	App para smartphone	Pulseira Inteligente	Monitor Ambiental Portátil	App para smartphone
Fisiológico	Frequência cardíaca (FC)	ΟΟΟ	ΟΟ			ΟΟΟ
	Variabilidade da Frequência Cardíaca (VFC)	ΟΟΟ	ΟΟ			ΟΟΟ
	Frequência Respiratória (RR)	ΟΟΟ	Ο			ΟΟΟ
	Volume de Maré (TV)	ΟΟ	Ο			ΟΟ
	Eletrocardiograma (ECG)	ΟΟΟ	ΟΟ			ΟΟΟ
	Pressão Arterial (BP)		ΟΟΟ			ΟΟ
	Saturação de Oxigênio no Sangue (SpO₂)		ΟΟΟ			ΟΟ
	Equivalentes Metabólicos (METs)		ΟΟΟ			ΟΟ
	Temperatura da Pele (ST)		ΟΟ			Ο
	Acelerômetro (ACC)		ΟΟ			ΟΟΟ
Meio ambiente	Material Particulado (PM2.5, PM10)			ΟΟΟ			ΟΟΟ
	Monóxido de Carbono (CO)			ΟΟΟ			ΟΟ
	Dióxido de Nitrogênio (NO2)			ΟΟΟ			ΟΟ
	Dióxido de Enxofre (SO₂)			ΟΟ			Ο
	Orgânico Volátil Compostos (COVs)			ΟΟ			ΟΟ
	Ruído (N)			ΟΟΟ	Ο		Ο	ΟΟ
	Temperatura (T)			ΟΟΟ			ΟΟ
	Umidade Relativa (HR)			ΟΟ			Ο
	Exposição à luz (iluminância)			ΟΟΟ			ΟΟ
	Exposição à luz (Luz circadiana A)			ΟΟ			Ο
	Verdor				ΟΟΟ			Ο
Comportamental e Contextual	Localização / Trajetória GPS				ΟΟΟ			ΟΟΟ
	Diário de Atividades e Viagens (ATD)				ΟΟΟ			Ο
	Momento Ecológico Avaliação (EMA)				ΟΟ			Ο
	Características Básicas (BC)				ΟΟΟ			ΟΟΟ
Notas: ΟΟΟ, kit mínimo; Equipamento padrão; Ο, alternativa

Tabela 5: Recomendações para a adaptação do protocolo M3-BREATHE. Resumo dos domínios de medição e níveis de instrumentação em diferentes contextos de estudo (mínimo ΟΟΟ; padrão ΟΟ; Ο alternativa).

Diversas modificações e estratégias de solução de problemas são necessárias ao aplicar esse protocolo em diferentes contextos. Primeiro, em caso de desconexão entre os dispositivos de monitoramento e o smartphone ou períodos superiores a 30 minutos com dados nulos ou inválidos (por exemplo, perda de dados dos parâmetros de saúde devido a falha no sensor ou falta de contato com a pele), relatórios automatizados devem ser gerados aos investigadores para que os participantes possam ser contatados prontamente e resolver o problema. Os investigadores também podem realizar verificações regulares de integridade dos dados. Segundo, para implantações longitudinais do protocolo, a adesão do dispositivo e o gerenciamento de bateria podem apresentar desafios maiores. Os participantes podem ocasionalmente esquecer de usar a pulseira inteligente, recarregar power banks ou preencher os diários de atividades e viagens. Lembretes automatizados dentro do app, monitoramento de backend e prompts diários de agenda são ferramentas eficazes de mitigação.

Apesar de suas vantagens, o M3-BREATHE apresenta várias limitações. Embora as cintas torácicas inteligentes ofereçam medições respiratórias precisas, geralmente são impraticáveis para monitoramento de longo prazo devido à carga do^{participante 60}. Medições baseadas em pulseiras e algoritmos para avaliação da respiração são, portanto, recomendados, embora tenham menor precisão para estimar volume de maré ou detectar arritmias sutis, e seu desempenho possa ser afetado por artefatos de movimento⁶¹. Além disso, a utilização de múltiplos dispositivos de monitoramento ambiental aumenta a possibilidade de falhas de conectividade, clocks não síncronos ou falhas no sensor. Um dispositivo modular integrado para monitoramento multipoluente ou abordagens alternativas (por exemplo, monitoramento de ruído baseado em smartphone) deve ser desenvolvido, com o objetivo de manter a precisão da medição enquanto minimiza o tamanho do dispositivo e maximiza a^{portabilidade 62}. Além disso, a dependência de sistemas autorrelatados dentro do aplicativo (por exemplo, diários de atividade-viagem, prontuários médicos) pode introduzir viés de recordação e aumentar os encargos de conformidade^{de longo prazo 63}. A identificação de atividades e viagens baseada em aprendizado de máquina pode ser^{adotada 64,} enquanto o acompanhamento dos registros de tratamento médico dos profissionais de saúde pode ser conectado perfeitamente ao aplicativo do smartphone por meio de uma interface simples com um clique.

Este visionário M3-BREATHE do mundo real estabelece uma plataforma escalável, não invasiva e econômica para pesquisa e prática longitudinal de nexos ambientais-mobilidade (E-M-H), avançando abordagens existentes. A epidemiologia espacial tradicional frequentemente depende de monitoramento em locais fixos ou proxies residenciais para avaliação de exposição, tornando-a vulnerável ao problema da unidade areal modificável (MAUP) e ao problema do contexto geográfico incerto (UGCoP⁾^21,65. Ao integrar dados comportamentais, fisiológicos e ambientais de exposição comportamental, fisiológica e ambiental multimodais de alta resolução espaço-temporal, esse sistema avança para avaliações individualizadas de exposição independentes de quadro, facilitando a desmontagem da "caixa-preta" comportamental na relação ambiente–^{saúde 66,67}. Ela apoia tanto a interpretação aprofundada individual quanto populacional da dinâmica dose-resposta, ligando exposições multipoluentes em tempo real à reatividade fisiológica e resultados de saúde, possibilitando tratamento e intervenção personalizados, vigilância em saúde pública e pesquisa translacional que vincula exposição ambiental, atividades diárias e mobilidade e resultados de^{saúde 68}, além de facilitar a autogestão da saúde dos indivíduos e a mitigação de riscos para exposições ambientais⁶⁹ (por exemplo, planejador de atividades diárias para evitar perfis históricos pessoais de E-M-H baseados em exposição de alto risco).

Aplicações futuras do M3-BREATHE incluem (1) integração com sistemas de intervenção em tempo real impulsionados por IA, onde alertas personalizados de exposição desencadeiam recomendações de comportamento adaptativo (por exemplo, redirecionamento de deslocamento durante o pico de exposição PM_2.5); (2) implantação em populações vulneráveis (por exemplo, idosos, asmáticos) para avaliar associações específicas de exposição à doença e à saúde e apoiar a medicina de precisão; (3) combinação com dados genômicos para descobrir interações gene-ambiente no desenvolvimento de doenças crônicas; (4) miniaturização de sensores ambientais modulares integrados para reduzir a carga dos participantes e melhorar a adesão a longo prazo; (5) escalonamento entre cidades e países para gerar conjuntos globais de dados E-M-H para pesquisa comparativa em saúde ambiental. Além disso, o protocolo pode ser adaptado para monitorar outros riscos ambientais, substituindo sensores portáteis relevantes.

Divulgações

O autor declara não haver interesses concorrentes.

Materiais

```html

Lista de materiais utilizados neste artigo
Nome	Empresa	Número de catálogo	Comentários
AirBeam	HabitatMap	AirBeam-3	PM1, PM2.5, PM10, temperatura, umidade
AirVisual Pro	IQAir	Pro	AQI, PM2.5, CO2, temperatura, umidade.
Atmotube Pro	Atmotube	Pro	PM1, PM2.5, PM10,TVOC, temperatura, umidade, pressão barométrica
BioNomadix BioShirt	BioPac	BN-BIOSHIRT-Fx	Camisa inteligente sem fio com eletrodos de tecido embutidos e sensores de respiração, capaz de registrar sinais de ECG e respiração.
Extech SL355 Personal Noise Dosimeter	Extech	SL355	registra SPL, Leq, Pico, etc.
Fitbit Sense	Fitbit	2	Frequência cardíaca, ECG, SpO₂, níveis de estresse, sono, GPS
FITVII GT5 Pro Max	FITVII	https://fitvii.com/products/gt5-pro-charger	Frequência cardíaca, Pressão arterial, ECG, glicemia, SpO₂, sono, modos esportivos
GAOTek Compact Personal Noise Dosimeter	GAO Tek	ASLM-341	registra SPL, Leq, Pico, etc.
Go Direct Respiration Belt	Vernier	GDX-RB	Monitor de respiração com faixa peitoral usando sensores de tensão ou expansão para detectar expansão ou contração torácica
Hexoskin Smart Shirt	Hexoskin	N/A	Vestuário inteligente com sensores têxteis embutidos para monitoramento contínuo da frequência respiratória, frequência cardíaca, ventilação, atividade, sono, etc
Huawei Band	Huawei	9	Frequência cardíaca, SpO₂, estágios do sono, frequência respiratória, detecção de arritmia
Inkbird Air Quality Monitor	Inkbird	N/A	PM2.5, PM10, HCHO, TVOC, CO, CO₂, temperatura, umidade
La Roche-Posay My Skin Track UV	La Roche-Posay	My Skin Track UV	prendida na roupa; mede UVA e UVB; solar
Miniaturized Light Dosimeter	Wearifi	BLE Light Dosimeter	até 8 canais de dosimetria espectral (por exemplo, UV → IR), mede a dose cumulativa de luz; bom para rastreamento de exposição a longo prazo.
Moto Watch 120	Motorola	https://www.phonearena.com/news/motorola-moto-watch-120-us-release-price-specs-features-official_id161375	Frequência cardíaca, sono, SpO₂, estresse, 100+ modos esportivos
Personal Noise Dosimeter SV-104A	Svantek	SV 104A	registra SPL, Leq, TWA, Pico, etc.
Prana Air Pocket PM2.5 Monitor	PranaAir	N/A	PM1, PM2.5, PM10, AQI
Smart Health Wristband	VIYIWOK	https://www.ebay.com/itm/306538996133	Frequência cardíaca, sono, estresse, modos esportivos
Smart Watch Fitness Tracker	TYKOIT	https://www.tykoit.com/product/senior-friendly-smart-watch-no-phone-app-needed	Frequência cardíaca, SpO₂, sono, passos, calorias
SunSprite Personal Light Tracker	GoodLux Technology	SunSprite	prendida na roupa; mede luz visível e UV; solar
Temtop Air Station	‎Elitech	P1,M2000	PM2.5, PM10, AQI, temperatura, umidade e clima
Xiaomi Smart Band	Xiaomi	9	Frequência cardíaca, SpO₂, estágios do sono, níveis de estresse

```

Referências

Zhang, Y., Kwan, M. P. Considering human mobility is essential for accurate environmental exposure assessment. Sci. Bull. , (2025).
Zinsstag, J., et al. Advancing one human-animal-environment health for global health security: what does the evidence say. Lancet. 401 (10376), 591-604 (2023).
Le, H. T., Poom, A. Advancing environmental exposure and health impact assessment research with travel behaviour studies. Transp. Rev. 44 (4), 733-742 (2024).
Tian, Y., Chen, C., Sagoe-Crentsil, K., Zhang, J., Duan, W. Intelligent robotic systems for structural health monitoring: Applications and future trends. Autom. Constr. 139, 104273(2022).
Wong, D. W. The modifiable areal unit problem (MAUP). WorldMinds: Geographical Perspectives on 100 Problems: Commemorating the 100th Anniversary of the Association of American Geographers 1904-2004. , Springer Netherlands. Dordrecht. 571-575 (2004).
Parenteau, M. P., Sawada, M. C. The modifiable areal unit problem (MAUP) in the relationship between exposure to NO₂ and respiratory health. Int. J. Health Geogr. 10 (1), 58(2011).
Jelinski, D. E., Wu, J. The modifiable areal unit problem and implications for landscape ecology. Landsc. Ecol. 11 (3), 129-140 (1996).
Cai, G., Hao, Y. Guiding geospatial analysis processes in dealing with modifiable areal unit problems. 13th Int. Conf. on Geographic Information Science (GIScience 2025), , Schloss Dagstuhl-Leibniz-Zentrum für Informatik. 14-1 (2025).
Goodchild, M. F. Geographical information science. Int. J. Geogr. Inf. Syst. 6 (1), 31-45 (1992).
Kwan, M. P., Schwanen, T. Geographies of mobility. Ann. Am. Assoc. Geogr. 106 (2), 243-256 (2016).
Hayward, P. M. The modifiable areal unit problem (MAUP) and health disparities. , University of Connecticut. PhD thesis (2009).
Tobler, W. R. Frame independent spatial analysis. Accuracy of Spatial Databases. , 115-122 (1989).
Wong, D. Aggregation effects in geo-referenced data. Practical Handbook of Spatial Statistics. , CRC Press. 83-106 (2020).
Kwan, M. P. From place-based to people-based exposure measures. Soc. Sci. Med. 69 (9), 1311-1313 (2009).
Fang, T. B., Lu, Y. Personal real-time air pollution exposure assessment methods promoted by information technological advances. Ann. GIS. 18 (4), 279-288 (2012).
Kwan, M. P. The limits of the neighborhood effect: contextual uncertainties in geographic, environmental health, and social science research. Ann. Am. Assoc. Geogr. 108 (6), 1482-1490 (2018).
Liu, Y., Kwan, M. P., Yu, C. The uncertain geographic context problem (UGCoP) in measuring people’s exposure to green space using the integrated 3S approach. Urban For. Urban Green. 85, 127972(2023).
Kwan, M. P. The uncertain geographic context problem. Ann. Assoc. Am. Geogr. 102 (5), 958-968 (2012).
Fusco, G., Caglioni, M., Emsellem, K., Merad, M., Moreno, D., Voiron-Canicio, C. Questions of uncertainty in geography. Environ. Plan. A. 49 (10), 2261-2280 (2017).
Kwan, M. P., Neutens, T. Space-time research in GIScience. Int. J. Geogr. Inf. Sci. 28 (5), 851-854 (2014).
Park, Y. M., Kwan, M. P. Individual exposure estimates may be erroneous when spatiotemporal variability of air pollution and human mobility are ignored. Health Place. 43, 85-94 (2017).
Ma, J., Tao, Y., Kwan, M. P., Chai, Y. Assessing mobility-based real-time air pollution exposure in space and time using smart sensors and GPS trajectories in Beijing. Smart Spaces and Places. , Routledge. 102-116 (2021).
Thomas, D., Stram, D., Dwyer, J. Exposure measurement error: influence on exposure-disease relationships and methods of correction. Annu. Rev. Public Health. 14 (1), 69-93 (1993).
Wu, Y., et al. Methods to account for uncertainties in exposure assessment in studies of environmental exposures. Environ. Health. 18 (1), 31(2019).
Racz, L., Rish, W. Exposure monitoring toward environmental justice. Integr. Environ. Assess. Manag. 18 (4), 858-862 (2021).
Vandenberg, L. N., et al. Addressing systemic problems with exposure assessments to protect the public’s health. Environ. Health. 21 (Suppl 1), 121(2023).
Wei, L., et al. Validity of mobility-based exposure assessment of air pollution: A comparative analysis with home-based exposure assessment. Environ. Sci. Technol. 58 (24), 10685-10695 (2024).
Schmitz, O., et al. A computational framework for agent-based assessment of multiple environmental exposures. J. Expo. Sci. Environ. Epidemiol. , 1-13 (2025).
Tian, W., Cao, K., Feng, Q. The impact of environmental exposure on the health of older adults: A review from the GIScience perspective. Trans. GIS. 29 (3), e70056(2025).
Reck, D. J., Martin, H., Axhausen, K. W. Mode choice, substitution patterns and environmental impacts of shared and personal micro-mobility. Transp. Res. D Transp. Environ. 102, 103134(2022).
Brottrager, M., Crespo Cuaresma, J., Kniveton, D., Ali, S. H. Natural resources modulate the nexus between environmental shocks and human mobility. Nat. Commun. 14 (1), 1393(2023).
Guo, W., He, J., Yang, W. Association between outdoor jogging behavior and PM₂.₅ exposure: Evidence from massive GPS trajectory data in Beijing. Sci. Total Environ. 947, 174759(2024).
Cyriac, J., et al. Improvements in diet and physical activity–related psychosocial factors among African Americans using a mobile health lifestyle intervention to promote cardiovascular health: The FAITH! App pilot study. JMIR Mhealth Uhealth. 9 (11), e28024(2021).
Rafiq, R., McNally, M. G., Uddin, Y. S., Ahmed, T. Impact of working from home on activity-travel behavior during the COVID-19 Pandemic: An aggregate structural analysis. Transp. Res. A Policy Pract. 159, 35-54 (2022).
Farnham, A., et al. Travel behaviours and health outcomes during travel: profiling destination-specific risks in a prospective mHealth cohort of Swiss travellers. Travel Med. Infect. Dis. 47, 102294(2022).
Fanning, J., Brooks, A. K., Irby, M. B., N’Dah, K. W., Rejeski, W. J. Associations between patterns of daily stepping behavior, health-related quality of life, and pain symptoms among older adults with chronic pain: A secondary analysis of two randomized controlled trials. Clin. Interv. Aging. , 459-470 (2024).
Guo, W., Schwanen, T., Brand, C., Chai, Y. The associations of real-time and perceived air pollution exposure with episode-level subjective wellbeing: A case study of a suburban community in Beijing. Health and Place. 94, 103477(2025).
Abernethy, A., et al. The promise of digital health: then, now, and the future. NAM Perspect. 2022, 10-31478 (2022).
Kickbusch, I., et al. The Lancet and Financial Times Commission on governing health futures 2030: growing up in a digital world. Lancet. 398 (10312), 1727-1776 (2021).
Poongodi, M., Sharma, A., Hamdi, M., Maode, M., Chilamkurti, N. Smart healthcare in smart cities: Wireless patient monitoring system using IoT. J. Supercomput. 77 (11), (2021).
Steinhubl, S. R., Muse, E. D., Topol, E. J. The emerging field of mobile health. Sci. Transl. Med. 7 (283), 283rv3(2015).
Almotiri, S. H., Khan, M. A., Alghamdi, M. A. Mobile health (m-health) system in the context of IoT. 2016 IEEE 4th International Conference on Future Internet of Things and Cloud Workshops (FiCloudW), , 39-42 (2016).
Tiele, A., Esfahani, S., Covington, J. Design and development of a low-cost, portable monitoring device for indoor environment quality. J. Sens. 2018 (1), 5353816(2018).
van Duijnhoven, J., et al. Measuring light exposure in daily life: A review of wearable light loggers. Build. Environ. , 112771(2025).
Fischer, T., Schraivogel, S., Caversaccio, M., Wimmer, W. Are smartwatches a suitable tool to monitor noise exposure for public health awareness and otoprotection. Front. Neurol. 13, 856219(2022).
Haddad, C., Sacre, H., Obeid, S., Salameh, P., Hallit, S. Validation of the Arabic version of the “12-item short-form health survey” (SF-12) in a sample of Lebanese adults. Arch. Public Health. 79 (1), 56(2021).
Wade, D., Varker, T., Forbes, D., O'Donnell, M. The Alcohol Use Disorders Identification Test-Consumption (AUDIT-C) in the assessment of alcohol use disorders among acute injury patients. Alcohol. Clin. Exp. Res. 38 (1), 294-299 (2014).
Lee, P. H., Macfarlane, D. J., Lam, T. H., Stewart, S. M. Validity of the international physical activity questionnaire short form (IPAQ-SF): A systematic review. Int. J. Behav. Nutr. Phys. Act. 8 (1), 115(2011).
Farrahi Moghaddam, J., Nakhaee, N., Sheibani, V., Garrusi, B., Amirkafi, A. Reliability and validity of the Persian version of the Pittsburgh Sleep Quality Index (PSQI-P). Sleep Breath. 16 (1), 79-82 (2012).
Liaqat, D., et al. WearBreathing: Real world respiratory rate monitoring using smartwatches. Proc. ACM Interact. Mob. Wearable Ubiquitous Technol. 3 (2), 1-22 (2019).
Takahashi, Y., et al. Accuracy of heart rate and respiratory rate measurements using two types of wearable devices. Prog. Rehabil. Med. 7, 20220016(2022).
Hernandez, J., McDuff, D., Picard, R. W. Biowatch: estimation of heart and breathing rates from wrist motions. 2015 9th International Conference on Pervasive Computing Technologies for Healthcare (PervasiveHealth), , 169-176 (2015).
Natarajan, A., Su, H. W., Heneghan, C., Blunt, L., O’Connor, C., et al. Measurement of respiratory rate using wearable devices and applications to COVID-19 detection. NPJ Digit. Med. 4 (1), 136(2021).
Guo, W., Schwanen, T., Brand, C., Chai, Y. The associations of real-time and perceived air pollution exposure with episode-level subjective wellbeing: A case study of a suburban community in Beijing. Health Place. 94, 103477(2025).
Yu, M., et al. Developing high-resolution PM2.5 exposure models by integrating low-cost sensors, automated machine learning, and big human mobility data. Front. Environ. Sci. 11, 1223160(2023).
Xia, C., Yeh, A. G. Mobility as a response to environmental hazards in the urban context: A new perspective on mobility and inequality. Travel Behav. Soc. 27, 192-203 (2022).
Guo, W., Chai, Y., Kwan, M. P. Travel-related exposure to air pollution and its socio-environmental inequalities: Evidence from a week-long GPS-based travel diary dataset. Spatiotemporal Analysis of Air Pollution and Its Application in Public Healt. , 293-309 (2020).
Dritsas, E., Trigka, M. Efficient data-driven machine learning models for cardiovascular diseases risk prediction. Sensors. 23 (3), 1161(2023).
Amini, H. WHO air quality guidelines need to be adopted. Int. J. Public Health. 66, 1604483(2021).
Vitazkova, D., et al. Advances in respiratory monitoring: a comprehensive review of wearable and remote technologies. Biosensors. 14 (2), 90(2024).
Mayorga-Vega, D., Casado-Robles, C., López-Fernández, I., Viciana, J. Activity wristband-based physical activity recommendations in young people. Sci. Sports. 37 (4), 303-315 (2022).
Fanti, G., et al. Features and practicability of the next-generation sensors and monitors for exposure assessment to airborne pollutants: a systematic review. Sensors. 21 (13), 4513(2021).
Möller, A., Kranz, M., Schmid, B., Roalter, L., Diewald, S. Investigating self-reporting behavior in long-term studies. Proc. SIGCHI Conf. Hum. Factors Comput. Syst, , 2931-2940 (2013).
Koushik, A. N., Manoj, M., Nezamuddin, N. Machine learning applications in activity-travel behaviour research: a review. Transp. Rev. 40 (3), 288-311 (2020).
Li, J., et al. Five-year lung cancer mortality risk analysis and topography in Xuan Wei: a spatiotemporal correlation analysis. BMC Public Health. 19 (1), 173(2019).
Le, H. T., Poom, A. Advancing environmental exposure and health impact assessment research with travel behaviour studies. Transp. Rev. 44 (4), 733-742 (2024).
Guo, W., Schwanen, T., Brand, C., Chai, Y. Exploring the complex relationships between air pollution, life satisfaction and mental health through the lens of daily activity-travel patterns: The case of a suburban residential community in Beijing. J. Transp. Geogr. 127, 104300(2025).
Kaufman, J. D., Curl, C. L. Environmental health sciences in a translational research framework: more than benches and bedsides. Environ. Health Perspect. 127 (4), 045001(2019).
Peerbolte, T. F., et al. Conversational agents supporting self-management in people with a chronic disease: systematic review. J. Med. Internet Res. 27, e72309(2025).

Reimpressões e permissões

Explorar mais artigos

Monitoramento de Saúde Móvel Monitoramento Multimodal Sinais Fisiológicos Exposições Ambientais Função Respiratória Rastreamento por GPS Alertas de Aprendizado de Máquina Avaliação de Saúde Personalizada Dados Ambientais Urbanos Monitoramento de Saúde Longitudinal

M3-BREATHE do Mundo Real: Rumo ao Monitoramento Multimodal Móvel de Comportamento, Respiração e Exposições para Tratamento e Avaliação de Saúde