Técnicas de aprendizado de máquina para classificação de decúbitos para prevenção de lesões por pressão

Historicamente, as lesões por pressão representam um problema relevante de saúde pública, que geram grandes prejuízos clínicos aos pacientes e impactos econômicos às famílias e instituições. A prevenção dessas lesões é essencial e, embora sejam evitáveis por meio de protocolos preventivos, tem-se ainda espaço para o desenvolvimento e aperfeiçoamento de tecnologias assistivas para o mesmo propósito. Nesse contexto, observa-se que a capacidade de identificar o posicionamento do indivíduo no leito é uma base promissora para aplicação em diversos tipos de sistemas — desde alertas para enfermeiros, até atuação em redistribuição de pressão automática. Alinhado a essa necessidade, este trabalho tem como objetivo geral implementar e avaliar o desempenho de diferentes técnicas de machine learning na classificação de decúbitos, a partir de mapas de pressão reais. A metodologia utiliza um conjunto de dados de acesso aberto composto por matrizes de sensores de pressão, registrando 17 posturas de 13 participantes. São explorados três algoritmos como ferramentas de classificação: Florestas Aleatórias, K-Nearest Neighbors e Redes Neurais Convolucionais (RNC). Os modelos são avaliados sob duas abordagens de validação, uma baseada na segmentação aleatória do banco de dados e outra na divisão por pacientes, através da estratégia de Leave-One-Subject-Out. Os resultados da primeira abordagem indicam acurácias próximas de 99%, enquanto os da segunda variam de 45% a 57%, no entanto, apresentam uma característica mais realista para a generalização com pacientes inéditos. Nesta situação a RNC se destaca com uma acurácia inicial superior e com a vantagem de extrair características sem a necessidade de processamento manual. Com isso, realiza-se a otimização de hiperparâmetros da RNC para o cenário de 17 classes e, o modelo selecionado estabiliza seu desempenho em torno de 80%. Posteriormente, ao mapear os erros decorrentes da semelhança física entre posturas análogas, realiza-se uma nova otimização estrutural na rede para 8 posições mais relevantes, o que eleva a acurácia global para a faixa de 90%. Dessa forma, conclui-se que o método desenvolvido é bastante promissor e estabelece uma possível base tecnológica para diversos tipos de sistemas automatizados que objetivam a prevenção de eventos adversos.

Resumo (inglês)

Historically, pressure injuries have represented a significant public health issue, causing substantial clinical harm to patients as well as economic burdens on families and healthcare institutions. Preventing these injuries is essential and, although they are largely avoidable through preventive protocols, there remains considerable opportunity for the development and improvement of assistive technologies aimed at the same purpose. In this context, the ability to identify a patient’s body position in bed emerges as a promising foundation for a wide range of applications, from alert systems for healthcare professionals to automated pressure redistribution systems. In line with this need, the main objective of this study is to implement and evaluate the performance of different machine learning techniques for body position classification based on real pressure maps. The proposed methodology uses an open-access dataset composed of pressure sensor matrices acquired from 13 participants performing 17 body positions. Three classification algorithms are investigated: Random Forests, K-Nearest Neighbors, and Convolutional Neural Networks (CNN). The models are evaluated under two validation strategies: random dataset partitioning and pacient-based split using the Leave-One-Subject-Out strategy. The results obtained with the first partitioning approach indicate classification accuracies close to 99%, whereas the second strategy yields accuracies ranging from 45% to 57%, providing a more realistic assessment of the models’ ability to generalize to unseen subjects. Under this evaluation, the CNN achieves the highest initial accuracy while offering the additional advantage of automatically extracting relevant features without requiring manual feature engineering. Subsequently, the CNN hyperparameters are optimized for the 17-class scenario, leading to a model that stabilizes its performance at approximately 80% accuracy. After analyzing the classification errors associated with the physical similarity among analogous body positions, a new structural optimization is performed considering the eight most relevant positions, increasing the overall classification accuracy to approximately 90%. Therefore, the proposed method demonstrates considerable potential and establishes a technological foundation for the development of automated systems aimed at preventing pressure injuries and other related adverse events.

Palavras-chave

Lesão por pressão Mapa de pressão Classificação de decúbitos Aprendizado de máquinas Pressure injury Pressure map In-bed posture classification Machine learning

Idioma

Português

Citação

SANCHES, Carolina Berton. Técnicas de aprendizado de máquina para classificação de decúbitos para prevenção de lesões por pressão. 2026 83 f. Dissertação (Mestrado em Engenharia Mecânica) - Universidade Estadual Paulista, Faculdade de Engenharia, Ilha Solteira, 2026.