Dores nos ombros, braços e mãos podem ser os primeiros sinais de problemas capazes de comprometer a saúde e até afastar trabalhadores de suas atividades. Para ajudar a identificar esses sintomas de forma precoce, pesquisadores da Universidade Federal de Alagoas (Ufal) desenvolveram uma ferramenta que combina inteligência artificial e psicometria para classificar diferentes níveis de desconforto musculoesquelético.
Desenvolvido no Campus do Sertão, em Delmiro Gouveia, o estudo alcançou desempenho superior a 96% nos testes. Os resultados foram publicados na Expert Systems with Applications, revista científica internacional de referência nas áreas de inteligência artificial, engenharia e computação.
A pesquisa nasceu de um projeto de iniciação científica realizado no ciclo 2024-2025 do Programa Institucional de Bolsas de Iniciação Científica (Pibic) da Ufal. Participaram diretamente os estudantes Jesus Ferreira Gomes Tavares e Ayume Oliveira Santos, sob orientação do professor Jonhatan Magno Norte da Silva.
O artigo, intitulado Integration of item response theory and machine learning for automated prediction in occupational health and safety, também reúne pesquisadores vinculados à Universidade de São Paulo (USP), Universidade Federal da Paraíba (UFPB), Universidade Federal do Amapá (Unifap), Universidade Federal da Grande Dourados (UFGD) e Universidade do Estado do Pará (Uepa).
Tecnologia para prevenir problemas de saúde
Os distúrbios musculoesqueléticos relacionados ao trabalho podem estar associados a movimentos repetitivos, posturas mantidas por longos períodos e sobrecarga muscular. Além de afetarem a qualidade de vida, essas condições podem provocar afastamentos do trabalho.
Um dos desafios para a prevenção é que a avaliação do desconforto depende, em grande parte, do relato do próprio trabalhador. Para tornar essa análise mais objetiva, os pesquisadores combinaram a Teoria de Resposta ao Item (TRI), modelo estatístico usado para medir características que não podem ser observadas diretamente, com algoritmos de aprendizado de máquina.
O estudo avaliou 300 trabalhadores de Alagoas, Bahia e Paraíba, divididos em quatro grupos profissionais: trabalhadores da indústria calçadista, professores, técnicos de enfermagem e profissionais do comércio varejista.
Os participantes responderam a um questionário sobre a frequência de desconforto em dez regiões dos membros superiores, entre elas ombros, braços, cotovelos, antebraços e mãos.
A partir das respostas, os pesquisadores construíram uma escala com seis níveis, do desconforto mínimo ao máximo. Depois, seis algoritmos de inteligência artificial foram treinados para reconhecer esses padrões e indicar individualmente o nível apresentado por cada trabalhador.
“O modelo funciona como um ‘sistema especialista substituto’: incorpora o conhecimento técnico da psicometria validada e o transforma em uma ferramenta escalável, capaz de classificar o risco de um trabalhador individualmente e em tempo real, sem precisar reaplicar toda a análise estatística populacional a cada novo caso”, explica Jonhatan Magno.
Precisão acima de 96%
Entre os modelos testados, a Máquina de Vetores de Suporte (SVM) apresentou o melhor equilíbrio entre desempenho e estabilidade. Após cinco mil reamostragens estatísticas, o algoritmo alcançou índice F1 de 96,1%, métrica que considera tanto a precisão quanto a capacidade de identificar corretamente as diferentes classificações.
A equipe também utilizou uma técnica de inteligência artificial explicável chamada Shap. Com ela, foi possível identificar quais sintomas tiveram maior peso nas previsões. Mãos, antebraços e cotovelos apareceram entre as regiões mais relevantes.
Isso permite que profissionais de ergonomia, saúde e segurança do trabalho não recebam apenas uma classificação pronta, mas também compreendam quais regiões do corpo mais contribuíram para o resultado.
Os pesquisadores destacam, no entanto, que a tecnologia foi desenvolvida como ferramenta de apoio à triagem e ao acompanhamento dos trabalhadores. Ela não substitui avaliações clínicas ou ergonômicas realizadas por profissionais especializados.
Tecnologia pode chegar a celulares
Uma das possibilidades abertas pelo estudo é transformar a metodologia em plataformas digitais para acompanhamento contínuo da saúde musculoesquelética.
“Isso abre caminho para aplicativos móveis ou sistemas embarcados de triagem ergonômica contínua em ambientes de Indústria 4.0”, projeta Jonhatan.
O avanço também pode permitir, futuramente, a integração da ferramenta com sensores vestíveis, informações biomecânicas e sistemas capazes de recomendar intervenções personalizadas de acordo com o nível de desconforto identificado.
Antes disso, a equipe considera necessários novos estudos. A amostra atual está concentrada em três estados nordestinos, e a metodologia deverá ser testada com trabalhadores de outros setores e regiões. Outra etapa será comparar as previsões da inteligência artificial com avaliações clínicas, limitações funcionais, afastamentos e diagnósticos posteriores.
Pesquisa já rende novos resultados
O trabalho desenvolvido no Campus do Sertão também começa a gerar outros resultados acadêmicos. Jesus Ferreira utilizou o artigo como base para defender seu Trabalho de Conclusão de Curso (TCC), na modalidade de artigo científico.
O estudo está entre os finalistas na categoria de melhor TCC em Engenharia de Produção do Brasil e será apresentado durante o 46º Encontro Nacional de Engenharia de Produção (Enegep), na Escola Politécnica da USP, em São Paulo.
“Vamos apresentar na sessão de finalistas do Enegep, que será na Poli-USP, em São Paulo”, adianta Jonhatan.
A pesquisa terá ainda um novo desdobramento. Resultados obtidos no ciclo 2025-2026 do Pibic serão utilizados pela equipe para encaminhar um pedido de registro de software, abrindo caminho para transformar o conhecimento científico desenvolvido em Alagoas em uma solução tecnológica voltada às demandas da sociedade.
O artigo científico foi publicado em acesso aberto no volume 315 da Expert Systems with Applications, sob licença Creative Commons. O estudo completo pode ser consultado pelo DOI 10.1016/j.eswa.2026.131759.
