Interfaces Cerebrais de Circuito Fechado Baseadas em IA Podem Personalizar o Treinamento Cognitivo para Adultos Mais Velhos

A deterioração cognitiva em adultos mais velhos representa um dos desafios mais urgentes do envelhecimento global, mas as intervenções não farmacológicas digitais (dNPIs) atuais — incluindo treinamento cognitivo computadorizado (CCT), estimulação cerebral não invasiva (NIBS) e neurofeedback — apresentam eficácia inconsistente. O problema central identificado por pesquisadores de Stanford é uma incompatibilidade fundamental: os sistemas existentes utilizam designs populacionais padronizados que ignoram as dinâmicas neurocognitivas em tempo real de cada indivíduo, resultando em ganhos cognitivos variáveis e frequentemente decepcionantes, especialmente no que diz respeito aos efeitos de transferência para as atividades da vida diária.

Para resolver isso, os autores propõem um framework de interface humano-máquina (HMI) em circuito fechado, composto por três componentes integrados. A camada de sensores captura sinais neurocognitivos multimodais do sistema nervoso central (SNC), sistema nervoso periférico (SNP) e comportamento — utilizando modalidades como EEG, fNIRS, ECG, EMG, EOG, rastreamento ocular e câmeras. O controlador aplica algoritmos baseados em IA para decodificar estados cognitivos em tempo real, traduzindo sinais multimodais de fácil aquisição em previsões de métricas neurais de difícil aquisição. O atuador externo, por sua vez, ajusta a dNPI — seja por meio da dificuldade adaptativa de tarefas cognitivas, parâmetros de neuroestimulação ou conteúdo de biofeedback — para manter o engajamento ideal dos recursos neurocognitivos.

O artigo inclui uma revisão sistemática guiada pelo PRISMA dos estudos de HMI em circuito fechado existentes, testados em adultos mais velhos ou com comprometimento cognitivo (pesquisados no PubMed, Web of Science, IEEE Xplore e outras bases até novembro de 2024). As principais descobertas da Tabela 1 da revisão revelam que a maioria dos estudos são ensaios de viabilidade quase-experimentais com amostras pequenas, que dependem de sensores unimodais — principalmente EEG ou ECG — e se concentram na autorregulação da neurofisiologia em estado de repouso, em vez de processos cognitivos específicos de domínio, como memória de trabalho, atenção ou velocidade de processamento. Apenas um estudo identificado utilizou sensores bimodais (Microsoft Kinect associado a ECG) para treinamento cognitivo-físico em múltiplos domínios de controle cognitivo. Nenhum estudo existente incorporou princípios de design voltados para o envelhecimento que considerassem usabilidade, vestibilidade ou aspectos de validade do sinal específicos para adultos mais velhos.

Uma contribuição central deste framework é a formalização de critérios de design "voltados para o envelhecimento" em três dimensões: usabilidade (simplicidade, vestibilidade, acessibilidade para uso doméstico e clínico), confiabilidade (consistência na aquisição de sinais e fidedignidade do feedback) e validade (reflexo preciso dos estados neurocognitivos relevantes para o envelhecimento cognitivo). Os autores enumeram especificamente as barreiras associadas ao envelhecimento que sistemas anteriores ignoraram — redução da condutividade da pele, atrofia cerebral, flacidez muscular, tremores, fadiga cognitiva, comprometimentos sensoriomotores e redução da velocidade de processamento — todos capazes de degradar a qualidade do sinal, prolongar as curvas de aprendizado e comprometer a adesão a longo prazo.

A estratégia de personalização está fundamentada no conceito teórico de "incompatibilidade entre demanda e oferta" de recursos cognitivos, em que o sistema em circuito fechado ajusta continuamente os parâmetros da intervenção para alinhar o estado neurocognitivo atual do indivíduo aos limiares ideais de engajamento. Os autores vislumbram que esse framework possibilite ganhos cognitivos sustentáveis e transferíveis — não apenas melhora nas tarefas treinadas — ao direcionar os circuitos neurais subjacentes de domínios cognitivos específicos. As principais ressalvas incluem a ausência de evidências de ensaios clínicos randomizados e controlados para HMIs em circuito fechado nessa população, a heterogeneidade dos estudos existentes e a natureza conceitual (em vez de empírica) do próprio framework proposto, que aguarda validação prospectiva.