Google estima idade de saúde com dados de wearables
Sistema experimental calcula idade fisiológica a partir de passos, sono e frequência de repouso, simula 12 semanas de mudança de rotina e gera um plano. Validado em coortes retrospectivas e sem ensaio clínico prospectivo até aqui.
O Google Research publicou em 11 de novembro de 2026 a descrição de um sistema experimental que parte de dados coletados passivamente por relógios e pulseiras inteligentes para estimar o que a equipe chama de idade de saúde treinável — uma estimativa de idade fisiológica calculada apenas a partir de hábitos que a pessoa pode mudar. O texto é assinado pelas pesquisadoras Zeinab Esmaeilpour e Ahmed A. Metwally.
O trabalho tem três camadas: a métrica de idade de saúde em si, um modelo que simula como o corpo responderia a mudanças de rotina ao longo de 12 semanas, e um agente que converte essas simulações em um plano de acompanhamento. Uma quarta etapa acrescenta exames de sangue de rotina para separar sinais de desgaste cardiovascular, renal e metabólico.
Dois pontos devem ficar claros desde o início, e o próprio Google os declara: todas as avaliações foram feitas de forma retrospectiva, sobre coortes de pesquisa já existentes, e os modelos são protótipos de investigação, não ferramentas de diagnóstico clínico. Nada do que está descrito foi testado em estudo prospectivo.
O que é a idade de saúde treinável
A métrica, chamada Coachable Health Age (CHA), usa como entrada quatro sinais que dispositivos de consumo registram sozinhos: frequência cardíaca de repouso, contagem diária de passos, duração do sono e minutos semanais em zona ativa. Opcionalmente entram VO2 máximo estimado, regularidade do horário de sono e um indicador de resistência à insulina.
Como esses sinais se sobrepõem — quem caminha mais tende a dormir melhor e a ter frequência de repouso menor —, a sobreposição é ajustada estatisticamente, para que cada hábito contribua com sua parcela própria. O resultado prático é a diferença entre a idade de saúde calculada e a idade cronológica: um valor negativo indica perfil fisiológico mais jovem que o esperado para a idade.
A validação usou três coortes, somando cerca de 27 mil participantes segundo o preprint correspondente:
- All of Us, programa de pesquisa dos Estados Unidos, com 22.748 participantes e mais de 68 mil pessoas-ano de acompanhamento. Quem tinha idade de saúde acima da idade de calendário no início apresentou mais ocorrências de hipertensão, doença cardiovascular ou diabetes tipo 2 ao longo de oito anos. A análise de sobrevivência considerou 18.423 participantes livres de doença no início, e a inclusão da métrica melhorou a previsão de risco em relação a usar apenas idade, sexo e índice de massa corporal — com efeito mais claro abaixo dos 50 anos.
- Coorte longitudinal de usuários de Fitbit, com 1.464 pessoas acompanhadas por dois anos em janelas de três meses. A idade de saúde caiu entre quem sustentou mudanças de hábito.
- Estudo WEAR-ME, em que a métrica apresentou alinhamento melhor do que relógios de envelhecimento treinados contra idade cronológica, quando comparada a um escore adaptado do Life’s Essential 8 da American Heart Association, a um escore de gravidade de síndrome metabólica e à percepção de saúde relatada pelo próprio participante.
SensorWM: um modelo de mundo para prever respostas fisiológicas
A segunda peça é o SensorWM, descrito como um modelo de mundo condicionado a ações, pré-treinado sobre 2,28 milhões de pessoas-semana de dados de sensores de cerca de 100 mil usuários de Fitbit que consentiram com o uso. A partir de duas semanas de medições de base, ele projeta 20 marcadores fisiológicos ao longo de 12 semanas, sob diferentes combinações de passos, sono e exercício cardiovascular.
O Google reporta desempenho superior ao do TimesFM, modelo de propósito geral para séries temporais, com coeficiente de determinação de 0,664 na previsão de resposta multissemanal, e afirma que as projeções preservam padrões clínicos associados a diabetes, hipertensão e resistência à insulina. Em termos simples, o modelo não é uma calculadora de metas: ele é usado para simular cenários hipotéticos, o chamado raciocínio contrafactual — o que aconteceria se a pessoa mudasse determinada rotina.
O encadeamento funciona em três passos. Primeiro, 125 combinações possíveis de hábitos para 12 semanas são simuladas por pessoa, contra uma projeção de manutenção da rotina atual. Depois, um otimizador com restrições de viabilidade pondera a redução de idade de saúde contra a flexibilidade real da rotina e limites de segurança — o texto cita alvos de 2,3 anos de redução para quem tem agenda flexível e 1,3 ano para rotinas mais engessadas. Por fim, um agente baseado em modelo de linguagem transforma os melhores caminhos em um plano progressivo de 12 semanas.
Como o sistema foi avaliado por treinadores e médicos
A avaliação humana foi cega e comparativa. Cinco treinadores certificados em estilo de vida e cinco médicos revisaram 49 perfis distribuídos em cinco personas comportamentais, totalizando 490 revisões pareadas; a avaliação automatizada cobriu a coorte WEAR-ME completa, com 2.780 participantes.
Os treinadores preferiram o plano fundamentado em simulação contrafactual em 71,4% das avaliações, com significância estatística reportada (p menor que 0,001), e consideraram esse plano mais propenso a sustentar adesão de longo prazo em 71,0% dos casos. Os médicos julgaram que 99,2% dos planos ficaram dentro de limites seguros de intensidade de exercício e que 97,6% eram corretos nas afirmações fisiológicas.
As razões declaradas para a preferência são o dado mais informativo do conjunto: o contraste explícito entre manter a rotina atual e mudar determinado hábito foi citado por 92% dos avaliadores clínicos, contra 8% do plano alternativo, e a sensação de agência — a pessoa entender que a escolha é dela — apareceu em 97% contra 59%. Ou seja, o ganho percebido vem menos da precisão numérica e mais da forma de apresentar a decisão.
Idade de saúde CKM com biomarcadores de sangue
A quarta etapa trata da síndrome cardiovascular-renal-metabólica, ou CKM, definida em declaração da American Heart Association de outubro de 2023 para descrever a sobreposição entre doença cardiovascular, doença renal crônica e distúrbios metabólicos, que antes eram avaliados em separado.
Essa parte foi avaliada em 819 participantes do WEAR-ME e combina os sinais de wearable com três exames de rotina: relação colesterol total sobre HDL, taxa de filtração glomerular estimada e o índice HOMA-IR. Um escore de desvio normalizado mede o quanto cada marcador se afasta dos limites considerados saudáveis.
O achado principal é de ordem estrutural: desgaste metabólico e cardiovascular aparecem correlacionados — o preprint reporta correlação de 0,26 entre eles —, enquanto o comprometimento renal inicial surge de forma amplamente independente. No mesmo estudo, 29,0% dos participantes apresentaram comprometimento significativo, com predominância do fenótipo cardiovascular isolado (13,3%), seguido do metabólico (9,1%) e do renal (6,25%), e 2,2% com comprometimento duplo metabólico e cardiovascular. Contagem de passos, minutos em zona ativa e frequência cardíaca de repouso foram os principais preditores entre os sinais de wearable. A diferença de idade de saúde CKM apresentou correlação de -0,58 com o escore adaptado do Life’s Essential 8 e de 0,65 com a gravidade de síndrome metabólica.
Limitações declaradas e o que falta comprovar
O próprio Google delimita o alcance do resultado, e a delimitação é relevante. As avaliações foram offline, sobre coortes retrospectivas de pesquisa; os modelos são protótipos de investigação sem validação clínica; e a pergunta central — se um ciclo de acompanhamento baseado em cenários hipotéticos realmente cria hábitos duradouros e melhora desfechos de saúde a longo prazo — depende de ensaios prospectivos que ainda não foram feitos.
Há ressalvas adicionais que decorrem do próprio desenho. A coorte principal é norte-americana, o que limita a generalização para outras populações, inclusive a brasileira, e o pré-treinamento depende de uma base proprietária de usuários de uma marca específica de dispositivo. A preferência de treinadores e médicos mede qualidade percebida de um plano, não efeito sobre a saúde de quem o seguiria. E a etapa CKM, a mais promissora do conjunto por envolver três sistemas de órgãos, é também a de menor amostra, com 819 pessoas.
Do lado das possibilidades, o atrativo é operacional: os quatro sinais de entrada já são coletados por dispositivos comuns, sem exame adicional nem esforço do usuário, e a lógica de contrafactual oferece uma saída para um problema conhecido dos escores de risco — eles informam a probabilidade de adoecer, mas não dizem o que mudar. Para profissionais de saúde, a leitura útil é que a abordagem pode vir a servir como apoio à conversa com o paciente, não como substituto de avaliação clínica. Para quem usa esses dispositivos, nada no material autoriza decisão de saúde baseada em um número de idade de saúde.
Fontes e referências
- Google Research — “Using wearables to enable cardiovascular-kidney-metabolic (CKM) risk profiling for personalized coaching”, Zeinab Esmaeilpour e Ahmed A. Metwally, 11 de novembro de 2026 — research.google
- arXiv 2611.08568 — “Personalized health coaching via coachable health age and counterfactual wearable trajectories”, 5 de novembro de 2026 — arxiv.org
- arXiv 2603.27787 — “Cardiovascular-Kidney-Metabolic Health Age Using Wearables and Blood Biomarkers”, 29 de março de 2026 — arxiv.org
- American Heart Association — declaração presidencial que define a síndrome cardiovascular-renal-metabólica, outubro de 2023 — professional.heart.org
- All of Us Research Program — programa de pesquisa dos National Institutes of Health usado na validação — allofus.nih.gov
