Dores nos ombros, braços e mãos podem ser os primeiros sinais de problemas capazes de afastar um trabalhador de suas atividades. No Campus do Sertão da Ufal, pesquisadores desenvolveram uma ferramenta que integra inteligência artificial e psicometria para reconhecer esses sinais, classificar diferentes níveis de desconforto musculoesquelético e apoiar ações preventivas em saúde ocupacional.

Resultado de um projeto de iniciação científica, o estudo alcançou desempenho superior a 96% nos testes e foi publicado na Expert Systems with Applications, uma das principais revistas científicas internacionais nas áreas de inteligência artificial, engenharia e computação.

Intitulado Integration of item response theory and machine learning for automated prediction in occupational health and safety, o artigo apresenta uma metodologia que combina psicometria e aprendizado de máquina para tornar a triagem ergonômica mais objetiva, individualizada e escalável.

O trabalho teve origem em um projeto de iniciação científica desenvolvido no ciclo 2024-2025 do Programa Institucional de Bolsas de Iniciação Científica (Pibic) da Ufal. A pesquisa contou com a participação direta dos estudantes Jesus Ferreira Gomes Tavares e Ayume Oliveira Santos, sob a orientação do professor Jonhatan Magno Norte da Silva, do Campus do Sertão, em Delmiro Gouveia.

Além dos pesquisadores da Ufal, o artigo também reúne autores 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 voltada à saúde do trabalhador

Os distúrbios musculoesqueléticos relacionados ao trabalho estão associados a fatores como movimentos repetitivos, posturas mantidas por longos períodos e sobrecarga muscular. Além de comprometerem a qualidade de vida, essas condições representam uma das principais causas de afastamento laboral no Brasil, e daí a importância da ideia da ferramenta desenvolvida.

O professor Jonhatan contextualiza que a avaliação do desconforto costuma depender do relato subjetivo dos trabalhadores. Para enfrentar essa limitação, os pesquisadores integraram duas ferramentas: a Teoria de Resposta ao Item (TRI), modelo estatístico utilizado para mensurar características que não podem ser observadas diretamente, e algoritmos de aprendizado de máquina, capazes de reconhecer padrões nos dados e realizar classificações automatizadas.

O estudo avaliou 300 trabalhadores de Alagoas, Bahia e Paraíba, distribuídos em quatro grupos profissionais: Trabalhadores da indústria calçadista, professores, técnicos de enfermagem e profissionais do comércio varejista. Os participantes responderam a um questionário validado sobre a frequência de desconforto em dez regiões dos membros superiores, incluindo ombros, braços, cotovelos, antebraços e mãos.

Com base nas respostas, a TRI permitiu construir uma escala hierárquica composta por seis níveis, que vão do desconforto mínimo ao máximo. Em seguida, seis algoritmos de aprendizado de máquina foram treinados para reconhecer os padrões da escala e classificar individualmente o nível de desconforto 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”, explicou o professor Jonhatan Magno.

Modelo alcançou desempenho superior a 96%

Entre os modelos avaliados, a Máquina de Vetores de Suporte, conhecida pela sigla SVM, apresentou o melhor equilíbrio entre desempenho e estabilidade. Nos testes realizados por meio de cinco mil reamostragens estatísticas, o algoritmo alcançou índice F1 de 96,1%. Essa métrica considera a precisão e a capacidade do modelo de identificar corretamente as diferentes classificações.

Os pesquisadores também empregaram uma técnica de inteligência artificial explicável, chamada Shap, para identificar quais sintomas tiveram maior influência nas classificações. Os resultados apontaram as regiões das mãos, dos antebraços e dos cotovelos entre as mais relevantes para as previsões.

O artigo ressalta que esse é um aspecto importante da proposta porque permite que profissionais de ergonomia, saúde e segurança do trabalho compreendam os fatores considerados pelo sistema. Dessa forma, a ferramenta não atua apenas como uma “caixa-preta” que apresenta resultados, mas oferece informações sobre as regiões anatômicas que mais contribuíram para cada classificação.

Segundo os autores, o sistema deve ser entendido como uma ferramenta de apoio à triagem e ao monitoramento, e não como substituto de avaliações clínicas ou ergonômicas realizadas por profissionais especializados.

Possibilidade de aplicação em celulares e sistemas industriais

A metodologia desenvolvida tem várias aplicabilidades em plataformas digitais capazes de acompanhar continuamente a saúde musculoesquelética dos trabalhadores. Jonhatan projeta: “Isso abre caminho para aplicativos móveis ou sistemas embarcados de triagem ergonômica contínua em ambientes de Indústria 4.0”.

Os pesquisadores ressaltam que a amostra foi concentrada em três estados do Nordeste e que são necessários novos estudos com trabalhadores de outros setores e regiões. Também será importante comparar as classificações do modelo com avaliações clínicas, limitações funcionais e indicadores como afastamentos e diagnósticos futuros.

“Trabalhos futuros poderão explorar modelos híbridos, que combinem métodos simbólicos e estatísticos para ampliar a interpretabilidade no apoio às decisões ergonômicas; sistemas de aprendizagem adaptativa; integração com sensores vestíveis ou dados biomecânicos; e sistemas de recomendação que sugiram intervenções personalizadas com base nos níveis de desconforto previstos”, enumera o trabalho sobre as possibilidades de aprofundar o tema e abrir caminhos para avanços científicos.

A publicação está disponível em acesso aberto na revista Expert Systems with Applications, volume 315, sob licença Creative Commons. O artigo completo pode ser consultado pelo DOI 10.1016/j.eswa.2026.131759.

Reconhecimentos

O trabalho articulado sob a orientação do professor Jonhatan Magno tem gerado resultados acadêmicos importantes. O aluno Jesus Ferreira utilizou o artigo para defender o TCC na modalidade de artigo científico e o trabalho está entre os finalistas na modalidade de melhor TCC em Engenharia de Produção do Brasil.

“Vamos apresentar na sessão de finalistas do Enegep [Encontro Nacional de Engenharia de Produção], que será na Poli-USP, em São Paulo”, adiantou o professor sobre a 46ª edição do evento organizado pela Associação Brasileira de Engenharia de Produção (Abepro).

Já os desdobramentos das pesquisas, que foram conduzidas no ciclo 2025-2026 do Pibic serão encaminhadas pela equipe realizar um pedido de registro de software, reforçando a capacidade técnica e a qualidade científica da Ufal para as demandas da sociedade.