SLEEP CHANGES IN AGING: ADVANCES IN DIGITAL TECHNOLOGIES AND ARTIFICIAL INTELLIGENCE
REGISTRO DOI: 10.69849/revistaft/ch10202510191158
Jonatas Meira Guerreiro1; Marina Gonçalves Damasceno; Ana Beatriz Luiza Cardoso Alves; Eliott Cavalcante de Mesquita; Isa Gabriela Almeida Luis; Jennyffer Lohanny Carneiro Lopes Lemos; João Vitor Prestes Araujo Cruz Beleza; Marta Maria Cavalcante Souza; Luiz Fabiano Azevedo de Freitas; Paulo Henrique Almendra de Andrade; Francielle Alba Moraes2.
Resumo
O envelhecimento está associado a alterações fisiológicas significativas na arquitetura do sono, como a redução do sono profundo, a fragmentação noturna e a diminuição da eficiência, que contribuem para a elevada prevalência de distúrbios como insônia, apneia obstrutiva do sono, síndrome das pernas inquietas e sonolência diurna. Este artigo tem como objetivo analisar as principais mudanças do sono em idosos e discutir as aplicações de tecnologias digitais e da inteligência artificial no diagnóstico, monitoramento e prognóstico dessas alterações. Para tanto, realizou-se uma revisão narrativa da literatura, com buscas sistematizadas em bases indexadas internacionais entre 2020 e 2025. Os resultados evidenciam que dispositivos como actígrafos, wearables, sensores de colchão e métodos contactless ampliam a capacidade de rastreamento remoto e longitudinal do sono, ainda que apresentem limitações quanto à acurácia em comparação à polissonografia. Modelos de inteligência artificial demonstram desempenho satisfatório na classificação automática de estágios, na detecção de apneia a partir de sinais simplificados e na previsão da qualidade do sono, configurando-se como ferramentas promissoras para a prática clínica e para a saúde pública. Entretanto, persistem desafios quanto à generalização dos algoritmos em populações idosas, à aderência ao uso contínuo de dispositivos, às barreiras impostas por multimorbidades e ao risco de desigualdade digital. Conclui-se que o emprego de tecnologias digitais e algoritmos de inteligência artificial representa um avanço relevante para o cuidado do sono em idosos, mas sua adoção plena requer validações robustas, estratégias inclusivas e análise de custo-efetividade que assegurem segurança, acessibilidade e impacto positivo na qualidade de vida.
Palavras-chave: Sono. Idosos. Distúrbios do sono. Tecnologias digitais. Inteligência artificial.
1 INTRODUÇÃO
O sono é um processo biológico essencial para o funcionamento físico, mental e cognitivo. Com o avanço da idade, ocorrem mudanças na arquitetura do sono: aumento da fragmentação, diminuição do sono profundo, latência para iniciar o sono maior e menor eficiência do sono. Tais alterações estão associadas a múltiplas consequências adversas, como declínio cognitivo, piora do humor, risco de quedas, doenças metabólicas e cardiovasculares.
Estudos recentes dão conta de que distúrbios do sono são extremamente prevalentes entre idosos. Uma metanálise global com adultos idosos residentes em comunidade estimou prevalências próximas de 46,0 % para apneia obstrutiva do sono, 40,0 % para qualidade do sono pobre, 29,0 % para insônia, e 19,0 % para sonolência diurna excessiva (CANEVER et al., 2024). Em outra revisão sistemática, os distúrbios do sono avaliados pelo PSQI atingiam cerca de 45 % da população com 60 anos ou mais, com prevalências ainda maiores (≈ 48 %) em indivíduos com 70 anos ou mais (FU et al., 2025).
Além disso, entre idosos com comprometimento cognitivo leve ou fragilidade cognitiva (“cognitive frailty”), a qualidade do sono tem sido indicada como significativamente alterada: um estudo recente com mais de 1.100 participantes mostrou que ~ 64,4 % apresentavam distúrbios do sono (PSQI ≥ 7), evidenciando que essa população vulnerável sofre com maior gravidade dos problemas relacionados ao sono (HE et al., 2025).
Apesar da alta prevalência e do impacto na saúde, o diagnóstico e o acompanhamento desses distúrbios enfrentam barreiras. Exames padrão-ouro, como polissonografia, são caros, pouco acessíveis, desconfortáveis e difíceis de implementar de forma longitudinal em domicílio para idosos com mobilidade reduzida ou com múltiplas comorbidades. É nesse cenário que tecnologias emergentes — dispositivos vestíveis, sensores contactless, radar, apps móveis — e modelos de inteligência artificial ganham destaque, pois prometem monitoramento remoto, menor custo, menor intrusão e capacidade de coletar dados por longos períodos em ambientes naturais.
Em particular, recentemente foi demonstrado que tecnologias contactless (sensores sob o colchão, radares de cabeceira) podem estimar com precisão os batimentos cardíacos e a frequência respiratória de idosos residentes em comunidade, inclusive detectar distúrbios respiratórios durante o sono, com erro absoluto médio baixo; essas tecnologias permitem monitoramento noturno sem uso de dispositivos sobre o corpo (GRAVINDRAN et al., 2024). Outro estudo sistemático avaliou dispositivos não-invasivos para medição do sono em adultos de meia-idade a idosos, mostrando que, embora muitos dispositivos superestimem o tempo total de sono e a eficiência do sono em comparação com a polissonografia, eles têm utilidade promissora especialmente para monitoramento longitudinal e em estudos de Alzheimer ou declínio cognitivo (GREEN et al., 2022).
Entretanto, persistem incertezas e lacunas: quais desses dispositivos são realmente válidos em idosos; sua aderência em uso domiciliar; como lidam com comorbidades, fragilidade, variabilidade inter-noite; os vieses no algoritmo; privacidade e aceitabilidade por parte do usuário idoso. Essas questões apontam para a necessidade de uma avaliação crítica da literatura recente com foco em tecnologias + IA aplicadas ao sono no envelhecimento.
Diante desse contexto, o presente estudo tem como objetivo realizar uma revisão de literatura sobre os distúrbios do sono em idosos, com ênfase no papel das tecnologias digitais e da inteligência artificial para rastreio, diagnóstico e monitoramento domiciliar, destacando suas potencialidades, limitações e implicações práticas para a atenção à saúde de populações idosas. A justificativa reside na relevância social e clínica de melhorar a detecção e o manejo dos distúrbios do sono no idoso, o que pode impactar qualidade de vida, capacidade funcional, saúde mental, cognitiva e reduzir custos em saúde.
2 FUNDAMENTAÇÃO TEÓRICA OU REVISÃO DA LITERATURA
2.1 Alterações do Sono no Envelhecimento
O envelhecimento é acompanhado por alterações robustas na arquitetura do sono, manifestadas por uma diminuição progressiva do sono de ondas lentas (estágio N3), aumento da fragmentação noturna e redução da eficiência do sono. Estudos recentes têm demonstrado que a duração e a amplitude dos slow waves (SWS) declinam com a idade, e que a própria definição de N3 baseada em limiares fixos pode subestimar essa redução em populações idosas, o que tem implicações metodológicas para estudos clínicos e epidemiológicos. Essas modificações refletem alterações neurofisiológicas no circuito tálamo-cortical e na regulação circadiana, contribuindo para sono mais superficial e despertares noturnos mais frequentes (DAVIDSON et al., 2025; ISHII et al., 2024).
Além da perda de sono profundo, a microarquitetura do sono também sofre alterações relevantes com o envelhecimento: a densidade, duração e acoplamento dos sleep spindles são reduzidos, e o padrão de acoplamento entre slow oscillations e spindles tende a deteriorar-se. Essa alteração no acoplamento — fundamental para a consolidação da memória durante o sono — tem sido associada a pior desempenho cognitivo e a marcadores precoces de declínio neurocognitivo em estudos longitudinais e transversais. Assim, mudanças subtis na dinâmica de fusos e slow waves constituem biomarcadores promissores para identificação de risco cognitivo em idosos (ZÜST et al., 2023; ORLANDO et al., 2024).
Quanto aos distúrbios do sono propriamente ditos, insônia, apneia obstrutiva do sono (AOS), síndrome das pernas inquietas (SPI) e sonolência diurna excessiva permanecem altamente prevalentes na população idosa e frequentemente coexistem com as alterações da arquitetura. A AOS em idosos pode apresentar manifestação clínica atípica, e tanto a fragmentação do sono quanto a sonolência diurna estão associadas a piores desfechos cardiometabólicos e funcionais. A presença simultânea de microalterações (redução de N3 e fusos) e distúrbios respiratórios intensifica o risco de declínio cognitivo e de eventos adversos, evidenciando a necessidade de avaliação objetiva e integrada do sono no idoso (JAQUA et al., 2022; GOTTESMAN et al., 2024).
Os impactos clínicos e sociais decorrentes dessas alterações são substanciais: redução do sono profundo e maior fragmentação noturna têm sido associados de forma consistente ao declínio cognitivo, ao aumento do risco de quedas, à piora da funcionalidade e à diminuição da qualidade de vida em idosos. Essas consequências elevam a demanda por serviços de saúde e impõem custos diretos e indiretos significativos, o que reforça a importância de estratégias de detecção e intervenção precoces, bem como de pesquisas que melhorem a sensibilidade dos métodos diagnósticos em contextos geriátricos (ISHII et al., 2024; GOTTESMAN et al., 2024).
2.2 Tecnologias Digitais para Monitoramento do Sono
Nas últimas décadas, a monitorização do sono deslocou-se do ambiente laboratorial para o domicílio, impulsionada por métodos portáteis e tecnologias digitais que permitem acompanhamento longitudinal e menos intrusivo. Essas soluções variam de actígrafos, consolidado instrumento de pesquisa para estimativa do sono-vigília a partir do movimento, a wearables comerciais, sensores contactless sob o colchão e abordagens baseadas em sinais ambientais (Wi-Fi, radar). Cada tecnologia apresenta vantagens e limitações específicas quando aplicada à população idosa e, em conjunto, ampliam as possibilidades de rastreio populacional e de pesquisa translacional (YUHAN et al., 2024; BIRRER et al., 2024).
2.2.1 Actigrafia
A actigrafia mantém papel central como ferramenta validada para estimar parâmetros grossos do sono (tempo total de sono, latência e despertares) em estudos populacionais e ensaios clínicos, por sua robustez, baixo custo e tolerabilidade para uso prolongado. Contudo, pesquisas recentes apontam que a actigrafia tende a superestimar o sono leve e subestimar despertares, além de oferecer baixa precisão para classificação por estágios (especialmente N2/N3 e REM), limitando sua utilidade quando a caracterização microarquitetural é necessária. Em idosos, há evidências de que esses vieses podem ser maiores devido à maior fragmentação do sono e à amplitude reduzida dos movimentos, o que recomenda cautela na interpretação isolada de dados de actígrafo (YUHAN et al., 2024; GHAZI et al., 2025).
2.2.2 Dispositivos vestíveis (wearables)
Wearables como smartwatches, smartbands e smart rings têm incorporado sensores multimodais (acelerômetros, PPG para frequência cardíaca e variabilidade, e em alguns modelos oximetria) e algoritmos de machine learning para estimativa de sono e até classificação de estágios. Estudos de validação recentes mostraram progresso: modelos comerciais (p. ex. Oura Ring, Apple Watch, Fitbit) alcançam desempenho aceitável para medir tempo total de sono e detectar vigília, embora a concordância com polissonografia varie por dispositivo e algoritmo, e a acurácia de classificação de estágios continue limitada. Para idosos, o potencial reside no rastreio remoto contínuo e no monitoramento de tendências individuais; entretanto, questões de aderência (uso contínuo, conforto), compatibilidade com condições cutâneas e fome de validação específica em amostras geriátricas permanecem como entraves (Robbis et al., 2024; BIRRER et al., 2024).
2.2.3 Sensores de cama / colchão inteligente
Sensores under-mattress e dispositivos bedside baseados em pressão, vibração ou radar oferecem monitorização contactless de sinais respiratórios, frequência cardíaca e movimentos, sendo especialmente atrativos para idosos que têm dificuldade ou relutância em usar dispositivos corporais. Avaliações recentes demonstram boa correlação com sinais cardiorrespiratórios e desempenho promissor na estimativa de tempo de sono versus PSG em amostras variadas; ainda assim, sua precisão para distinguir estágios do sono é inferior à polissonografia e pode ser influenciada por fatores como tipo de colchão, posição de sono e presença de companheiro de cama. Essas tecnologias apresentam vantagem clara em conforto e aceitabilidade domiciliar, mas exigem mais estudos de validação em populações idosas com multimorbidade (GROSS-ISSELMANN et al., 2024; MANNERS et al., 2024).
As tecnologias digitais ampliam significativamente a capacidade de rastrear o sono fora do laboratório e oferecem ferramentas valiosas para pesquisa e cuidado longitudinal em idosos; entretanto, a heterogeneidade de desempenho entre dispositivos, a necessidade de validação específica em amostras geriátricas e as questões de aceitabilidade e privacidade demandam avaliação crítica antes de adoção clínica generalizada. As seções seguintes exploram a aplicação de inteligência artificial para processar esses dados e as evidências de validação em populações idosas (CHUNG et al., 2024; TORUNER et al., 2025).
2.2.4 Tecnologias emergentes de ambiente
As tecnologias contactless para monitorização do sono, notadamente técnicas baseadas em Wi-Fi sensing, radares Doppler e câmeras infravermelho/termal, têm avançado rapidamente e oferecem alternativas não invasivas ao uso de dispositivos corporais, com potencial especial para idosos que rejeitam ou não toleram wearables. Essas abordagens exploram perturbações em sinais de rádio (channel state information), reflexões Doppler e imagens térmicas para inferir movimentos torácicos, frequência respiratória, frequência cardíaca aproximada e eventos de microdespertar, permitindo assim monitorização contínua durante o sono sem contato físico com o usuário (FANG; LIU; ZHANG, 2023; LIN et al., 2024).
O estado da arte mostra progressos importantes: estudos experimentais e revisões recentes demonstram que sistemas de radar contínuo e Wi-Fi sensing conseguem detectar movimentos respiratórios e padrões de cabeça/corpo com alta sensibilidade em condições controladas, e que o processamento por algoritmos de aprendizado de máquina melhora a robustez frente a ruído ambiental. Pesquisas combinando radar com algoritmos de classificação têm inclusive apresentado desempenho promissor na triagem de apneia obstrutiva do sono, sugerindo utilidade como ferramenta de rastreio pré-PSG em populações clínicas. Paralelamente, imagens térmicas e câmeras infravermelho têm mostrado boa acurácia na estimativa de taxa respiratória e na detecção movimentos associados ao despertar, especialmente quando calibradas com referência em polissonografia (LIN et al., 2024; ALVES et al., 2025).
As aplicações mais promissoras em residências e instituições de longa permanência incluem: (1) rastreamento passivo de alterações respiratórias noturnas e movimento que possam sinalizar piora clínica (p. ex., início/agudização de apneia, exacerbação respiratória); (2) detecção precoce de padrões de mobilidade noturna que aumentem risco de quedas (levantar-se à noite) e permitam alertas a cuidadores; (3) monitorização longitudinal para avaliar tendências do sono em programas de cuidado, reabilitação ou estudos observacionais; e (4) integração multimodal (radar + under-matress + dados clínicos) para aumentar a sensibilidade e especificidade da triagem. Essas aplicações são particularmente relevantes em lares de longa permanência, onde a instalação de sistemas contactless pode reduzir o incômodo ao residente e a carga logística do monitoramento contínuo (G RAVINDRAN et al., 2024; EGMOSE et al., 2025).
A adoção segura e eficaz dessas tecnologias em contextos geriátricos provavelmente dependerá de três elementos: validação clínica rigorosa em amostras de idosos (incluindo aqueles com fragilidade e comprometimento cognitivo), desenvolvimento de algoritmos explicáveis e robustos a heterogeneidade ambiental, e protocolos claros de privacidade/consentimento que envolvam residentes, familiares e equipes de cuidado. Enquanto a literatura demonstra viabilidade técnica e promissora performance de triagem, são necessários ensaios pragmáticos e estudos de implementação para confirmar benefícios clínicos e aceitabilidade em residências e instituições de longa permanência (LIN et al., 2024; YIN; XU; REN, 2023).
2.3 Inteligência Artificial Aplicada ao Sono
A aplicação de técnicas de inteligência artificial (IA), especialmente métodos de aprendizado profundo, transformou a classificação automática dos estágios do sono ao permitir análise de grandes volumes de dados fisiológicos com desempenho cada vez mais comparável ao padrão-ouro. Recentemente, revisões sistemáticas têm destacado que abordagens baseadas em redes neurais convolucionais e modelos híbridos (CNN + LSTM, Transformers) alcançam alta precisão na classificação de estágios do sono (WARA et al., 2025).
Por exemplo, Liu et al. (2024) revisam sistemas classificação automática de estágios de sono via deep learning (DL-SSC), detalhando sinais, representações de dados e arquiteturas de rede utilizadas. Em um contexto aplicado a idosos, o estudo “Wearable sleep recording augmented by AI” demonstrou que dispositivos vestíveis combinados com IA (modelo SeqSleepNet) foram capazes de realizar classificação de sono em participantes idosos (com e sem Alzheimer) com alta acurácia, mostrando o potencial dessas tecnologias para triagem não invasiva em populações geriátricas.
No campo da detecção de apneia do sono, modelos de IA têm sido treinados a partir de sinais simplificados como oximetria noturna e padrões respiratórios derivados de sensores, com o objetivo de estimar índices de apneia-hipopneia (AHI) ou classificar episódios respiratórios disruptivos. O sistema SleepAI, por exemplo, integra algoritmos de IA para estágio de sono e diagnóstico de OSA a partir de dados de oximetria e já passou por validação clínica comparativa ao padrão-ouro (PSG) em adultos (ATTIA et al., 2025). Outro estudo publicado recentemente mostrou um smartwatch com algoritmo de IA que estimou o AHI e classificou apneia, comparando com resultados de polissonografia, com desempenho aceitável, sugerindo viabilidade em uso domiciliar (KIM et al., 2025).
Modelos preditivos ou de prognóstico (forecasting) têm sido desenvolvidos para antecipar noites de baixa qualidade de sono ou risco de fragmentação, insônia e pior desempenho de sono com base em séries temporais longitudinais e variáveis contextuais. Um estudo de Du et al. (2023) construiu modelos que predizem má qualidade de sono em adultos mais velhos usando variáveis demográficas, saúde e comportamentais, com bons indicadores de sensibilidade e especificidade. Essas abordagens permitem intervenções preventivas e monitoramento contínuo em ambientes domiciliares, com potencial para aplicação em saúde pública.
2.4 Validação e Limitações em Idosos
A validação das tecnologias digitais e dos algoritmos de inteligência artificial voltados para o sono ainda enfrenta obstáculos relevantes quando aplicados à população idosa. Um dos principais desafios é o problema da generalização: a maior parte dos dispositivos vestíveis e modelos de aprendizado de máquina têm sido testados em adultos jovens saudáveis, com padrões de sono mais estáveis e sinais fisiológicos mais robustos. Essa limitação metodológica compromete a acurácia das ferramentas quando utilizadas em idosos, que apresentam maior fragmentação do sono, redução do sono ondas lentas e alterações na amplitude dos sinais captados, como eletroencefalograma e variabilidade da frequência cardíaca (KANG et al., 2023; HEREMANS et al., 2025).
Outro aspecto crítico refere-se às características clínicas dessa população, frequentemente marcadas por multimorbidades, uso de polifármacos, fragilidade e mobilidade reduzida. Essas condições não apenas impactam a arquitetura do sono, mas também geram maior variabilidade interindividual, reduzindo a confiabilidade dos algoritmos quando aplicados de forma indiscriminada. Estudos recentes ressaltam que a presença de doenças crônicas, como demência, diabetes e cardiopatias, modifica significativamente os padrões de sono, demandando modelos de IA ajustados a esses perfis clínicos (LIU et al., 2024; DU et al., 2023).
A aderência ao uso contínuo de dispositivos constitui outra barreira. Embora os wearables tenham se popularizado, idosos frequentemente relatam desconforto, dificuldades de manuseio e irritação cutânea, fatores que reduzem a utilização a longo prazo. Em indivíduos com comprometimento cognitivo, a aceitação dessas tecnologias é ainda menor, o que compromete a coleta de dados em ambientes domiciliares ou institucionais (AZIZ et al., 2025).
Por fim, existem limitações éticas e práticas que não podem ser negligenciadas. O monitoramento do sono gera dados sensíveis, cujo processamento em nuvem envolve riscos à privacidade e à segurança digital. Além disso, a dependência de conectividade estável e infraestrutura tecnológica amplia a desigualdade digital, uma vez que muitos idosos não possuem acesso a internet de qualidade ou familiaridade com tecnologias digitais. Esse cenário reforça a necessidade de estratégias inclusivas, protocolos de proteção de dados e desenvolvimento de soluções acessíveis para que as inovações tecnológicas beneficiem de forma equitativa a população idosa (WARA et al., 2025; HEREMANS et al., 2025).
2.5 Síntese Crítica e Lacunas Identificadas
Apesar dos avanços tecnosômicos, aplicar IA e tecnologias digitais ao sono de idosos traz desafios significativos. Um obstáculo central é a generalização dos algoritmos: muitos modelos foram treinados e validados em amostras majoritariamente jovens saudáveis, sem incorporar a variabilidade fisiológica dos idosos (alterações no EEG, amplitude reduzida de sinais, mais ruído). Isso pode levar a perda de acurácia e confiabilidade nos resultados quando esses algoritmos são aplicados a populações geriátricas. Por exemplo, embora o pipeline U-PASS tenha alcançado 85 % de acurácia em um conjunto clínico, esse desempenho foi testado apenas em pacientes com apneia, não em grupos mais diversos de idosos (HERMANS et al., 2024).
3 METODOLOGIA
O presente estudo foi desenvolvido na forma de revisão narrativa da literatura, com elementos sistemáticos de busca, seleção e análise crítica dos artigos, visando sintetizar as principais evidências recentes acerca das alterações do sono em idosos e do uso de tecnologias digitais e inteligência artificial aplicadas ao monitoramento e diagnóstico.
A busca bibliográfica foi realizada entre os meses de janeiro e julho de 2025 em bases de dados científicas reconhecidas pela abrangência e relevância: PubMed/MEDLINE, Scopus, Web of Science, Embase, Cochrane Library e IEEE Xplore. Foram priorizados artigos publicados no período de 2020 a 2025, com o objetivo de garantir atualidade às evidências, especialmente em relação ao avanço das tecnologias digitais e algoritmos de inteligência artificial.
Os resultados das buscas foram exportados e organizados em planilhas eletrônicas para remoção de duplicatas. Em seguida, procedeu-se à triagem dos títulos e resumos para verificar adequação ao escopo da revisão. Os artigos selecionados foram lidos na íntegra, e aqueles que atendiam aos critérios de inclusão foram incorporados à análise.
Os critérios de inclusão adotados foram: (a) estudos originais ou revisões sistemáticas que incluíssem amostras de idosos (≥ 60 anos, ou conforme a definição utilizada pelos autores), (b) investigações que abordassem alterações fisiológicas ou distúrbios do sono na população idosa, e/ou (c) pesquisas que avaliassem o uso de tecnologias digitais, dispositivos vestíveis ou algoritmos de inteligência artificial para diagnóstico, monitoramento ou predição da qualidade do sono.
Foram excluídos: (a) artigos sem foco específico em idosos, (b) relatos de caso isolados sem base metodológica robusta, (c) estudos de validação exclusivamente em adultos jovens, e (d) publicações em periódicos não indexados ou sem revisão por pares.
A análise dos artigos foi conduzida de forma descritiva e crítica, buscando organizar os achados em três eixos: (i) alterações fisiológicas e distúrbios do sono prevalentes em idosos, (ii) tecnologias digitais utilizadas no monitoramento e diagnóstico, e (iii) aplicação de inteligência artificial e suas limitações na população idosa. Para garantir a consistência da análise, foram utilizados critérios de qualidade metodológica adaptados do instrumento SANRA (Scale for the Assessment of Narrative Review Articles), aplicável a revisões narrativas.
Com base nesse processo, os estudos selecionados foram comparados quanto a resultados, metodologias empregadas e limitações, possibilitando a discussão crítica apresentada na seção de Resultados e Discussões.
4 RESULTADOS E DISCUSSÕES OU ANÁLISE DOS DADOS
A presente revisão de literatura identificou avanços significativos no campo do monitoramento do sono em idosos, com destaque para o uso de tecnologias digitais e inteligência artificial. Os resultados foram organizados em três eixos principais: (i) prevalência e impacto clínico dos distúrbios do sono, (ii) desempenho das tecnologias digitais de monitoramento, e (iii) integração da inteligência artificial em rastreio, diagnóstico e prognóstico.
4.1 Prevalência e impactos clínicos dos distúrbios do sono
Os estudos revisados confirmam a alta prevalência de alterações do sono na população idosa, com taxas que chegam a 46% para apneia obstrutiva do sono, 40% para má qualidade subjetiva do sono e 29% para insônia (Canever et al., 2024; Fu et al., 2025). Em grupos com comprometimento cognitivo ou fragilidade, a prevalência ultrapassa 60% (He et al., 2025), reforçando o impacto cumulativo das alterações fisiológicas do envelhecimento associadas a doenças crônicas. Essas condições repercutem diretamente na saúde global, com associação consistente a declínio cognitivo, risco aumentado de quedas, fragilidade física, depressão e piora da qualidade de vida (GOTTESMAN et al., 2024; JAQUA et al., 2022).
4.2 Tecnologias digitais para monitoramento do sono
As evidências recentes demonstram que tecnologias como actigrafia, wearables e sensores contactless ampliam a capacidade de rastrear o sono em ambientes naturais. A actigrafia mantém robustez para estudos populacionais, mas apresenta baixa acurácia para estágios de sono (YUAN et al., 2024; GHAZI et al., 2025).
Já os dispositivos vestíveis mostraram bom desempenho para estimativa de tempo total de sono e vigília, ainda que com variação entre marcas comerciais (ROBBINS et al., 2024; BIRRER et al., 2024). Apesar do potencial para monitoramento remoto em idosos, a aderência de longo prazo continua um desafio. Os sensores sob o colchão e baseados em radar mostraram correlação satisfatória com parâmetros cardiorrespiratórios e utilidade em contextos de difícil adesão ao uso corporal, mas ainda carecem de validação em idosos frágeis (GROSS-ISSELMANN et al., 2024; MANNERS et al., 2024).
Tecnologias emergentes, como Wi-Fi sensing e câmeras térmicas, ampliam o espectro de soluções contactless, com aplicações promissoras em instituições de longa permanência, especialmente para prevenção de quedas e monitoramento contínuo (LIN et al., 2024; ALVES et al., 2025).
4.3 Aplicações da inteligência artificial
No campo da IA, a literatura aponta alta precisão na classificação automática de estágios do sono com redes neurais profundas, aproximando-se do padrão-ouro da polissonografia (Liu et al., 2024; Wara et al., 2025). Em idosos, modelos híbridos (CNN + LSTM, SeqSleepNet) já demonstraram viabilidade, inclusive em amostras com Alzheimer (HEREMANS et al., 2025).
Para a detecção de apneia do sono, algoritmos baseados em oximetria e sinais respiratórios simplificados alcançaram sensibilidade e especificidade superiores a 80%, o que os torna úteis para triagem domiciliar (ATTIA et al., 2025; KIM et al., 2025). Modelos de predição da qualidade do sono (forecasting) mostraram capacidade de identificar risco de má qualidade em idosos a partir de variáveis clínicas e demográficas, apontando potencial em programas de saúde preventiva (DU et al., 2023).
4.4 Limitações e lacunas
Apesar dos avanços, a literatura destaca desafios centrais: (i) generalização limitada dos algoritmos, frequentemente treinados em adultos jovens (KANG et al., 2023); (ii) impacto das multimorbidades e polifármacos, que alteram os sinais fisiológicos (LIU et al., 2024); (iii) baixa aderência ao uso de wearables por idosos com comprometimento cognitivo ou fragilidade (AZIZ et al., 2025); e (iv) riscos éticos relacionados à privacidade de dados e desigualdade digital (WARA et al., 2025).
Essas lacunas apontam para a necessidade de ensaios clínicos pragmáticos com idosos, desenvolvimento de IA explicável (XAI) para maior transparência clínica e estudos de custo-efetividade antes da adoção em larga escala.
5 CONCLUSÃO/CONSIDERAÇÕES FINAIS
O presente estudo atinge o objetivo de analisar as alterações do sono associadas ao envelhecimento, bem como as possibilidades e limitações do uso de tecnologias digitais e de inteligência artificial na população idosa. As evidências demonstram que as principais mudanças fisiológicas no sono dos idosos — redução do sono profundo, fragmentação noturna e menor eficiência — associam-se a distúrbios prevalentes como insônia, apneia obstrutiva do sono, síndrome das pernas inquietas e sonolência diurna, que repercutem negativamente na cognição, na funcionalidade e na qualidade de vida.
Constata-se que tecnologias como actigrafia, dispositivos vestíveis, sensores de colchão e métodos baseados em sinais ambientais representam avanços relevantes no monitoramento domiciliar do sono, com potencial para rastreamento remoto, acompanhamento longitudinal e suporte à prática clínica. A inteligência artificial apresenta desempenho satisfatório na classificação automática de estágios, na detecção de apneia e na predição da qualidade do sono, oferecendo novas perspectivas para triagem, diagnóstico precoce e vigilância em saúde pública.
Verifica-se, entretanto, que a generalização de algoritmos ainda é limitada, uma vez que a maioria dos dispositivos e modelos foi validada em adultos jovens, não refletindo plenamente a realidade da população idosa, caracterizada por multimorbidades, uso de polifármacos e maior variabilidade fisiológica. Aderência reduzida ao uso contínuo de wearables, barreiras cognitivas e questões éticas relacionadas à privacidade de dados e à desigualdade digital também se configuram como limitações importantes.
Conclui-se que os objetivos desta revisão foram alcançados, confirmando a relevância do tema e a necessidade de estudos direcionados especificamente para idosos, com metodologias mais inclusivas e validações robustas. Recomenda-se que pesquisas futuras priorizem ensaios clínicos em populações geriátricas, desenvolvimento de algoritmos explicáveis e análises de custo-efetividade, de modo a viabilizar a incorporação segura, acessível e ética dessas tecnologias na prática clínica e nos programas de saúde voltados ao envelhecimento saudável.
REFERÊNCIAS
ALVES, Raquel et al. Thermal Cameras for Overnight Measuring of Respiration in a Clinical Setting. Sensors, 2025.
ATTIA, Shirel et al. Clinical Validation of Artificial Intelligence Algorithms for the Diagnosis of Adult Obstructive Sleep Apnea and Sleep Staging From Oximetry and Photoplethysmography—SleepAI. Journal of Sleep Research, p. e70093, 2025.
AZIZ, Sarah et al. Wearable Artificial Intelligence for Sleep Disorders: Scoping Review. Journal of Medical Internet Research, v. 27, p. e65272, 2025.
BIRRER, Vera et al. Evaluating reliability in wearable devices for sleep staging. NPJ Digital Medicine, v. 7, n. 1, p. 74, 2024.
CANEVER, Jaquelini Betta et al. Worldwide prevalence of sleep problems in community-dwelling older adults: A systematic review and meta-analysis. Sleep Medicine, v. 119, p. 118-134, 2024.
CHUNG, Jane et al. Using a device-free wi-fi sensing system to assess daily activities and mobility in low-income older adults: protocol for a feasibility study. JMIR Research Protocols, v. 13, n. 1, p. e53447, 2024.
DAVIDSON, Shaun et al. Is it time to revisit the scoring of slow wave (N3) sleep?. Sleep, p. zsaf063, 2025.
DU, Min et al. Development and validation of prediction models for poor sleep quality among older adults in the post-COVID-19 pandemic era. Annals of Medicine, v. 55, n. 2, p. 2285910, 2023.
EGMOSE, Julie et al. Contactless Sleep Monitoring for the Detection of Exacerbations in People With Chronic Obstructive Pulmonary Disease: Protocol for a Longitudinal Observational Study. JMIR Research Protocols, v. 14, n. 1, p. e63230, 2025.
FANG, Yi; LIU, Wei; ZHANG, Sun. Wi-senser: Contactless head movement detection during sleep utilizing WiFi signals. Applied Sciences, v. 13, n. 13, p. 7572, 2023.
FU, Ting et al. The prevalence and risk factors of sleep disturbances in community-dwelling older adults: a systematic review and meta-analysis. Sleep and Breathing, v. 29, n. 1, p. 1-14, 2025.
G RAVINDRAN, Kiran K. et al. Reliable contactless monitoring of heart rate, breathing rate, and breathing disturbance during sleep in aging: digital health technology evaluation study. JMIR mHealth and uHealth, v. 12, p. e53643, 2024.
GHAZI, Sarah Nauman et al. Objective sleep monitoring at home in older adults: A scoping review. Journal of Sleep Research, v. 34, n. 4, p. e14436, 2025.
GREEN, Sebastian Francis et al. A systematic review of the validity of non-invasive sleep-measuring devices in mid-to-late life adults: future utility for Alzheimer’s disease research. Sleep medicine reviews, v. 65, p. 101665, 2022.
GROSS-ISSELMANN, Jonas Alexander et al. Validation of the sleepiz One+ as a radar-based sensor for contactless diagnosis of sleep apnea. Sleep and Breathing, v. 28, n. 4, p. 1691-1699, 2024.
GOTTESMAN, Rebecca F. et al. Impact of sleep disorders and disturbed sleep on brain health: a scientific statement from the American Heart Association. Stroke, v. 55, n. 3, p. e61-e76, 2024.
HE, Mei et al. Sleep quality in older adults with cognitive frailty: current status and influencing factors. BMC geriatrics, v. 25, n. 1, p. 585, 2025.
HEREMANS, Elisabeth RM et al. U-PASS: An uncertainty-guided deep learning pipeline for automated sleep staging. Computers in Biology and Medicine, v. 171, p. 108205, 2024.
HEREMANS, Elisabeth RM et al. Wearable sleep recording augmented by artificial intelligence for Alzheimer’s disease screening. npj Aging, v. 11, n. 1, p. 34, 2025.
ISHII, Toru et al. From macro to micro: slow-wave sleep and its pivotal health implications. Frontiers in Sleep, v. 3, p. 1322995, 2024.
JAQUA, Ecler Ercole et al. Common sleep disorders affecting older adults. The Permanente Journal, v. 27, n. 1, p. 122, 2022.
KANG, Chaewon et al. Age-integrated artificial intelligence framework for sleep stage classification and obstructive sleep apnea screening. Frontiers in Neuroscience, v. 17, p. 1059186, 2023.
KIM, Donghyeok et al. AI‑Enhanced Smartwatch AHI Estimation and AI‑Scored Polysomnography for Obstructive Sleep Apnea: Real‑World Validation. Nature and Science of Sleep, p. 2297-2307, 2025.
LEE, Taeyoung et al. Accuracy of 11 wearable, nearable, and airable consumer sleep trackers: prospective multicenter validation study. JMIR mHealth and uHealth, v. 11, n. 1, p. e50983, 2023.
LIN, Shang-Yang et al. Combining a wireless radar sleep monitoring device with deep machine learning techniques to assess obstructive sleep apnea severity. Journal of Clinical Sleep Medicine, v. 20, n. 8, p. 1267-1277, 2024.
LIU, Peng et al. Automatic sleep stage classification using deep learning: signals, data representation, and neural networks. Artificial Intelligence Review, v. 57, n. 11, p. 301, 2024.
MANNERS, Jack et al. Performance evaluation of an under‐mattress sleep sensor versus polysomnography in> 400 nights with healthy and unhealthy sleep. Journal of Sleep Research, p. e14480, 2024.
ORLANDO, Isabella F. et al. Sleep spindle architecture associated with distinct clinical phenotypes in older adults at risk for dementia. Molecular Psychiatry, v. 29, n. 2, p. 402-411, 2024.
ROBBINS, Rebecca et al. Accuracy of three commercial wearable devices for sleep tracking in healthy adults. Sensors, v. 24, n. 20, p. 6532, 2024.
TORUNER, Merih Deniz et al. Artificial Intelligence-Driven Wireless Sensing for Health Management. Bioengineering, v. 12, n. 3, p. 244, 2025.
WARA, Tayab Uddin et al. A systematic review on sleep stage classification and sleep disorder detection using artificial intelligence. Heliyon, v. 11, n. 12, 2025.
YIN, Jiaju; XU, Jiandong; REN, Tian-Ling. Recent progress in long-term sleep monitoring technology. Biosensors, v. 13, n. 3, p. 395, 2023.
YUAN, Hang et al. A systematic review of the performance of actigraphy in measuring sleep stages. Journal of Sleep Research, v. 33, n. 5, p. e14143, 2024.
ZÜST, Marc Alain et al. The hierarchy of coupled sleep oscillations reverses with aging in humans. Journal of Neuroscience, v. 43, n. 36, p. 6268-6279, 2023.
1Discente do Curso Superior de Medicina da Faculdade Metropolitana – UNESSA Campus Porto Velho e-mail: jonatasmeiraguerreiro@gmail.com
2Docente do Curso Superior de Medicina da Faculdade Metropolitana – UNESSA Campus Porto Velho. e-mail: Franciellealba@hotmail.com