Como o Longev AI aprende: regras, dados e previsão testada
O núcleo do Longev AI assenta em regras clínicas explicáveis sobre a linha de base pessoal do hóspede, reunindo pares de «exposição → resposta» e medindo abertamente a margem de erro das suas previsões.
A quem se destina esta página. A equipas de auditoria técnica, médicos e investidores — a todos os que perguntam: «isto é aprendizagem automática ou regras rígidas?» A resposta é transparente e pode ser verificada no próprio portal.
O núcleo são as regras, por opção. Cada recomendação deriva de um limiar definido e explica-se numa única frase; os procedimentos pagos são alterados apenas pelo médico. Num contexto médico, ninguém valida uma caixa negra.
A personalização baseia-se no histórico pessoal. Os alertas não são calculados a partir de uma «norma populacional», mas sim da média do próprio hóspede durante a estadia: um pulso em repouso de 62 não diz nada até se saber que a média semanal era de 54.
Dois conjuntos de dados. O registo de decisões — «valores do hóspede → o que o médico prescreveu»; o registo de resultados — «procedimentos e esforço de ontem → o que o relógio registou de manhã». Ambos são anónimos por conceção e podem ser exportados em formato JSONL.
A previsão é auditada. A plataforma prevê o pulso em repouso, a VFC, o Body Battery e a pontuação de sono de amanhã através de três modelos, apresentando o erro médio de cada um numa tabela clara, sem promessas vazias.
O limite. Wellness & Lifestyle Intelligence — apoio ao estilo de vida, não um dispositivo médico; a palavra final cabe sempre ao médico. Atualizado a 25.08.2026.
Regras em vez de uma caixa negra — e porquê
O Longev AI funciona como um motor determinístico: a mesma noite, com os mesmos limiares, gera sempre a mesma folha de avaliação. Não se trata de uma limitação que a plataforma tente ocultar, mas sim de uma decisão de engenharia fundamentada em três motivos.
O primeiro é a assinatura do médico. A folha da manhã tem de ser validada e cada uma das suas linhas deve responder ao «porquê»: «pulso em repouso de 68 face à sua média de 61 — sugerimos substituir o procedimento mais exigente». Uma recomendação que não possa ser justificada com um número nunca é apresentada pelo sistema.
O segundo é o enquadramento regulamentar. Um sistema que altere prescrições médicas de forma autónoma através de um modelo opaco aproxima-se da categoria de dispositivo médico e do nível de alto risco do Regulamento Europeu de Inteligência Artificial (EU AI Act). A plataforma mantém-se deliberadamente como uma ferramenta de apoio ao estilo de vida: propõe, explica e aguarda pela decisão médica (enquadramento legal).
O terceiro é o arranque a frio. Um modelo treinável sem dados tem um desempenho inferior ao de regras bem definidas: não tem histórico para aprender num hotel que começou a utilizar o sistema ontem. As regras funcionam desde o primeiro hóspede — e a plataforma começa a recolher dados para futuros modelos logo na primeira manhã, conforme explicado abaixo.
A linha de base pessoal em vez da norma populacional
Quase todos os limiares do motor comparam o hóspede consigo próprio. A linha de base é a média da sua própria estadia: os dias incompletos de chegada ficam intencionalmente de fora e, enquanto não houver pelo menos dois dias de medição, os alertas de base não são ativados — comparar com uma única noite equivaleria a tirar conclusões à sorte. O médico pode aumentar esta margem de segurança até 5 dias.
A variabilidade da frequência cardíaca (VFC — a irregularidade dos intervalos entre os batimentos cardíacos) conta com uma segunda fonte de validação: o intervalo habitual do hóspede, que o algoritmo Firstbeat da Garmin calcula ao longo de cerca de três semanas. Se o relógio, que conhece o hóspede há mais tempo do que a nossa base de dois dias, indicar «abaixo do intervalo», o componente de prontidão não ficará verde — a leitura do relógio prevalece sobre a nossa média matemática, estritamente nesse sentido.
A partir desses mesmos valores calcula-se a prontidão do dia — uma pontuação de 0 a 100, equivalente ao Readiness do anel Oura ou ao Recovery da pulseira WHOOP, mas baseada em dados Garmin e ajustada pelas regras definidas pelo médico do hotel: o Body Battery vale 30 pontos, a VFC e o sono 25 cada, e o pulso em repouso e a carga de ontem 10 cada. Um componente sem dados não é preenchido com uma média genérica — é simplesmente excluído, os pesos são recalculados e, se houver dados para menos de metade da ponderação total, a avaliação não é emitida.
Folha matinal do médico: prontidão de 49 em 100 com discriminação por componentes — cada linha apresenta o seu valor, a respetiva base e a sua justificação×
Camadas do motor
Camada
O que faz
Onde é abordado
Entrada
25 métricas do relógio e da balança Garmin, questionário inicial, prescrições médicas, diário alimentar
Um sistema de gestão hoteleira (PMS) pode ligar-se à Garmin Health API e receber o pulso e o sono. O que lhe falta são os dois elementos que formam um conjunto de treino: as prescrições do médico e o registo alimentar. Por isso, a plataforma reúne dois conjuntos de dados, e ambos só existem onde a biometria, as prescrições e a alimentação partilham o mesmo circuito.
Registo de decisões — «valores do hóspede → o que o médico fez». Cada ação clínica no painel é guardada com um registo anónimo do hóspede nesse momento: idade, sexo, dia da estadia, valores da noite, médias próprias, alertas. Hoje em dia já funciona como sugestão: o médico vê como o hotel agiu perante valores semelhantes.
Registo de resultados — «exposição → resposta». Em cada manhã avaliada, a própria plataforma regista um par de dados: os procedimentos e a carga do dia anterior (incluindo um jantar após as 20:00 e os copos da cura de água) ao lado do que o relógio mediu de manhã — pulso em repouso e VFC face à linha de base pessoal, sono, Body Battery, prontidão, alertas.
Anonimato e eliminação. As linhas não contêm nomes nem datas de nascimento; a revogação do consentimento para dados de saúde remove também os pares do hóspede — o conjunto de dados torna-se mais honesto com isso, e não mais pobre. A exportação é feita em linhas JSONL a partir do painel de administração.
Observação, não causalidade. Com base nos pares acumulados, o painel apresenta médias «com o fator / sem ele»: procedimentos térmicos na véspera, um procedimento exigente, carga cardíaca 50 % acima da base, um jantar tardio. A comparação só é exibida a partir de 5 pares de cada lado e é identificada como observação: uma única manhã tem demasiadas causas para que uma diferença entre médias seja considerada uma causa.
Teste de previsão: um erro em vez de promessas
«A plataforma torna-se mais precisa» é uma afirmação que uma auditoria tem o direito de ver em números. Para isso, o painel de administração dispõe de uma verificação de previsão: com base em todo o histórico acumulado, a plataforma prevê retroativamente cada manhã — pulso em repouso, VFC, Body Battery e pontuação de sono — e calcula o erro médio absoluto (MAE): quantas unidades a previsão erra em média.
O cálculo é feito em walk-forward — «avançando apenas para a frente»: a previsão para uma manhã baseia-se estritamente nos dias anteriores, e até o coeficiente de carga aprende apenas com os pares que já aconteceram até esse momento. Olhar para o futuro e ajustar a resposta é, por definição, impossível.
Modelo
Como prevê
Para que serve na tabela
«Como ontem»
amanhã terá o mesmo valor de hoje
a referência ingénua: um modelo que não a supere não pode ser considerado um modelo
«Linha de base pessoal»
a média da estadia do hóspede — a mesma que surge na folha da manhã
mostra o valor real da personalização
«Base + carga»
a linha de base pessoal com correção para a sobrecarga de ontem; o coeficiente ativa-se após 8 pares acumulados
o primeiro elemento que aprende — e o seu contributo é visível em separado
A tabela foi concebida para mostrar dados desconfortáveis: num histórico curto, a estimativa ingénua «como ontem» supera frequentemente as correções — e isso é um resultado correto, não uma falha. A fasquia para futuros modelos fica definida por esta mesma tabela: um modelo só entra em produção quando supera consistentemente o ingénuo com os dados do hotel, e não quando parece impressionante no papel.
Roteiro de desenvolvimento
Agora. Regras sobre a linha de base pessoal; os registos de decisões e de resultados crescem sozinhos; o erro de previsão é medido ao premir um botão.
A seguir. Modelos preditivos sobre o registo de resultados — assim que houver pares suficientes para superar com segurança a referência básica da tabela acima. Até lá, sem termos «inteligentes» na montra.
Sempre. Prescrição automática apenas como rascunho que o médico assina: é assim que a nota matinal já funciona e como funcionará a sugestão de prescrições baseada no registo de decisões.
Perguntas e respostas
Trata-se de aprendizagem automática ou de regras fixas? O núcleo assenta em regras explicáveis sobre a linha de base do próprio hóspede. Já existem elementos que aprendem — o coeficiente de carga na previsão e a pesquisa de casos semelhantes no registo de decisões —, e os modelos completos chegarão com o registo de resultados, sendo a sua qualidade medida desde já pela tabela de erros.
Por que não uma rede neuronal? Porque a ficha é assinada por um médico e a explicabilidade é um requisito clínico, não uma questão de preferência; porque o EU AI Act avalia recomendações de saúde opacas com muito mais rigor do que regras; e porque modelos sem dados são piores do que regras — e a plataforma ainda está a acumular dados.
O que impede um PMS comum de copiar isto? A API Garmin Health fornece a biometria, mas não as prescrições médicas nem o registo alimentar. O par «exposição → resposta» só se forma onde estes três fluxos convivem no mesmo circuito — e esse conjunto de dados fica no hotel.
Onde é possível ver tudo isto? No painel de controlo: «Definições» → «Assistente» — os cartões de ambos os registos, as observações por fatores, o botão de verificação da previsão e a exportação JSONL (o ecrã de administração).
A plataforma assume uma relação de causalidade? Não. As médias «com o fator / sem o fator» estão identificadas como observações; conclusões de causalidade exigem volumes de dados e um desenho de estudo que um único hotel não possui — e uma página transparente diz isso com todas as letras.
