A tese de doutorado propõe um modelo inovador para o desenvolvimento de sistemas enativos — sistemas dinamicamente adaptáveis e evolutivos — voltados a aplicações tecnológicas que demandam interação contínua, personalização e suporte contextualizado ao usuário. O trabalho está fundamentado na crescente transformação digital e na expansão do uso de Inteligência Artificial (IA) na área da saúde, destacando como essas tecnologias vêm ampliando as possibilidades de personalização e promovendo novos caminhos para o bem-estar físico. Nesse contexto, o projeto propõe a aplicação da arquitetura RAG (Retrieval-Augmented Generation) como base para a construção do GymGuardian, um sistema inteligente de recomendação e monitoramento de atividades físicas com foco especial em gestantes. O sistema combina IA generativa, vetorização semântica, automação de fluxos e armazenamento contextual para oferecer treinos personalizados que se adaptam, em tempo real, às necessidades, condições e objetivos de cada usuária. A proposta busca superar limitações de abordagens genéricas, promovendo cuidado personalizado e contínuo por meio de uma plataforma escalável, explicável e centrada na usuária. Além de apresentar uma metodologia de desenvolvimento que facilita a criação de sistemas enativos, a tese se destaca pela validação funcional do protótipo desenvolvido, reforçando a viabilidade e o potencial de impacto da solução tanto para o cuidado individualizado quanto para futuras aplicações em outros domínios da saúde digital.
O trabalho desenvolvido enquadra-se na área de pesquisa em Desenvolvimento de Software e Dispositivos Biomédicos, focando na criação de soluções situadas na interseção entre engenharia de software e biomedicina. Esta linha de pesquisa é dedicada a aprimorar a eficácia e precisão de dispositivos e sistemas biomédicos, explorando tecnologias avançadas para o desenvolvimento de aplicativos, algoritmos e plataformas de monitoramento remoto de pacientes, bem como dispositivos destinados à reabilitação e tecnologias assistivas. O projeto de doutorado aqui apresentado alinha-se diretamente com essa linha de pesquisa ao desenvolver o GymGuardian, um sistema enativo que sugere e monitora atividades físicas para gestantes. Esse sistema não apenas promove avanços no desenvolvimento de software aplicado à biomedicina, mas também atende às necessidades específicas dos usuários.
A metodologia utilizada no desenvolvimento do trabalho concentrou-se inicialmente no estabelecimento de uma sólida fundamentação teórica, através de um levantamento bibliográfico extenso sobre os temas necessários para a definição dos parâmetros de sistema e para entender as tecnologias envolvidas no projeto. Posteriormente, o trabalho avançou para a análise das necessidades do sistema, o que envolveu a definição dos dados a serem coletados e a modelagem do processo de funcionamento de um sistema enativo. Na fase prática, o projeto foi estruturado para testar o sistema proposto, começando com a aprovação ética para a realização dos testes. Esses testes foram desenhados para coletar dados de forma quantitativa e qualitativa, que foram posteriormente analisados e apresentados através de tabelas e gráficos. Essa abordagem metodológica assegurou que todos os aspectos do sistema enativo foram meticulosamente testados e avaliados, garantindo a eficácia e a aplicabilidade do modelo proposto no monitoramento de atividades físicas para gestantes.
Foram desenvolvidos e testados dois módulos complementares do sistema GymGuardian: um voltado às alunas e outro aos profissionais de educação física, ampliando a aplicabilidade do sistema em contextos reais. A abordagem adotada demonstrou ser funcional, explicável e segura, evidenciando o potencial da combinação entre IA generativa, recuperação semântica de informações e automação por fluxos no desenvolvimento de sistemas inteligentes centrados na usuária. Os resultados obtidos com a implementação do sistema demonstram sua viabilidade e efetividade como solução inteligente para a recomendação personalizada de atividades físicas na área da saúde. Utilizando a arquitetura RAG (Retrieval-Augmented Generation) integrada ao n8n, o sistema gerou sugestões contextualizadas de treinos com base em dados históricos reais das usuárias, sem apresentar alucinações comuns a modelos de linguagem isolados. Os testes funcionais comprovaram a coerência entre os treinos gerados e os perfis individuais, considerando variáveis como características físicas, preferências e restrições. A pesquisa reforça o potencial do GymGuardian para apoiar práticas físicas adaptativas com foco no bem-estar individual e destaca sua escalabilidade para outros contextos da saúde digital. Como perspectiva futura, propõe-se a expansão do sistema para incluir a leitura e análise de outros sinais fisiológicos, além da frequência cardíaca, ampliando sua capacidade de adaptação e monitoramento.
