Form check com IA: qual é a precisão real?
O melhor modelo 2D erra 9,3° em média no joelho e nenhum atinge precisão clínica. O que um vídeo da sua técnica realmente pode dizer e o que nunca vai dizer.

Por Giammaria Loi · atualizado em 19 de novembro de 2026
Você apoia o celular, faz a série e o app responde: "valgo de joelho, profundidade 92°". Parece uma medição. Em 2026 saíram dezenas de apps assim, e quem procura "form check com IA" encontra apenas fichas de loja. O problema é que esses graus têm uma margem de erro medida em laboratório, e ninguém escreve isso ao lado.
Em resumo
- O melhor estimador 2D erra 9,3° em média no ângulo do joelho. É o resultado mais favorável em 2,2 milhões de quadros e 11 modelos de código aberto: nenhum dos testados atingiu a precisão necessária para uma interpretação clínica.
- O "3D" do app costuma ser pior que o 2D. O erro de posição das articulações vai de 72-122 mm em 2D para 146-249 mm quando o modelo também estima a profundidade.
- O ângulo de filmagem pesa mais que o algoritmo. Com o movimento inteiramente no plano da imagem, o erro no cotovelo foi de 10,5°; fora desse plano, piorou de forma significativa.
- O olho humano também não é um transferidor. Seis clínicos experientes avaliando os mesmos vídeos concordaram entre si com kappa de 0,30-0,34, enquanto cada um consigo mesmo ficou entre 0,55 e 0,85.
- O vídeo serve, mas para outras perguntas. Critérios binários e julgamentos de conjunto são confiáveis; decimais não. Pergunte "o joelho ficou dentro da borda do tênis?", não "quantos graus de valgo eu tenho?".
Gráfico Nurvan com os valores publicados em Rode et al., 2025 (Scientific Reports e IEEE ICORR) e Wang et al., 2025. Atenção: são articulações e tarefas diferentes, não uma comparação direta. Cada barra é o melhor valor publicado naquele estudo. Nenhum valor foi lido de uma figura.
O que um app de form check realmente faz
Por trás de quase todos está a mesma tecnologia: a estimativa de pose, uma rede neural que olha a imagem e adivinha onde estão ombro, quadril, joelho e tornozelo. Com esses pontos o app calcula os ângulos. Ele não mede o seu corpo: deduz centros articulares a partir de pixels.
É uma diferença que pesa. No laboratório a posição de uma articulação vem de marcadores refletivos e várias câmeras calibradas; aqui vem de uma câmera só, com roupa, com a luz da academia e com uma barra que às vezes esconde parte de você.
Os números da verificação mais ampla
Em novembro de 2025 um grupo do Instituto Federal de Tecnologia de Zurique publicou na Scientific Reports a comparação mais extensa até hoje: 25 participantes, mais de 2,2 milhões de quadros de exercícios, 11 estimadores de pose de código aberto testados em 18 variantes 2D e 26 variantes 3D, todos contra um sistema óptico com marcadores.
| Medida | Estimadores 2D | Estimadores 3D |
|---|---|---|
| Erro médio de posição das articulações | 72-122 mm | 146-249 mm |
| Erro médio no ângulo do joelho | a partir de 9,3° | a partir de 14,1° |
| Erro médio no ângulo do cotovelo | a partir de 21,5° | a partir de 16,3° |
Tabela Nurvan com os valores publicados em Rode et al., 2025 (Scientific Reports). "A partir de" indica o melhor modelo da categoria.
Duas leituras práticas. A primeira: mesmo no melhor caso o erro médio no joelho é de cerca de nove graus, e os autores escrevem que nenhum dos modelos testados fica abaixo do erro angular necessário para uma interpretação clínica correta. A segunda: acrescentar a terceira dimensão piora. Quando o modelo tenta adivinhar também a profundidade com uma câmera só, o erro de posição dobra. O "3D" na descrição do app não é selo de qualidade.
O mesmo grupo fez um segundo teste focado no cotovelo: com o movimento inteiramente dentro do plano da imagem — a condição ideal — o erro médio foi de 10,5° e o erro quadrático médio de 14,7°, contra 4,2° e 6,0° de um sensor inercial vestido. A orientação em relação à câmera influenciou a precisão de forma significativa, e o modelo tendia a subestimar as flexões maiores: justamente onde você quer saber se desceu o suficiente.
O ângulo de filmagem não é um detalhe
Um trabalho de 2025 no Journal of Biomechanics testou o OpenCap, o sistema sem marcadores por smartphone mais usado em pesquisa, em 53 pessoas com artrose de joelho e 30 controles saudáveis. Caminhando em direção à câmera, o erro médio foi de 6,1° com concordância de 0,67; no sentido oposto piorou de forma estatisticamente significativa. Mesma pessoa, mesmo software, mesma sala: mudava só a direção.
Vale também para a análise 2D feita à mão. Em mulheres ativas, a validade do ângulo de valgo no plano frontal dependia da profundidade do agachamento, de qual perna apoiava e de o valgo ser ou não acentuado. Traduzindo: a mesma medida pode ser válida numa condição e não em outra.
Então um treinador humano é melhor?
Depende do que você pede a ele. Num estudo italiano com 72 adultos, seis clínicos experientes avaliaram os mesmos vídeos de agachamento unipodal em três momentos com uma escala validada. Cada um concordava razoavelmente consigo mesmo — kappa ponderado de 0,55 a 0,85 —, mas a concordância entre avaliadores ficou entre 0,30 e 0,34, ou seja "razoável" pela convenção.
Gráfico Nurvan com os valores publicados em Gianola et al., 2017 (72 adultos, seis clínicos experientes, três sessões de avaliação). As faixas de interpretação do kappa seguem a convenção usual. Nenhum valor foi lido de uma figura.
Seis especialistas, o mesmo vídeo, julgamentos que combinam pouco. Não é uma acusação à categoria: é o que acontece quando se avaliam ângulos e segmentos a olho. E explica por que dois treinadores podem dar duas correções diferentes para o mesmo terra sem que nenhum esteja errando de profissão.
A parte útil vem logo depois. Quando se pede um julgamento de conjunto em vez de avaliar segmento por segmento, a concordância melhora: em pessoas com lesão prévia de joelho, três avaliadores experientes e três iniciantes chegaram a boa concordância com o método global. E um critério binário bem escolhido aguenta a comparação com o laboratório: em atletas adolescentes, o critério "o joelho termina dentro da borda interna do tênis" alcançou área sob a curva de até 0,93 para identificar o valgo medido em 3D, bem acima de outros critérios.
O vídeo é uma ótima ferramenta para perguntas de resposta seca. É um péssimo goniômetro.
O que a pesquisa realmente diz
| Afirmação comum | Veredito | Fonte |
|---|---|---|
| "O app mede seus ângulos como um laboratório" | Desmentido | Rode et al., 2025 — nenhum dos 11 estimadores testados atinge o erro angular necessário para interpretação clínica |
| "Se é 3D é mais preciso" | Desmentido | Rode et al., 2025 — erro de posição 72-122 mm em 2D contra 146-249 mm em 3D com câmera única |
| "Basta enquadrar, o ângulo é detalhe" | Desmentido | Rode et al., 2025; Wang et al., 2025 — a orientação em relação à câmera muda o erro de forma significativa |
| "Um treinador humano é objetivo" | A precisar | Gianola et al., 2017 — seis especialistas nos mesmos vídeos: concordância mútua de 0,30-0,34 de kappa ponderado |
| "Form check por vídeo não serve para nada" | Desmentido | Edwards e Liberatore, 2018; Erdman et al., 2024 — julgamentos de conjunto confiáveis e critérios binários com AUC até 0,93 |
| "O app pode dizer se um movimento é seguro para você" | Não verificável | Nenhum estudo disponível testou previsão de lesão em quem treina com pesos |
Como aplicar
- Filme no plano do movimento. Câmera na altura do quadril, perpendicular ao plano que interessa: de lado para profundidade e costas, de frente para o joelho. O movimento inteiro precisa caber no enquadramento.
- Câmera parada e sempre no mesmo ponto. Comparar duas sessões só faz sentido se o enquadramento for idêntico. Uma marca no chão vale mais que qualquer algoritmo.
- Faça perguntas binárias. "O joelho ficou dentro da borda do tênis?", "o quadril desceu abaixo do joelho?", "a barra se afastou do corpo?". São as perguntas em que o olho, humano ou artificial, é confiável.
- Ignore os decimais. Se o app escreve 92,4° de flexão, leia "mais ou menos 90, com uns dez graus de incerteza". Um ângulo que muda 5° de uma semana para outra é ruído, não progresso.
- Use o vídeo para a técnica e os números para a carga. O quanto você está realmente empurrando não aparece num quadro. Aparece no histórico de cargas, repetições e RIR, com todos os limites que essa estimativa também tem.
- Dor, inchaço ou falseio não são problema de técnica para resolver com um app. Aí é preciso um profissional de saúde, não um enquadramento melhor.
Se você treina outras pessoas a distância
Duas regras que transformam o vídeo em dado e não em opinião:
- Peça sempre o mesmo enquadramento. Especifique altura, lado e distância uma vez e depois exija. Sem isso você compara filmagens, não execuções.
- Escreva os critérios antes de olhar. Três perguntas binárias por exercício, decididas antes. É o jeito mais simples de evitar que sua avaliação de hoje não bata com a da terça passada, algo que acontece até com avaliadores experientes.
Nurvan: o vídeo mostra a forma, o histórico mostra a carga No Nurvan o treinador vê em cada série carga, repetições e RIR, com o histórico do exercício enfileirado: o dado que um quadro não dá e que diz se a exigência está mesmo subindo. O vídeo continua sendo o que é, um controle de forma; as decisões de programação saem dos números. Experimente o Nurvan
Perguntas frequentes
Os apps de form check com IA funcionam? Funcionam para sinalizar diferenças grosseiras, não para medir. Na maior verificação publicada até agora, o erro médio no ângulo do joelho parte de 9,3° nos melhores modelos 2D e de 14,1° nos 3D, e nenhum atinge a precisão necessária para interpretação clínica. Se o app diz que um joelho está claramente caindo para dentro, provavelmente tem razão; se entrega um número com vírgula, esse número não é confiável.
De que lado devo filmar o agachamento? De onde acontece o que você quer ver. De lado, câmera na altura do quadril, para profundidade, trajetória da barra e inclinação do tronco; de frente para o comportamento dos joelhos. Nos estudos a orientação em relação à câmera muda o erro de forma significativa, então uma tomada em três quartos é o caminho mais rápido para números sem sentido.
Celular ou sensor vestível? Para medir um ângulo, o sensor inercial: na comparação direta no cotovelo ele ficou em 4,2° de erro médio contra 10,5° da estimativa por vídeo na melhor condição. Para olhar um movimento inteiro, o vídeo segue mais prático e mais informativo.
Um app pode dizer se minha técnica é perigosa? Não. Os estudos disponíveis medem o quanto um sistema se aproxima do laboratório ao descrever um movimento, não se esse movimento vai causar lesão. Se há dor, instabilidade ou falseio, a pergunta é médica e se faz a um médico ou fisioterapeuta.
Leia também
- O coaching online funciona? O que dizem os estudos — o que um treinador a distância precisa controlar para valer tanto quanto um presencial.
- Qual é a precisão do seu RIR? O que dizem os estudos — a outra estimativa em que metade do treino se apoia.
- Treino gerado por IA: o que dizem os estudos — onde a inteligência artificial se sustenta e onde não.
Fontes
- Rode D, Dunkel A, Willi R, Wolf P, Xiloyannis M, Riener R, 2025. Assessment of monocular human pose estimation models for clinical movement analysis. Scientific Reports 15(1):38767. PMID 41193590 · DOI 10.1038/s41598-025-22626-7
- Rode D, Ceccarelli A, Esser A, Wolf P, Riener R, 2025. Accuracy of IMUs and Monocular Human Pose Estimation at Measuring Elbow Flexion. IEEE Int Conf Rehabil Robot 2025:773-778. PMID 40644081 · DOI 10.1109/ICORR66766.2025.11063086
- Wang J, Xu W, Wu Z, Zhang H, Wang B, Zhou Z, Wang C, Li K, Nie Y, 2025. Evaluation of a smartphone-based markerless system to measure lower-limb kinematics in patients with knee osteoarthritis. Journal of Biomechanics 181:112529. PMID 39862716 · DOI 10.1016/j.jbiomech.2025.112529
- Wade L, Needham L, McGuigan P, Bilzon J, 2022. Applications and limitations of current markerless motion capture methods for clinical gait biomechanics. PeerJ 10:e12995. PMID 35237469 · DOI 10.7717/peerj.12995
- Gianola S, Castellini G, Stucovitz E, Nardo A, Banfi G, 2017. Single leg squat performance in physically and non-physically active individuals: a cross-sectional study. BMC Musculoskeletal Disorders 18(1):299. PMID 28709418 · DOI 10.1186/s12891-017-1660-8
- Edwards S, Liberatore M, 2018. Reliability of a Squat Movement Competency Screen in Individuals With a Previous Knee Injury. Journal of Sport Rehabilitation 27(2). PMID 28872403 · DOI 10.1123/jsr.2017-0064
- Erdman A, Loewen A, Dressing M, Wyatt C, Oliver G, Butler L, Sugimoto D, Black AM, Tulchin-Francis K, Bazett-Jones DM, Janosky J, Ulman S, 2024. A 2D video-based assessment is associated with 3D biomechanical contributors to dynamic knee valgus in the coronal plane. Frontiers in Sports and Active Living 6:1352286. PMID 38558858 · DOI 10.3389/fspor.2024.1352286
- Jamaludin NI, Sahabuddin FNA, Rasudin NS, Shaharudin S, 2022. The Concurrent Validity and Reliability of Single Leg Squat Among Physically Active Females with and without Dynamic Knee Valgus. International Journal of Sports Physical Therapy 17(4):574-584. PMID 35693857 · DOI 10.26603/001c.35706
Tema escolhido a partir de sinais de tendência de novembro de 2026: dezenas de apps de "AI form check" publicados nas lojas em 2026 e uma primeira página de resultados formada apenas por fichas de produto, sem nenhum dado de precisão. Fontes científicas consultadas via PubMed.
Giammaria Loi é o fundador da Nurvan. Treina com pesos desde 2012, trabalha como personal trainer e coach certificado FIPE desde 2013 e compete em powerlifting em nível nacional desde 2018. Cada artigo que assina parte dos estudos científicos e chega ao que funciona de verdade na academia. Página do autor
Nota: conteúdo informativo, não substitui a opinião de um médico ou de um profissional qualificado.


