Una nueva IA predice más de 100 enfermedades analizando una sola noche de sueño

Dormir mal no es solo levantarse de mal humor o estar cansado todo el día, también puede ser una señal temprana de enfermedades que pueden aparecer años después. Un nuevo modelo de inteligencia artificial (IA) desarrollado por investigadores de Stanford Medicine puede analizar una sola noche de sueño y predecir el riesgo de desarrollar más de 100 afecciones de salud.

El sistema, denominado SleepFM, fue entrenado con cerca de 600.000 horas de datos de sueño provenientes de 65.000 personas. La información se obtuvo mediante polisomnografía, el método más completo para evaluar el sueño, que registra actividad cerebral y cardíaca, respiración, movimientos musculares y oculares, entre otras señales fisiológicas.

La polisomnografía, utilizada tradicionalmente en laboratorios del sueño, es considerada el estándar de oro en este tipo de estudios. Sin embargo, según los investigadores, gran parte de los datos que genera ha permanecido sin explotar.

«Registramos una cantidad asombrosa de señales durante ocho horas de estudio en un paciente completamente monitorizado. Es una fuente de datos extremadamente rica», señaló el Dr. Emmanuel Mignot, profesor de Medicina del Sueño en Stanford y coautor principal del estudio, publicado en Nature Medicine.

Hasta ahora, solo una pequeña fracción de esta información se utilizaba con fines clínicos. Los avances en inteligencia artificial permitieron ampliar de forma significativa su análisis. Este trabajo es el primero en aplicar IA a datos del sueño a una escala tan amplia.

«El sueño ha sido relativamente poco estudiado desde la perspectiva de la inteligencia artificial, a pesar de ser una parte esencial de la vida», explicó James Zou, profesor asociado de ciencia de datos biomédicos y coautor principal del estudio.

El lenguaje del sueño

Para aprovechar el volumen de información disponible, el equipo desarrolló un modelo base, similar en concepto a los grandes modelos de lenguaje como ChatGPT, pero entrenado con señales fisiológicas del sueño. Las 585.000 horas de polisomnografía se dividieron en segmentos de cinco segundos, comparables a las «palabras» que utilizan los modelos de lenguaje. «SleepFM aprende, básicamente, el lenguaje del sueño», afirmó Zou.

El modelo integra múltiples flujos de datos –como electroencefalografía, electrocardiografía y señales respiratorias– y analiza cómo interactúan entre sí. Para ello, los investigadores diseñaron una técnica de entrenamiento denominada aprendizaje contrastivo «dejando uno afuera», que obliga al sistema a reconstruir una señal faltante a partir del resto.

Predicción de enfermedades

Tras el entrenamiento, SleepFM fue evaluado en tareas clásicas del análisis del sueño, como la identificación de etapas del sueño y la detección de apnea. En estas pruebas, su desempeño igualó o superó al de los modelos clínicos más avanzados.

El desafío mayor fue utilizar los datos del sueño para anticipar enfermedades futuras. Para lograrlo, los investigadores compararon los registros de polisomnografía con historiales médicos de largo plazo, algunos con hasta 25 años de seguimiento, provenientes del Centro de Medicina del Sueño de Stanford.

Predicción de cánceres

El análisis incluyó más de 1.000 categorías de enfermedades. De ellas, 130 pudieron predecirse con una precisión considerada alta. El modelo mostró especial eficacia en la predicción de cánceres, trastornos circulatorios, complicaciones del embarazo y enfermedades mentales, con índices de concordancia superiores a 0,8.

SleepFM destacó en la predicción de enfermedades como Parkinson, demencia, infarto, cáncer de próstata y mama, así como en el riesgo de mortalidad.

Interpretar las señales

El equipo trabaja ahora en mejorar la precisión del modelo, incorporando datos de dispositivos portátiles, y en comprender qué patrones utiliza para generar sus predicciones.

«Aunque el modelo no explica sus resultados en palabras, hemos desarrollado técnicas para interpretar qué señales está considerando», señaló Zou.

Los investigadores observaron que, si bien las señales cardíacas pesan más en la predicción de enfermedades cardiovasculares y las cerebrales en los trastornos mentales, las predicciones más precisas surgieron de la combinación de todas las señales.

«Cuando los distintos sistemas del cuerpo parecen desincronizados, eso puede ser un indicador de problemas futuros», concluyó Mignot.