Una noche agitada suele provocar fatiga al día siguiente, pero también puede indicar problemas de salud que quizá no surjan hasta mucho más tarde. Científicos de Stanford Medicine y sus colaboradores han desarrollado un sistema de inteligencia artificial capaz de examinar las señales corporales de una sola noche de sueño y evaluar el riesgo de una persona de padecer más de 100 enfermedades distintas. El sistema, denominado SleepFM, se entrenó utilizando casi 600.000 horas de grabaciones del sueño de 65.000 personas. Estas grabaciones proceden de la polisomnografía, una prueba del sueño en profundidad que utiliza múltiples sensores para rastrear la actividad cerebral, la función cardiaca, los patrones respiratorios, los movimientos oculares, los movimientos de las piernas y otras señales físicas durante el sueño.

Los estudios del sueño contienen datos sanitarios sin explotar

La polisomnografía se considera la prueba de referencia para evaluar el sueño y suele realizarse durante la noche en un laboratorio. Aunque a menudo se utiliza para diagnosticar trastornos del sueño, los investigadores han reconocido que también capta una gran cantidad de información fisiológica que no se ha analizado en su totalidad. «Registramos un número asombroso de señales cuando estudiamos el sueño», afirma el Dr. Emmanual Mignot, catedrático Craig Reynolds de Medicina del Sueño y coautor principal del nuevo estudio publicado en Nature Medicine. «Es una especie de fisiología general que estudiamos durante ocho horas en una persona que está completamente a nuestro cuidado. Los datos son muy amplios».

En la práctica clínica habitual, sólo se examina una pequeña fracción de esta información. Gracias a los recientes avances en inteligencia artificial, los investigadores pueden ahora analizar más a fondo estos grandes y complejos conjuntos de datos. Según el equipo, este trabajo es el primero en aplicar la IA a los datos del sueño a tan gran escala. «Desde el punto de vista de la IA, el sueño está relativamente poco estudiado. Hay muchos otros trabajos de IA sobre patología o cardiología, pero relativamente pocos sobre el sueño, a pesar de que el sueño es una parte tan importante de la vida», afirma James Zou, profesor asociado de ciencia de datos biomédicos y coautor principal del estudio.

Enseñar a la IA patrones de sueño

Para obtener información a partir de los datos, los investigadores desarrollaron un modelo base, un tipo de IA diseñado para aprender patrones generales a partir de conjuntos de datos muy amplios y luego aplicar ese conocimiento a muchas tareas. Los grandes modelos lingüísticos, como ChatGPT, utilizan un enfoque similar, pero se entrenan a partir de texto y no de señales biológicas. SleepFM se entrenó a partir de 585.000 horas de datos de polisomnografía recogidos de pacientes examinados en clínicas del sueño. Cada sesión de monitorización del sueño se dividió en segmentos de cinco segundos, que funcionan de forma similar a las palabras utilizadas para entrenar sistemas de inteligencia artificial basados en el lenguaje. Según Zou, SleepFM aprende el lenguaje del sueño.

El modelo integra múltiples flujos de información, como las señales cerebrales, los ritmos cardíacos, la actividad muscular, las mediciones del pulso y el flujo de aire durante la respiración, y aprende cómo estas señales interactúan entre sí. Para ayudar al sistema a comprender estas relaciones, los investigadores desarrollaron un método de entrenamiento denominado «aprendizaje contrastivo sin intervención». En este método, se elimina un tipo de señal cada vez y se pide al modelo que la reconstruya utilizando los datos restantes. Una de las innovaciones técnicas que lograron en este trabajo es averiguar cómo armonizar todas estas modalidades de datos diferentes para que puedan unirse y aprender el mismo lenguaje.

Predecir futuras enfermedades basándose en el sueño

Tras el entrenamiento, los investigadores adaptaron el modelo a tareas específicas. En primer lugar, lo probaron en estudios estándar del sueño, como la identificación de las fases del sueño y la evaluación de la gravedad de la apnea del sueño. En estas pruebas, SleepFM igualó o incluso superó el rendimiento de los principales modelos actuales. A continuación, el equipo persiguió un objetivo más ambicioso: averiguar si los datos del sueño pueden predecir enfermedades futuras. Para ello, relacionaron las grabaciones polisomnográficas con los resultados de salud a largo plazo de los mismos individuos. Esto fue posible porque los investigadores tuvieron acceso a décadas de historiales médicos de una única clínica del sueño.

El Centro de Medicina del Sueño de Stanford fue fundado en 1970 por el Dr. William Dement, considerado el padre de la medicina del sueño. El grupo más grande utilizado para entrenar el SleepFM incluía a unos 35.000 pacientes de entre 2 y 96 años. Sus estudios del sueño se registraron en la clínica entre 1999 y 2024 y se cotejaron con los historiales médicos electrónicos de algunos pacientes durante 25 años. Los registros de polisomnografía de la clínica se remontan incluso más atrás, pero solo en papel, según Mignot, quien dirigió el centro del sueño de 2010 a 2019. Utilizando este conjunto de datos combinados, SleepFM revisó más de 1.000 categorías de enfermedades e identificó 130 afecciones que podían predecirse con una precisión razonable basándose únicamente en los datos del sueño. Los mejores resultados se obtuvieron en cáncer, complicaciones del embarazo, enfermedades circulatorias y trastornos mentales, con valores de predicción superiores a un índice C de 0,8.

Cómo se mide la precisión de la predicción

El índice C, o índice de concordancia, mide lo bien que un modelo puede clasificar a los individuos en función de su riesgo. Indica con qué frecuencia el modelo predice correctamente cuál de dos individuos experimentará primero un evento de salud. «Para todos los pares de individuos posibles, el modelo clasifica quién tiene más probabilidades de sufrir antes un acontecimiento (por ejemplo, un infarto de miocardio). Un índice C de 0,8 significa que la predicción del modelo coincide con el acontecimiento real en el 80% de los casos», explica Zou. SleepFM funcionó especialmente bien en la predicción de la enfermedad de Parkinson (índice C de 0,89), la demencia (0,85), la cardiopatía hipertensiva (0,84), el infarto de miocardio (0,81), el cáncer de próstata (0,89), el cáncer de mama (0,87) y la muerte (0,84).