Una noche inquieta a menudo provoca fatiga al día siguiente, pero también puede indicar problemas de salud que surgen mucho más tarde. Los científicos de Stanford Medicine y sus colaboradores han desarrollado un sistema de inteligencia artificial que puede examinar las señales del cuerpo durante una sola noche de sueño y predecir el riesgo de una persona de desarrollar más de 100 afecciones médicas diferentes.
El sistema, llamado SleepFM, se entrenó utilizando casi 600.000 horas de grabaciones de sueño de 65.000 personas. Estas grabaciones provienen de la polisomnografía, una prueba de sueño profundo que utiliza múltiples sensores para rastrear la actividad cerebral, la función cardíaca, los patrones de respiración, los movimientos oculares, los movimientos de las piernas y otras señales físicas durante el sueño.
Los estudios del sueño retienen datos de salud no utilizados
La polisomnografía se considera el estándar de oro para la evaluación del sueño y generalmente se realiza durante la noche en un laboratorio. Aunque se utiliza ampliamente para diagnosticar trastornos del sueño, los investigadores se dieron cuenta de que también captura una gran cantidad de información fisiológica que rara vez se ha analizado por completo.
“Cuando estudiamos el sueño, registramos una sorprendente cantidad de señales”, dijo Emmanuel Mignot, MD, PhD, profesor Craig Reynolds de Medicina del Sueño y coautor principal del nuevo estudio, que se publicará el 6 de enero en Nature Medicine. “Es una especie de fisiología simple que estudiamos durante ocho horas en un sujeto completamente cautivo. Es extremadamente rico en datos”.
En la práctica clínica habitual, sólo se examina una pequeña parte de esta información. Los avances recientes en inteligencia artificial ahora permiten a los investigadores 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 una escala tan grande.
“Desde la perspectiva de la IA, el sueño está relativamente poco estudiado. Hay muchos trabajos de IA que analizan la patología o la cardiología, pero el sueño está relativamente poco estudiado, a pesar de que el sueño es una parte importante de la vida”, dijo James Xu, PhD, profesor asociado de ciencia de datos biomédicos y coautor principal del estudio.
Enseñar patrones de sueño a la IA
Para obtener información valiosa de los datos, los investigadores desarrollaron un modelo básico, un tipo de IA diseñado para aprender patrones amplios de conjuntos de datos muy grandes y luego aplicar ese conocimiento a muchas tareas. Los modelos de lenguaje más grandes, como ChatGPT, utilizan un enfoque similar, aunque están entrenados con texto en lugar de señales biológicas.
SleepFM se entrenó con 585.000 horas de datos de polisomnografía recopilados de pacientes evaluados en clínicas del sueño. Cada grabación del sueño se dividió en segmentos de cinco segundos, que sirvieron como sonidos utilizados para entrenar el sistema de inteligencia artificial basado en el lenguaje.
“SleepFM consiste básicamente en aprender el lenguaje del sueño”, afirma Zou.
El modelo integra múltiples flujos de información, incluidas señales cerebrales, ritmo cardíaco, actividad muscular, mediciones del pulso y flujo de aire durante la respiración, y aprende cómo interactúan estas señales. Para ayudar al sistema a comprender estas relaciones, los investigadores desarrollaron un método de entrenamiento llamado aprendizaje contrastivo de dejar uno fuera. Este método elimina un tipo de señal a la vez y utiliza los datos restantes para reconstruir el modelo.
“Uno de los avances técnicos que hemos logrado en este trabajo es cómo reconciliar todos estos diferentes sistemas de datos para que puedan combinarse para aprender el mismo idioma”, dijo Zou.
Predicción de futuras enfermedades a partir del sueño.
Después de la formación, los investigadores adaptaron el modelo para tareas específicas. Primero lo probaron en evaluaciones estándar del sueño, como identificar las etapas del sueño y evaluar la gravedad de la apnea del sueño. En estas pruebas, SleepFM igualó o superó el rendimiento de los modelos líderes actualmente en uso.
Luego, el equipo persiguió un objetivo más ambicioso: determinar si los datos del sueño podían predecir enfermedades futuras. Para ello, vincularon los registros de polisomnografía con los resultados de salud a largo plazo en los mismos individuos. Esto fue posible porque los investigadores tuvieron acceso a décadas de registros médicos de una única clínica del sueño.
El Centro de Medicina del Sueño de Stanford fue fundado en 1970 por el fallecido William Dement, MD, PhD, ampliamente considerado el padre de la medicina del sueño. La cohorte más grande utilizada para el entrenamiento de SleepFM incluyó aproximadamente 35.000 pacientes de entre 2 y 96 años. Sus estudios del sueño se registraron en clínicas entre 1999 y 2024 y se vincularon a registros médicos electrónicos que siguieron a algunos pacientes durante 25 años.
(Los registros de polisomnografía de la clínica son más antiguos, pero solo en papel, afirma Mignot, que dirigió el centro del sueño de 2010 a 2019).
Utilizando este conjunto de datos combinado, SleepFM revisó más de 1000 categorías de enfermedades e identificó 130 condiciones que podrían predecirse con una precisión razonable utilizando únicamente datos del sueño. Los resultados más sólidos se observaron en cáncer, complicaciones del embarazo, enfermedades circulatorias y trastornos de salud mental, con puntuaciones predictivas superiores a un índice C de 0,8.
¿Cómo se mide la precisión de la predicción?
El índice C o índice de concordancia mide qué tan bien un modelo puede clasificar a las personas según su riesgo. Refleja la frecuencia con la que el modelo predice correctamente cuál de dos individuos experimentará primero un problema de salud.
“Para todos los pares posibles de personas, el modelo ofrece una clasificación de quién tiene más probabilidades de sufrir un evento (como un ataque cardíaco) antes. Un índice C de 0,8 significa que el 80% de las veces, las predicciones del modelo coinciden con lo que realmente sucedió”, dijo Zou.
SleepFM funcionó particularmente bien al predecir la enfermedad de Parkinson (índice C 0,89), demencia (0,85), enfermedad cardíaca hipertensiva (0,84), ataque cardíaco (0,81), cáncer de próstata (0,89), cáncer de mama (0,87) y muerte (0,84).
“Nos sorprendió gratamente que, para una gran variedad de condiciones, el modelo sea capaz de hacer predicciones informativas”, dijo Zou.
Zou también señaló que en la práctica médica ya se utilizan modelos con menor precisión, a menudo alrededor de un índice C de 0,7, como herramientas que ayudan a predecir cómo los pacientes podrían responder a ciertos tratamientos contra el cáncer.
Comprender lo que ve la IA
Los investigadores ahora están trabajando para mejorar las predicciones de SleepFM y comprender mejor cómo el sistema llega a sus conclusiones. Las versiones futuras pueden incorporar datos de dispositivos portátiles para ampliar la gama de señales fisiológicas.
“No nos lo explica en inglés”, dijo Zou. “Pero desarrollamos diferentes técnicas de interpretación para determinar qué ve el modelo al predecir una enfermedad en particular”.
El equipo descubrió que las señales relacionadas con el corazón eran más influyentes en la predicción de enfermedades cardiovasculares, y las señales relacionadas con el cerebro desempeñaban un papel más importante en la predicción de la salud mental, y todos los tipos de datos combinados producían los resultados más precisos.
“La mayor información que encontramos para predecir enfermedades fue contrastar los diferentes canales”, dijo Mignot. Los componentes del cuerpo que no estaban sincronizados (un cerebro que parecía dormido pero un corazón que parecía despierto) parecían significar problemas.
Rahul Thapa, estudiante de doctorado en ciencia de datos biomédicos, y Magnus Ruud Keir, estudiante de doctorado de la Universidad Técnica de Dinamarca, son coautores principales del estudio.
Investigadores de la Universidad Técnica de Dinamarca, el Hospital Universitario de Copenhague-Riggsspitalet, BioSerenity, la Universidad de Copenhague y la Facultad de Medicina de Harvard contribuyeron al trabajo.
La investigación recibió financiación de los Institutos Nacionales de Salud (subvención R01HL161253), Knight-Hennessy Scholars y Chan-Zuckerberg BioHub.
