Mientras dormís, una inteligencia artificial entrenada con 600.000 horas de sueño puede …

Una mala noche de descanso arruina el día siguiente, pero también podría anticipar enfermedades que aparecerán años más tarde. Un nuevo modelo de inteligencia artificial (IA), desarrollado por investigadores de Stanford Medicine, analiza los registros fisiológicos de una sola noche de sueño y estima el riesgo de una persona de desarrollar más de 100 condiciones de salud. El estudio fue publicado en la revista Nature Medicine.

El sistema se llama SleepFM y fue entrenado con casi 600.000 horas de datos de sueño recolectados de 65.000 participantes. Esa información proviene de la polisomnografía, un estudio exhaustivo que registra la actividad cerebral, la actividad cardíaca, las señales respiratorias, los movimientos de piernas, los movimientos oculares y mucho más a través de distintos sensores, según explicó la Universidad de Stanford en un comunicado.

La polisomnografía es el estándar de oro en los estudios del sueño: los pacientes pasan la noche en un laboratorio conectados a múltiples dispositivos. Pero, según los investigadores, también es una mina de oro fisiológica sin explotar. Solo una fracción de esos datos se aprovecha en la medicina actual.

“Registramos una cantidad asombrosa de señales cuando estudiamos el sueño”, indicó Emmanuel Mignot, médico y coautor principal del estudio. “Es una especie de fisiología general que estudiamos durante ocho horas en un sujeto completamente cautivo. Es muy rica en datos”, agregó.

Con el avance de la IA, hoy es posible extraer sentido de ese enorme volumen de información. Este estudio es el primero en aplicar esta tecnología al análisis de datos de sueño a tan gran escala.

“Desde la perspectiva de la IA, el sueño es un área relativamente poco estudiada. Hay mucho trabajo en patología o cardiología, pero relativamente poco en sueño, a pesar de que es una parte fundamental de la vida”, explicó James Zou, profesor asociado de ciencia de datos biomédicos en Stanford y coautor principal del estudio.

El sueño como lenguaje

Para aprovechar esa riqueza de datos, los investigadores construyeron un modelo de fundación, un tipo de IA capaz de entrenarse con enormes volúmenes de información y aplicar lo aprendido a una amplia variedad de tareas. Los modelos de lenguaje como ChatGPT son ejemplos de esta arquitectura, pero entrenados con texto.

En el caso de SleepFM, los datos de polisomnografía —585.000 horas en total— se dividieron en fragmentos de cinco segundos, análogos a las “palabras” que usan los modelos de lenguaje para aprender. “SleepFM aprende, en esencia, el lenguaje del sueño”, precisó Zou.

El modelo integró múltiples flujos de datos —electroencefalografía, electrocardiografía, electromiografía, lectura de pulso y flujo de aire respiratorio, entre otros— para identificar cómo se relacionan entre sí. Para lograrlo, los investigadores desarrollaron una técnica de entrenamiento llamada “aprendizaje contrastivo por exclusión”: el sistema ocultó una modalidad de datos y desafió al modelo a reconstruir la pieza faltante a partir de las otras señales.

“Uno de los avances técnicos de este trabajo fue descubrir cómo armonizar todas estas modalidades de datos para que aprendan el mismo lenguaje”, sostuvo Zou.

130 enfermedades en el horizonte

Luego de la fase de entrenamiento, los investigadores evaluaron el modelo en análisis estándar del sueño, como la clasificación de las etapas del descanso y el diagnóstico de la severidad de la apnea del sueño. SleepFM obtuvo resultados iguales o mejores que los modelos más avanzados disponibles en la actualidad.

Después, los investigadores apuntaron más alto: predecir el inicio de enfermedades a partir de los datos de sueño. Para eso, cruzaron los registros de polisomnografía con las historias clínicas de los mismos participantes a lo largo del tiempo.

El Centro de Medicina del Sueño de Stanford fue fundado en 1970 y conserva décadas de información: la cohorte más grande utilizada para entrenar SleepFM —unos 35.000 pacientes de entre 2 y 96 años— tuvo sus estudios recolectados entre 1999 y 2024, con hasta 25 años de seguimiento posterior para algunos pacientes.

SleepFM analizó más de 1.000 categorías de enfermedades en las historias clínicas y encontró 130 que podían predecirse con precisión razonable. El modelo fue especialmente eficaz para cánceres, complicaciones en el embarazo, enfermedades circulatorias y trastornos mentales, con un índice C superior a 0,8.

El índice C, o índice de concordancia, mide la capacidad de un modelo para predecir cuál de dos individuos experimentará un evento primero. “Para todos los pares posibles de individuos, el modelo genera un ranking de quién tiene más probabilidad de sufrir un evento —un infarto, por ejemplo— antes. Un índice C de 0,8 significa que el 80 por ciento de las veces, la predicción del modelo coincide con lo que efectivamente ocurrió”, explicó Zou.

El sistema demostró una capacidad sobresaliente para anticipar la enfermedad de Parkinson (índice C: 0,89), demencia (0,85), enfermedad cardíaca hipertensiva (0,84), infarto de miocardio (0,81), cáncer de próstata (0,89), cáncer de mama (0,87) y muerte (0,84).

“Fue una agradable sorpresa que, para un conjunto bastante diverso de condiciones, el modelo pueda realizar predicciones informativas”, destacó Zou. Modelos con índices C alrededor de 0,7 —como los que predicen la respuesta de un paciente a distintos tratamientos oncológicos— ya demostraron utilidad clínica, añadió el investigador.

Cuerpos fuera de sincronía

Los investigadores trabajan en la mejora de las predicciones de SleepFM, con la posibilidad de incorporar datos de dispositivos portátiles, y en la comprensión de qué observa exactamente el modelo al tomar sus decisiones.

“No nos lo explica en inglés. Pero desarrollamos distintas técnicas de interpretación para descubrir qué analiza el modelo cuando realiza una predicción específica sobre una enfermedad”, señaló Zou.

Un hallazgo clave: aunque las señales cardíacas tienen más peso en las predicciones de enfermedades del corazón y las señales cerebrales en las de salud mental, fue la combinación de todas las modalidades de datos la que arrojó los resultados más precisos.

“La mayor información para predecir enfermedades la obtuvimos al contrastar los diferentes canales”, remarcó Mignot. Los componentes del cuerpo que estaban fuera de sincronía —un cerebro que parece dormir mientras el corazón parece estar despierto, por ejemplo— parecieron ser señal de problemas futuros.