SleepFM, un nuevo modelo de IA desarrollado en Stanford, convierte una sola noche de sueño registrada en laboratorio en un potente sistema de alerta temprana para futuras enfermedades. Al aprender el lenguaje del sueño, puede predecir riesgos de enfermedades que van desde cardiopatías hasta cáncer.
Una sola noche en un laboratorio del sueño podría algún día ofrecer más que un diagnóstico de ronquidos o insomnio. Podría servir como un sistema de alerta temprana para enfermedades graves años antes de que aparezcan los síntomas.
Investigadores y colaboradores de Stanford Medicine han desarrollado un modelo de inteligencia artificial, llamado SleepFM, que puede analizar una noche de grabaciones detalladas del sueño y predecir el riesgo de que una persona desarrolle más de 100 problemas de salud diferentes.
La obra, publicado En la revista Nature Medicine, se aprovecha un recurso que los médicos del sueño han estado recopilando durante décadas, pero utilizando solo parcialmente: la polisomnografía, la prueba nocturna de referencia que rastrea las ondas cerebrales, los ritmos cardíacos, la respiración, los movimientos oculares, la actividad muscular y más.
La polisomnografía ya es fundamental para el diagnóstico de la apnea del sueño y otros trastornos del sueño. Sin embargo, cada estudio genera horas de datos fisiológicos exhaustivos y continuos que, en su mayoría, no se utilizan una vez redactado el informe.
“Registramos una cantidad asombrosa de señales cuando estudiamos el sueño”, declaró en un comunicado de prensa Emmanuel Mignot, coautor principal y profesor Craig Reynolds de Medicina del Sueño en Stanford. “Se trata de un tipo de fisiología general que estudiamos durante ocho horas en un sujeto completamente cautivo. Es una fuente de datos muy rica”.
SleepFM está diseñado para desbloquear esos datos.
Creado como un "modelo base" (la misma categoría amplia de IA que incluye grandes modelos de lenguaje), SleepFM se entrenó con casi 600,000 horas de datos de polisomnografía de unas 65,000 personas que se sometieron a estudios del sueño en clínicas. El grupo más numeroso provino del Centro de Medicina del Sueño de Stanford, que recopila grabaciones del sueño desde la década de 1970 y las combina con historiales médicos a largo plazo.
Desde el punto de vista de la IA, el sueño ha sido una frontera pasada por alto.
Desde la perspectiva de la IA, el sueño ha sido relativamente poco estudiado. Hay muchos otros trabajos de IA que se centran en la patología o la cardiología, pero relativamente pocos en el sueño, a pesar de que este es una parte fundamental de la vida —añadió el coautor principal, James Zou, profesor asociado de ciencia de datos biomédicos en Stanford—.
Para entrenar SleepFM, el equipo dividió cada estudio nocturno en segmentos de cinco segundos, de forma similar a cómo los modelos lingüísticos aprenden de palabras y frases individuales. Cada segmento incluía múltiples flujos de datos, como la actividad cerebral (electroencefalografía), la actividad cardíaca (electrocardiografía), la actividad muscular (electromiografía), el flujo de aire respiratorio y el pulso.
“SleepFM consiste básicamente en aprender el lenguaje del sueño”, añadió Zou.
Los investigadores también desarrollaron una nueva estrategia de entrenamiento, denominada aprendizaje contrastivo de exclusión de uno. En pocas palabras, ocultaban un tipo de señal —por ejemplo, el ritmo cardíaco— y desafiaban al modelo a reconstruirlo utilizando las señales restantes. Esto obligaba a la IA a comprender cómo se relacionan entre sí las diferentes partes de la fisiología nocturna del cuerpo.
“Uno de los avances técnicos que logramos en este trabajo fue descubrir cómo armonizar todas estas diferentes modalidades de datos para que puedan unirse y aprender el mismo lenguaje”, añadió Zou.
Después de esta amplia fase de entrenamiento, el equipo ajustó SleepFM para tareas específicas.
En primer lugar, le pidieron que hiciera lo que las herramientas de IA del sueño ya intentan: clasificar las etapas del sueño y evaluar la gravedad de la apnea del sueño. En estos parámetros, SleepFM igualó o superó el rendimiento de los modelos de vanguardia actuales.
Luego los investigadores fueron más allá y probaron si los patrones ocultos en una noche de sueño podían predecir enfermedades futuras.
Dado que el Centro de Medicina del Sueño de Stanford cuenta con décadas de historiales médicos electrónicos vinculados a sus estudios del sueño, el equipo pudo ver qué pacientes desarrollaron posteriormente diversas afecciones. Esto les permitió preguntarse: ¿Hubo algo en los datos del sueño que anticipara esos resultados?
SleepFM analizó más de 1,000 categorías de enfermedades y encontró 130 que podía predecir con razonable precisión basándose en las grabaciones originales del sueño. Los pronósticos del modelo fueron especialmente acertados en cánceres, complicaciones del embarazo, enfermedades circulatorias y trastornos de salud mental.
Para medir el rendimiento, los investigadores utilizaron una métrica estándar llamada índice de concordancia, o índice C, que captura qué tan bien un modelo puede clasificar quién tiene probabilidades de enfermarse antes.
Para todos los pares posibles de individuos, el modelo clasifica quién tiene mayor probabilidad de experimentar un evento —un infarto, por ejemplo— antes. Un índice C de 0.8 significa que el 80 % de las veces, la predicción del modelo coincide con lo que realmente ocurrió —añadió Zou.
SleepFM alcanzó o superó ese nivel para varias enfermedades graves, entre ellas la enfermedad de Parkinson, la demencia, la enfermedad cardíaca hipertensiva, el ataque cardíaco, el cáncer de próstata, el cáncer de mama y la mortalidad general.
“Nos sorprendió gratamente que, para un conjunto bastante diverso de condiciones, el modelo sea capaz de hacer predicciones informativas”, añadió Zou.
En oncología y otras especialidades ya se utilizan modelos con puntuaciones de índice C ligeramente inferiores para orientar las decisiones de tratamiento, lo que sugiere que el rendimiento de SleepFM podría ser clínicamente significativo si se valida y se implementa con cuidado.
El estudio también ofrece una visión de cómo la IA podría transformar la medicina preventiva. Si un estudio rutinario del sueño pudiera detectar un riesgo elevado de ciertos tipos de cáncer o problemas cardiovasculares con años de antelación, los médicos podrían recomendar pruebas de detección más frecuentes, cambios en el estilo de vida o un seguimiento más estrecho mucho antes de que la enfermedad se afiance.
Por ahora, SleepFM es una herramienta de investigación, no algo que los pacientes encontrarán en su próxima consulta médica del sueño. El equipo está trabajando para perfeccionar sus predicciones y hacer que el modelo sea más interpretable.
"No nos lo explica en inglés", añadió Zou. "Pero hemos desarrollado diferentes técnicas de interpretación para comprender qué analiza el modelo al realizar una predicción de una enfermedad específica".
Estas técnicas sugieren que, si bien ciertas señales son más importantes para ciertas enfermedades (los ritmos cardíacos para las enfermedades cardíacas, las ondas cerebrales para los trastornos mentales), el modelo funciona mejor cuando puede comparar múltiples canales a la vez.
“La mayor información que obtuvimos para predecir enfermedades fue contrastando los diferentes canales”, agregó Mignot.
En otras palabras, los problemas pueden aparecer cuando diferentes partes del cuerpo dejan de estar sincronizadas durante el sueño (por ejemplo, cuando la actividad cerebral sugiere un descanso profundo pero el corazón parece inusualmente activo).
De cara al futuro, los investigadores esperan mejorar SleepFM incorporando datos de wearables de consumo, que son mucho menos detallados que la polisomnografía, pero mucho más fáciles de recopilar a gran escala. También ven potencial para adaptar el modelo a diferentes poblaciones y sistemas de salud, y para explorar cómo los cambios en los patrones de sueño de una persona a lo largo del tiempo se relacionan con el riesgo de enfermedades.
El proyecto reunió a científicos de Stanford, la Universidad Técnica de Dinamarca, el Hospital Universitario de Copenhague – Rigshospitalet, BioSerenity, la Universidad de Copenhague y la Facultad de Medicina de Harvard.
Para estudiantes e investigadores en sus inicios profesionales, SleepFM es un caso práctico sobre cómo las prácticas clínicas tradicionales pueden reinventarse con la IA moderna. Una prueba diseñada para diagnosticar trastornos del sueño también podría ofrecer pistas sobre el cáncer, las enfermedades cardíacas y la salud cerebral, si aprendemos a interpretar las señales.
Fuente: Medicina de Stanford