Inteligencia artificial de Stanford predice enfermedades a partir del sueño

Una noche de sueño inquieto puede ser más que un simple signo de fatiga; podría ser un indicio de problemas de salud que se manifestarán más adelante. Investigadores de Stanford Medicine y sus colaboradores desarrollaron un sistema de inteligencia artificial que analiza señales corporales obtenidas durante una sola noche de sueño para estimar el riesgo de desarrollar más de 100 condiciones médicas diferentes.

El sistema, denominado SleepFM, fue entrenado utilizando casi 600,000 horas de grabaciones de sueño de 65,000 individuos. Estas grabaciones provienen de la polisomnografía, una prueba exhaustiva del sueño que utiliza múltiples sensores para rastrear la actividad cerebral, la función cardíaca, los patrones de respiración, el movimiento ocular, la actividad de las piernas y otras señales físicas durante el sueño.

Los estudios del sueño contienen datos de salud no aprovechados

La polisomnografía es considerada el estándar de oro para evaluar el 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 en profundidad.

"Registramos una cantidad asombrosa de señales cuando estudiamos el sueño", afirmó Emmanual Mignot, MD, PhD, profesor de Medicina del Sueño y coautor del estudio, que se publicó el 6 de enero en Nature Medicine. "Es una especie de fisiología general que estudiamos durante ocho horas en un sujeto que está completamente cautivo. Es muy rica en datos".

En la práctica clínica habitual, solo se examina una pequeña parte de esta información. Los recientes avances en inteligencia artificial permiten a los investigadores analizar estos grandes y complejos conjuntos de datos de manera más exhaustiva. Según el equipo, este trabajo es el primero en aplicar IA a datos de sueño a tal escala.

"Desde la perspectiva de la IA, el sueño está relativamente poco estudiado. Hay mucho trabajo de IA que se centra en la patología o la cardiología, pero relativamente poco que examine el sueño, a pesar de que este es una parte tan importante de la vida", comentó James Zou, PhD, profesor asociado de ciencia de datos biomédicos y coautor del estudio.

Enseñando a la IA los patrones del sueño

Para desbloquear conocimientos a partir de los datos, los investigadores construyeron un modelo de base, un tipo de IA diseñado para aprender patrones amplios a partir de conjuntos de datos muy grandes y luego aplicar ese conocimiento a diversas tareas. Modelos de lenguaje grandes como ChatGPT utilizan un enfoque similar, aunque están entrenados en texto en lugar de señales biológicas.

SleepFM fue entrenado con 585,000 horas de datos de polisomnografía recolectados de pacientes evaluados en clínicas del sueño. Cada grabación de sueño se dividió en segmentos de cinco segundos, que funcionan de manera similar a las palabras utilizadas para entrenar sistemas de IA basados en lenguaje.

"SleepFM está aprendiendo esencialmente el lenguaje del sueño", explicó Zou.

El modelo integra múltiples flujos de información, incluyendo señales cerebrales, ritmos cardíacos, actividad muscular, mediciones de 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 enfoque elimina un tipo de señal a la vez y le pide al modelo que la reconstruya utilizando los datos restantes.

"Uno de los avances técnicos que logramos en este trabajo fue averiguar cómo armonizar todas estas diferentes modalidades de datos para que puedan unirse y aprender el mismo lenguaje", agregó Zou.

Prediciendo enfermedades futuras a partir del sueño

Después de entrenar el modelo, los investigadores lo adaptaron para tareas específicas. Primero lo probaron en evaluaciones de sueño estándar, como la identificación de etapas del sueño y la evaluación de la gravedad de la apnea del sueño. En estas pruebas, SleepFM igualó o superó el rendimiento de los modelos líderes actualmente en uso.

El equipo luego persiguió un objetivo más ambicioso: determinar si los datos del sueño podrían predecir enfermedades futuras. Para ello, vincularon los registros de polisomnografía con resultados de salud a largo plazo de los mismos individuos. Esto fue posible porque los investigadores tuvieron acceso a décadas de registros médicos de una única clínica del sueño.

El Stanford Sleep Medicine Center fue fundado en 1970 por el fallecido William Dement, MD, PhD, quien es ampliamente considerado como el padre de la medicina del sueño. El grupo más grande utilizado para entrenar SleepFM incluyó aproximadamente 35,000 pacientes de entre 2 y 96 años. Sus estudios de sueño fueron grabados en la clínica entre 1999 y 2024 y emparejados con registros de salud electrónicos que siguieron a algunos pacientes durante hasta 25 años.

Utilizando este conjunto de datos combinado, SleepFM revisó más de 1,000 categorías de enfermedades e identificó 130 condiciones que podrían preverse con una precisión razonable utilizando solo datos de sueño. Los mejores resultados se observaron para cánceres, complicaciones del embarazo, enfermedades circulatorias y trastornos de salud mental, con puntajes 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 qué tan bien un modelo puede clasificar a las personas por riesgo. Refleja con qué frecuencia el modelo predice correctamente cuál de dos individuos experimentará primero un evento de salud.

"Para todos los pares posibles de individuos, el modelo proporciona un ranking de quién es más probable que experimente un evento, como un ataque al corazón, por ejemplo, antes. Un índice C de 0.8 significa que el 80% de las veces, la predicción del modelo es concordante con lo que realmente sucedió", explicó Zou.

SleepFM tuvo un rendimiento especialmente bueno al predecir la enfermedad de Parkinson (índice C 0.89), demencia (0.85), enfermedad cardíaca hipertensiva (0.84), ataque al corazón (0.81), cáncer de próstata (0.89), cáncer de mama (0.87) y muerte (0.84).

"Nos sorprendió gratamente que para un conjunto bastante diverso de condiciones, el modelo pueda hacer predicciones informativas", comentó Zou.

Comprendiendo lo que ve la IA

Los investigadores están trabajando ahora 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 el rango de señales fisiológicas.

"No nos lo explica en inglés", dijo Zou. "Pero hemos desarrollado diferentes técnicas de interpretación para averiguar qué está observando el modelo cuando hace una predicción de enfermedad específica".

El equipo descubrió que, si bien las señales relacionadas con el corazón fueron más influyentes en la predicción de enfermedades cardiovasculares y las señales relacionadas con el cerebro jugaron un papel más importante en las predicciones de salud mental, los resultados más precisos provinieron de la combinación de todos los tipos de datos.

"La mayor cantidad de información que obtuvimos para predecir enfermedades fue contrastando los diferentes canales", afirmó Mignot. Constituyentes corporales que estaban fuera de sincronía, como un cerebro que parece estar dormido pero un corazón que parece estar despierto, parecían indicar problemas.

Rahul Thapa, un estudiante de doctorado en ciencia de datos biomédicos, y Magnus Ruud Kjaer, un estudiante de doctorado en la Universidad Técnica de Dinamarca, son los coautores principales del estudio. Investigadores de la Universidad Técnica de Dinamarca, el Hospital Universitario de Copenhague - Rigshospitalet, BioSerenity, la Universidad de Copenhague y la Escuela de Medicina de Harvard contribuyeron al trabajo. El estudio recibió financiamiento de los Institutos Nacionales de Salud (subvención R01HL161253), Knight-Hennessy Scholars y Chan-Zuckerberg Biohub.

Temas