Nuevo modelo de IA predice enfermedades mientras duermes.

Una mala noche de sueño no solo garantiza un día agotador, sino que también podría revelar enfermedades que se desarrollarán años después. Investigadores de Stanford Medicine han desarrollado un innovador modelo de inteligencia artificial llamado SleepFM que puede predecir el riesgo de desarrollar más de 100 condiciones de salud analizando únicamente los datos fisiológicos de una noche de sueño.

Según EurekAlert!, este revolucionario modelo fue entrenado con casi 600,000 horas de datos del sueño recolectados de 65,000 participantes. La información proviene de polisomnografías, estudios exhaustivos del sueño que utilizan diversos sensores para registrar actividad cerebral, cardíaca, respiratoria, movimientos oculares y de extremidades.

"Registramos una cantidad asombrosa de señales cuando estudiamos el sueño", explicó Emmanuel Mignot, profesor de Medicina del Sueño en Stanford y coautor principal del estudio publicado en Nature Medicine. "Es una especie de fisiología general que estudiamos durante ocho horas en un sujeto completamente cautivo. Es muy rico en datos".

El contexto científico detrás del avance

La polisomnografía ha sido durante décadas el estándar de oro en estudios del sueño, pero los investigadores reconocieron que solo se utilizaba una fracción de la información recolectada. Con los avances en inteligencia artificial, ahora es posible extraer significado de cantidades mucho mayores de estos datos.

James Zou, profesor asociado de ciencia de datos biomédicos y coautor del estudio, señaló que "desde una perspectiva de IA, el sueño está relativamente poco estudiado. Hay mucho trabajo de IA enfocado en patología o cardiología, pero relativamente poco en el sueño, a pesar de ser una parte tan importante de la vida".

Cómo funciona el "lenguaje del sueño"

SleepFM es un modelo de base, similar en concepto a ChatGPT pero entrenado específicamente con datos del sueño. Los 585,000 horas de datos de polisomnografía se dividen en incrementos de cinco segundos, análogos a las palabras que usan los modelos de lenguaje.

El modelo desarrolla la capacidad de incorporar múltiples flujos de datos simultáneamente: electroencefalografía, electrocardiografía, electromiografía, lectura de pulso y flujo respiratorio, comprendiendo cómo se relacionan entre sí. Para lograr esto, los investigadores desarrollaron una nueva técnica de entrenamiento llamada "aprendizaje contrastivo de exclusión", que oculta una modalidad de datos y desafía al modelo a reconstruir la pieza faltante.

Predicciones sorprendentemente precisas

Los resultados han superado las expectativas. El modelo demostró capacidades predictivas particularmente sólidas para cánceres, complicaciones del embarazo, condiciones circulatorias y trastornos mentales, logrando un índice C superior a 0.8. Este índice mide la capacidad del modelo para predecir cuál de dos individuos experimentará un evento primero.

SleepFM destacó especialmente en la predicción de enfermedad de Parkinson (índice C de 0.89), demencia (0.85), enfermedad cardíaca hipertensiva (0.84), infarto (0.81), cáncer de próstata (0.89), cáncer de mama (0.87) y muerte (0.84).

Implicaciones y perspectivas futuras

Lo más intrigante del modelo es que las predicciones más precisas se lograron combinando todas las modalidades de datos. Según Mignot, "la mayor información para predecir enfermedades la obtuvimos contrastando los diferentes canales". Los componentes corporales desincronizados —como un cerebro que parece dormido pero un corazón que parece despierto— parecían indicar problemas futuros.

El equipo trabaja actualmente en mejorar las predicciones de SleepFM, posiblemente incorporando datos de dispositivos portables, y en comprender exactamente qué interpreta el modelo. Aunque modelos con menor precisión (índices C alrededor de 0.7) ya han demostrado utilidad clínica, este desarrollo podría revolucionar la medicina preventiva.

Este avance plantea interrogantes fascinantes sobre cómo nuestro sueño refleja nuestro estado de salud general y qué tan temprano pueden detectarse las señales de enfermedad. Queda por determinar cómo esta tecnología se integrará en la práctica clínica rutinaria y si podría transformar nuestra comprensión de la medicina predictiva.