Una sola noche de sueño podría convertirse en una poderosa herramienta de prevención en salud. Investigadores de la Universidad de Stanford desarrollaron una inteligencia artificial capaz de estimar el riesgo de más de 130 enfermedades a partir de las señales fisiológicas registradas durante el sueño, abriendo nuevas posibilidades para el diagnóstico temprano y el seguimiento clínico.
El sistema, denominado SleepFM, fue entrenado con cientos de miles de horas de estudios de sueño y demostró una precisión moderada a alta para predecir enfermedades como el párkinson, la demencia, el infarto de miocardio, la insuficiencia cardíaca y varios tipos de cáncer, incluidos el de mama y próstata.
¿Qué es SleepFM y cómo funciona?
SleepFM es un modelo de inteligencia artificial desarrollado por un equipo liderado por el científico de datos biomédicos Rahul Thapa, de la Universidad de Stanford, y cuyos resultados fueron publicados en la revista Nature Medicine.
Según James Zou, científico de datos de Stanford y coautor del estudio, esta IA puede detectar riesgos de enfermedad “años antes de que aparezcan los primeros síntomas”, lo que la convierte en una potencial herramienta de alerta temprana.
El modelo fue entrenado con aproximadamente 585.000 horas de datos de sueño correspondientes a 65.000 personas, provenientes principalmente del Centro de Medicina del Sueño de Stanford.
La polisomnografía: el “lenguaje del sueño” que analiza la IA
La base del funcionamiento de SleepFM es la polisomnografía, un estudio que mide de forma simultánea:
- Ondas cerebrales (EEG)
- Actividad cardíaca
- Respiración
- Tensión muscular
- Movimientos oculares
- Movimientos de las piernas
Durante su fase de entrenamiento, la IA aprendió cómo estas señales se coordinan entre sí durante el sueño normal, identificando patrones estadísticos que conforman una especie de “lenguaje del sueño”.
Tras su entrenamiento inicial, SleepFM fue afinado para tareas clínicas específicas como:
- Identificación de las fases del sueño
- Diagnóstico de apnea del sueño
En estas funciones, el modelo alcanzó un rendimiento comparable al de herramientas consolidadas como U-Sleep y YASA, que también analizan datos de electroencefalogramas.
Posteriormente, de más de 1.000 categorías analizadas, el sistema logró predecir el riesgo de 130 enfermedades, con especial precisión en:
- Demencia
- Párkinson
- Infarto de miocardio
- Insuficiencia cardíaca
- Algunos tipos de cáncer
- Mortalidad general
¿Qué tan representativos son los datos?
Uno de los principales límites del modelo es el origen de los datos. La mayoría proviene de laboratorios del sueño, a los que suelen acudir personas con trastornos del sueño y con acceso a sistemas de salud de alta tecnología, principalmente en regiones más ricas.
Aunque SleepFM se está probando en estudios independientes, las personas sin problemas de sueño y las poblaciones de regiones marginadas siguen estando subrepresentadas, lo que plantea desafíos para su aplicación global.
Los investigadores subrayan que SleepFM no identifica causas, sino correlaciones estadísticas entre patrones del sueño y enfermedades diagnosticadas posteriormente.
“El modelo reconoce patrones, pero no establece relaciones causales”, explica Matthias Jakobs, científico informático de la Universidad Técnica de Dortmund, quien no participó en el estudio. Aun así, considera que existe un alto potencial clínico: incluso las correlaciones pueden ser útiles para el diagnóstico y la planificación terapéutica.
Modelos como SleepFM permiten transformar grandes volúmenes de datos complejos en representaciones numéricas compactas, facilitando análisis más rápidos y precisos. Esto puede reducir errores y ahorrar tiempo en tareas como la clasificación manual de las fases del sueño o la detección de apneas.
“Esto permite que los médicos dediquen más tiempo a sus pacientes”, señala Jakobs. Sin embargo, los expertos coinciden en que la interpretación final y las decisiones terapéuticas siguen siendo responsabilidad del personal médico.
En este sentido, la inteligencia artificial se consolida como una herramienta de apoyo y un sistema de alerta temprana, pero no como un reemplazo del juicio clínico humano.
Fuente original aquí
