Una nueva inteligencia artificial desarrollada en la Universidad de Stanford demostró que es posible estimar el riesgo de padecer más de 130 enfermedades a partir de los datos obtenidos en una sola noche de sueño en un laboratorio especializado. El sistema, denominado SleepFM, analiza señales fisiológicas registradas durante el descanso nocturno y permite anticipar riesgos asociados a patologías como el párkinson, la demencia, el infarto de miocardio y distintos tipos de cáncer, entre ellos el de próstata y el de mama. Según los investigadores, esta capacidad predictiva podría manifestarse años antes de la aparición de los primeros síntomas clínicos.
El científico de datos James Zou, uno de los autores del estudio publicado en la revista Nature Medicine, explicó que la herramienta puede detectar patrones relevantes “años antes de que aparezcan los primeros síntomas”. La investigación se apoya en la premisa de que el sueño refleja de manera integrada el estado general del organismo, ya que durante ese período interactúan de forma coordinada el sistema nervioso, el sistema cardiovascular y la respiración. El análisis simultáneo de estas variables abre una nueva vía para la evaluación temprana de la salud.
SleepFM fue desarrollada por un equipo liderado por Rahul Thapa, científico de datos biomédicos de Stanford, y entrenada con una de las bases de datos de sueño más extensas utilizadas hasta el momento. El modelo se presenta como un avance relevante en el uso de la inteligencia artificial aplicada a la medicina preventiva, especialmente en un campo como el del sueño, donde la cantidad de datos fisiológicos disponibles resulta particularmente rica y compleja.
CÓMO LA IA INTERPRETA LAS SEÑALES DEL SUEÑO
La base técnica del estudio es la polisomnografía, el método estándar para la investigación del sueño en laboratorio. Este procedimiento registra de forma simultánea las ondas cerebrales, la actividad cardíaca, la respiración, la tensión muscular y los movimientos oculares y de las piernas. En el caso de SleepFM, el equipo utilizó aproximadamente 585.000 horas de registros correspondientes a unas 65.000 personas, en su mayoría pacientes del Centro de Medicina del Sueño de Stanford.
Durante una fase inicial de entrenamiento, la inteligencia artificial aprendió cómo se coordinan entre sí las señales del cerebro, el corazón y la respiración durante el sueño normal. Los investigadores describen este proceso como el aprendizaje de un “lenguaje del sueño”, en el que el modelo identifica regularidades estadísticas y relaciones entre múltiples variables fisiológicas sin intervención manual directa.
Posteriormente, SleepFM fue ajustada para tareas específicas como la identificación de las distintas fases del sueño y el diagnóstico de la apnea del sueño. En estas funciones, el sistema alcanzó resultados comparables a los de métodos ya consolidados como U-Sleep o YASA, que se basan principalmente en datos de electroencefalogramas para analizar los estadios del descanso nocturno.
ALCANCES, PRECISIÓN Y LÍMITES DEL MODELO
A partir de más de 1.000 categorías de enfermedades analizadas, el modelo logró identificar 130 patologías cuyo riesgo puede predecirse con una precisión entre moderada y alta. Las estimaciones resultaron especialmente precisas en casos de demencia, párkinson, infarto de miocardio, insuficiencia cardíaca, ciertos tipos de cáncer y mortalidad general. Estos resultados refuerzan la hipótesis de que el sueño contiene señales tempranas vinculadas a procesos patológicos de largo plazo.
No obstante, los investigadores reconocen limitaciones importantes en la base de datos utilizada. El modelo se apoya principalmente en información proveniente de laboratorios del sueño, lo que implica una sobrerrepresentación de personas con trastornos del descanso y de regiones con acceso a medicina de alta tecnología. Las personas sin problemas de sueño o provenientes de regiones marginadas del mundo continúan estando subrepresentadas, aunque el sistema ya está siendo probado en estudios independientes.
Los especialistas subrayan además que SleepFM no establece relaciones causales, sino correlaciones estadísticas. “La mayoría de los métodos de IA no aprenden relaciones causales”, señaló el científico informático Matthias Jakobs, de la Universidad Técnica de Dortmund, quien no participó del estudio. Aun así, destacó que existe “potencial para diagnósticos y terapias, incluso si solo se utilizan correlaciones estadísticas”. En este marco, los investigadores coinciden en que la inteligencia artificial funciona como una herramienta de apoyo y alerta temprana: “Esto permite a los médicos dedicar más tiempo a sus pacientes”, afirmó Jakobs, mientras que se remarcó que la responsabilidad final del diagnóstico y el tratamiento sigue recayendo en el personal médico.