Una nueva inteligencia artificial desarrollada por investigadores de la Universidad de Stanford puede estimar el riesgo de desarrollar más de 100 enfermedades analizando únicamente las señales fisiológicas registradas durante una sola noche de sueño. El modelo, denominado SleepFM, fue entrenado con casi 600.000 horas de datos de polisomnografía —el estándar oro para el estudio del sueño— provenientes de alrededor de 65.000 personas, y predice condiciones como la enfermedad de Parkinson, demencia, infarto de miocardio, insuficiencia cardíaca, ciertos cánceres (incluidos el de próstata y mama) y hasta la mortalidad general, a menudo años antes de que aparezcan los primeros síntomas clínicos.
El estudio, publicado en la revista Nature Medicine, fue liderado por un equipo multidisciplinario que incluyó a Rahul Thapa (estudiante de doctorado en ciencias de datos biomédicos en Stanford), Magnus Ruud Kjaer y coautores senior como Emmanuel Mignot (profesor de medicina del sueño) y James Zou (profesor asociado de ciencias de datos biomédicos). Según Zou, uno de los autores principales, el modelo logra una precisión notable en varias patologías: por ejemplo, un índice de concordancia (C-index) de 0,89 para el Parkinson y el cáncer de próstata, 0,85 para la demencia y 0,87 para el cáncer de mama. Un C-index de 0,8 o superior indica que, en el 80 % o más de los casos, el modelo ordena correctamente a las personas según su riesgo real.
La polisomnografía registra simultáneamente ondas cerebrales (electroencefalograma), actividad cardíaca (electrocardiograma), respiración, movimientos oculares, tono muscular y movimientos de las piernas. SleepFM, un modelo de tipo “foundation model” similar en concepto a los grandes modelos de lenguaje, pero aplicado a señales biológicas multimodales, aprendió primero patrones generales del sueño normal: cómo se coordinan las señales del cerebro, el corazón y la respiración en diferentes fases.
Posteriormente, se afinó para tareas específicas como clasificar etapas del sueño y detectar apnea del sueño, donde igualó o superó a herramientas establecidas como U-Sleep o YASA. Finalmente, al vincular los datos de sueño con registros médicos electrónicos de hasta 25 años de seguimiento (principalmente del Stanford Sleep Medicine Center), el modelo identificó más de 1.000 categorías de enfermedades y predijo con precisión moderada a alta el riesgo futuro en 130 de ellas.
Aunque prometedor, SleepFM se basa mayoritariamente en datos de laboratorios de sueño en entornos de alta tecnología, principalmente de pacientes derivados por problemas de sueño y de regiones con acceso avanzado a la medicina. Esto genera un sesgo: las personas sin trastornos del sueño o de poblaciones marginadas están subrepresentadas. Actualmente se realizan validaciones independientes en otras cohortes para evaluar su generalización.
Los autores enfatizan que el modelo no revela causas de las enfermedades, sino correlaciones estadísticas: detecta patrones en el sueño que se asocian con diagnósticos posteriores. Matthias Jakobs, científico informático de la TU Dortmund (no involucrado en el estudio), destaca que “la mayoría de los métodos de IA no aprenden relaciones causales, pero aun así las correlaciones estadísticas fuertes tienen potencial para diagnósticos y terapias tempranas”.
