Colabora Guillermo David Subreski Román
Investigadores de Stanford Medicine han desarrollado un sistema de inteligencia artificial que puede analizar datos de una noche de sueño para predecir el riesgo de una persona de desarrollar más de 130 afecciones médicas años antes de que aparezcan los síntomas, según un estudio publicado el lunes en Nature Medicine.
El modelo fundacional, llamado SleepFM, fue entrenado con casi 585.000 horas de registros de polisomnografía de aproximadamente 65.000 participantes de múltiples cohortes de estudios del sueño. El modelo demostró una precisión predictiva particularmente alta para mortalidad por todas las causas, alcanzando un índice C de 0.84, junto con demencia (0.85), infarto de miocardio (0.81), insuficiencia cardíaca (0.80), enfermedad renal crónica (0.79), fibrilación auricular (0.78) y accidente cerebrovascular (0.78).
”Registramos una cantidad increíble de señales cuando estudiamos el sueño”, dijo Emmanuel Mignot, profesor Craig Reynolds de Medicina del Sueño en Stanford y coautor principal del estudio. “Es una especie de fisiología general que estudiamos durante ocho horas en un sujeto que está completamente bajo observación. Es muy rico en datos”.
Predicción de enfermedades en múltiples categorías
El modelo analizó más de 1.000 categorías de enfermedades e identificó 130 que podían predecirse con un índice C de al menos 0.75 y significancia estadística tras la corrección de Bonferroni. Más allá de las afecciones cardiovasculares y neurológicas, SleepFM mostró un sólido desempeño en la predicción de la enfermedad de Parkinson (índice C 0.89), cáncer de próstata (0.90), cáncer de mama (0.90) y cardiopatía hipertensiva (0.88).
Los investigadores descubrieron que, si bien las etapas individuales del sueño y los tipos de señales ofrecían un poder predictivo variable para condiciones específicas, la combinación de todas las modalidades producía un rendimiento óptimo. “La mayor cantidad de información que obtuvimos para predecir enfermedades fue al contrastar los diferentes canales”, afirmó Mignot. Los sistemas corporales que parecían estar desincronizados -como un cerebro que parece dormido pero un corazón que parece despierto- aparentemente indicaban problemas.
SleepFM también tuvo un desempeño competitivo en tareas estándar de análisis del sueño, logrando puntuaciones F1 promedio de 0.70 a 0.78 para la clasificación de etapas del sueño en múltiples conjuntos de datos y precisiones de 0.69 para la clasificación de la gravedad de la apnea del sueño. Cuando se probó con el conjunto de datos del Sleep Heart Health Study, que fue excluido del entrenamiento, el modelo mantuvo un sólido rendimiento predictivo para resultados cardiovasculares que incluyen accidente cerebrovascular (índice C 0.82) e insuficiencia cardíaca congestiva (0.85).
El equipo está trabajando para mejorar aún más las predicciones del modelo y desarrollar técnicas de interpretación para comprender qué patrones fisiológicos identifica la IA al hacer predicciones específicas de enfermedades. El estudio recibió financiamiento de los Institutos Nacionales de Salud, Knight-Hennessy Scholars y Chan-Zuckerberg Biohub.
