Un modelo científico de IA interpreta señales durante el sueño

Una nueva ola de inteligencia artificial aplicada al estudio del sueño está abriendo caminos innovadores para anticipar y prevenir enfermedades graves.

En un artículo difundido por The Lancet, el cardiólogo y científico Eric Topol, junto con James Zou, de la Universidad de Stanford, analizaron el potencial de SleepFM, un modelo de IA diseñado para interpretar la enorme cantidad de información fisiológica recogida durante una polisomnografía. Esta herramienta puede estimar el riesgo futuro de más de 130 enfermedades, entre ellas patologías cardiovasculares, distintos tipos de cáncer y trastornos neurológicos.

A diferencia de los wearables convencionales, que calculan datos a partir de señales indirectas como el movimiento corporal o la saturación de oxígeno, SleepFM procesa registros clínicos directos del cerebro, el corazón, la respiración y otros sistemas, obtenidos en laboratorios especializados. Con millones de datos generados en una sola noche, el sistema construye perfiles predictivos de salud a largo plazo.

El equipo científico destaca que SleepFM no se basa en variables preseleccionadas, sino que identifica patrones complejos mediante aprendizaje autosupervisado. Según explicó Zou, el modelo está “aprendiendo el lenguaje del sueño”, mientras que Topol subrayó que los datos nocturnos constituyen una ventana privilegiada para comprender el riesgo de múltiples enfermedades cuando son descifrados por IA.

Funcionamiento y diferencias con la tecnología actual

SleepFM fue entrenado con 585.000 horas de estudios de polisomnografía correspondientes a 65.000 personas, vinculadas con historiales médicos electrónicos y datos demográficos. La polisomnografía, considerada el estándar clínico internacional, registra durante al menos ocho horas continuas la actividad cerebral, cardíaca, respiratoria y muscular en entornos controlados.

A diferencia de los dispositivos domésticos, que resumen la información en métricas simplificadas, este modelo aprovecha la riqueza de señales fisiológicas completas para generar representaciones profundas del sueño y su relación con la salud futura. Según lo publicado en The Lancet, este enfoque mejora la sensibilidad y especificidad en la predicción de riesgos médicos.

Uno de los mayores retos fue procesar e integrar millones de datos procedentes de múltiples sensores en estimaciones confiables. SleepFM supera esta dificultad mediante técnicas de autoaprendizaje capaces de detectar patrones ocultos y aumentar la precisión de los resultados.

Resultados y validación

El sistema logró proyectar el riesgo de 130 enfermedades, entre ellas Parkinson, demencia, cardiopatía hipertensiva, infarto de miocardio y varios tipos de cáncer. Para evaluar su rendimiento, los investigadores utilizaron el índice de concordancia (índice C), donde un valor de 0,8 implica que la predicción coincide con el desenlace real en el 80 % de los casos.

SleepFM alcanzó un índice de 0,89 en enfermedad de Parkinson, 0,85 en demencia, 0,84 en mortalidad y 0,87 en cáncer de mama. El análisis combinado de señales cerebrales, cardíacas y respiratorias fue clave para potenciar su capacidad predictiva. Emmanuel Mignot, profesor de medicina del sueño en Stanford y coautor del estudio, señaló que la mayor información predictiva surgió al contrastar los distintos canales fisiológicos.

Desafíos y perspectivas clínicas

Aunque los resultados son alentadores, aún existen obstáculos para su incorporación en la práctica médica. Zou reconoció que todavía no se comprende completamente cómo la IA genera determinadas predicciones. El análisis publicado en The Lancet advierte que se requerirán estudios prospectivos y validaciones externas antes de adoptar ampliamente esta herramienta en entornos clínicos.

Los expertos sostienen que la fisiología del sueño refleja múltiples procesos sistémicos y enfermedades coexistentes, lo que refuerza la idea de que el descanso nocturno es un indicador integral de salud. Estandarizar la relación entre los datos de polisomnografía y los resultados clínicos a largo plazo podría acelerar el desarrollo de sistemas más precisos de estratificación de riesgo.

Un salto metodológico y el futuro

Investigaciones previas impulsadas por Stanford Medicine ya habían demostrado que el análisis de registros nocturnos podía anticipar enfermedades graves. Sin embargo, esos modelos dependían de variables seleccionadas manualmente y tenían limitaciones para integrar grandes volúmenes de datos multicanal.

SleepFM supone un avance significativo al prescindir de esa ingeniería manual y utilizar modelos fundacionales capaces de aprender directamente de todas las señales fisiológicas disponibles. Esto amplía el espectro de predicción y mejora la sensibilidad diagnóstica.

El siguiente paso apunta a trasladar estos algoritmos desde la polisomnografía clínica hacia dispositivos portátiles, mediante técnicas de aprendizaje por transferencia. Si se concreta, la combinación de datos del sueño con otros biomarcadores —como el microbioma o los relojes biológicos— podría dar lugar a modelos más integrales de salud sistémica.

La meta final es que el análisis automatizado del sueño mediante IA se convierta en un indicador tan relevante como los signos vitales tradicionales, permitiendo detectar riesgos y personalizar la prevención incluso antes de que aparezcan síntomas evidentes.

Noticias del tema