Un modelo científico de IA interpreta señales durante el sueño para detectar más de 130 enfermedades
Una nueva generación de inteligencia artificial aplicada al análisis del sueño está abriendo posibilidades inéditas para la predicción y prevención de enfermedades graves.
En una publicación difundida por la revista médica The Lancet, el médico cardiólogo y científico Eric Topol revisó junto con su colega James Zou, de la Universidad de Stanford, los alcances de SleepFM, un modelo de inteligencia artificial capaz de decodificar la enorme cantidad de datos fisiológicos obtenidos durante la polisomnografía y anticipar el riesgo futuro de más de 130 condiciones clínicas, entre ellas enfermedades cardíacas, cánceres y trastornos neurológicos.
A diferencia de los dispositivos portátiles tradicionales, que solo estiman parámetros a partir de señales indirectas como el movimiento o la saturación de oxígeno, SleepFM analiza registros directos y detallados del cerebro, el corazón, la respiración y otros sistemas fisiológicos obtenidos en clínicas especializadas. Según el trabajo, este sistema permite construir perfiles predictivos de salud a partir de millones de datos generados durante una sola noche de sueño.
El equipo investigador subraya que SleepFM no depende de variables predefinidas, sino que aprende patrones complejos mediante autoaprendizaje.
James Zou, autor del estudio original liderado por la Universidad de Stanford, indicó: “SleepFM está esencialmente aprendiendo el lenguaje del sueño”. En tanto Topol remarcó en una publicación en su cuenta de X: “Los datos del sueño son una ventana a la salud y al riesgo de muchas enfermedades, decodificados por la IA”.
Cómo funciona SleepFM y cuáles son las diferencias con la tecnología actual
Esta infografía detalla el funcionamiento de SleepFM, una inteligencia artificial avanzada capaz de decodificar el “lenguaje del sueño” para predecir más de 130 condiciones médicas. Analiza la diferencia entre dispositivos de consumo y estándares clínicos, destacando cómo el aprendizaje auto-supervisado identifica patrones en señales cerebrales y cardíacas para transformar el sueño en un signo vital predictivo. Crédito: InfografíaIA.SleepFM fue entrenado con 585.000 horas de registros de polisomnografía de 65.000 personas, enlazados a historiales médicos electrónicos y datos demográficos. La polisomnografía clínica —considerada el estándar de referencia global— integra mediciones de la actividad cerebral, cardíaca, respiratoria y muscular durante al menos ocho horas continuas en ambientes controlados.
A diferencia de los dispositivos portátiles de uso doméstico, que sintetizan la información fisiológica nocturna en métricas resumidas y menos fiables, SleepFM aprovecha la riqueza de señales fisiológicas para crear representaciones profundas del sueño y su vínculo con la salud futura.
Según publicó The Lancet, este enfoque incrementa la sensibilidad y especificidad de la predicción de riesgos médicos.
El procesamiento de los millones de datos generados por múltiples sensores y su integración en predicciones confiables representó uno de los principales desafíos técnicos. SleepFM supera este obstáculo utilizando métodos de autoaprendizaje, lo que permite descifrar patrones latentes en los datos y elevar la precisión de sus estimaciones.
Resultados y validación del modelo para predicción de enfermedades
Las predicciones del modelo alcanzaron altos índices de concordancia en enfermedades como hipertensión, Parkinson, demencia y cáncer de mama (Imagen Ilustrativa Infobae)El modelo logró identificar riesgos futuros para 130 enfermedades, incluidas Parkinson, demencia, cardiopatía hipertensiva, infarto de miocardio y varios tipos de cáncer, según el estudio.
Para medir la precisión de SleepFM, los investigadores emplearon el índice de concordancia (índice C): un valor de 0,8 indica que la predicción de la IA coincide el 80% de las veces con el desenlace real.
SleepFM alcanzó índices de 0,89 para la enfermedad de Parkinson, 0,85 para demencia, 0,84 para muerte y 0,87 en cáncer de mama.
El análisis conjunto de señales cerebrales, cardíacas y respiratorias potenció la capacidad predictiva del modelo. Emmanuel Mignot es profesor de medicina del sueño en la Universidad de Stanford, y uno de los coautores del estudio anterior sobre la misma tecnología y al respecto de los hallazgos señaló: “La mayor cantidad de información para predecir enfermedades la obtuvimos contrastando los diferentes canales”.
Avances, desafíos y perspectivas clínicas de la inteligencia artificial aplicada al sueño
La inteligencia artificial aplicada al sueño permite anticipar enfermedades años antes de que aparezcan síntomas clínicos detectables (Imagen Ilustrativa Infobae)Aunque los resultados son prometedores, la aplicación clínica de esta tecnología enfrenta desafíos relevantes. James Zou reconoció que aún no se comprende totalmente cómo la IA genera sus predicciones. Las conclusiones publicadas en The Lancet advierten que, antes de incorporar SleepFM en la práctica médica convencional, serán necesarios estudios prospectivos y validaciones externas para garantizar su robustez y generalización.
La revista destaca que la fisiología nocturna probablemente refleja múltiples mecanismos sistémicos y comorbilidades, consolidando al sueño como una ventana holística a la salud. La estandarización del vínculo entre polisomnografía y resultados clínicos a largo plazo podría acelerar el desarrollo de sistemas de estratificación de riesgo.
El antecedente de Stanford y el salto metodológico de SleepFM
Los resultados de SleepFM sugieren que la fisiología nocturna contiene información relevante sobre la salud futura de los pacientes (Imagen Ilustrativa Infobae)Previos avances en inteligencia artificial aplicada al sueño, como los desarrollados por Stanford Medicine, ya habían demostrado la utilidad de analizar registros fisiológicos nocturnos para anticipar condiciones graves.
Según investigaciones anteriores, sistemas previos utilizaban datos clínicos tradicionales y análisis supervisados, logrando predecir riesgos como cáncer, complicaciones cardíacas y patologías mentales. Sin embargo, estos enfoques estaban limitados por su dependencia de variables manuales y por la incapacidad de integrar grandes volúmenes de datos multicanal.
SleepFM representa un salto metodológico, al prescindir por completo de la ingeniería manual y recurrir a modelos fundacionales capaces de aprender directamente del conjunto completo de señales fisiológicas. Este enfoque, validado por The Lancet, amplía el espectro de predicción y mejora la sensibilidad de los resultados.
Próximos pasos: integración con dispositivos portátiles y otras fuentes de datos
El equipo internacional de investigadores explora la transferencia de los algoritmos de SleepFM desde la polisomnografía clínica hacia dispositivos portátiles, utilizando técnicas de aprendizaje por transferencia y alineación de señales.
Si se logra, la integración de datos del sueño con otros biomarcadores —como perfiles de microbioma o relojes biológicos— podría permitir modelos de salud sistémica más completos, según lo publicado en The Lancet.
El objetivo es que el análisis automatizado del sueño con IA se convierta en un indicador de salud tan fundamental como los signos vitales clásicos, permitiendo la detección temprana y el monitoreo personalizado de riesgos, incluso antes de la aparición de síntomas visibles.
