
Una mala noche de sueño puede anunciar un mal día, pero también podría dar pistas sobre enfermedades que aparecerán años después. Investigadores de Stanford Medicine y sus colaboradores presentaron SleepFM, el primer modelo de inteligencia artificial capaz de predecir el riesgo de más de 100 problemas de salud a partir de los registros de una sola noche de sueño.
Una mina de datos poco aprovechada
El estudio fue publicado el 6 de enero en la revista Nature Medicine. El modelo se entrenó con cerca de 585,000 horas de datos de sueño de unas 65,000 personas, obtenidos mediante polisomnografía.
La polisomnografía es la prueba de referencia en los estudios del sueño. Con varios sensores registra la actividad cerebral y cardíaca, la respiración, los movimientos de las piernas y de los ojos, entre otras señales, mientras el paciente duerme en un laboratorio.
«Registramos una cantidad asombrosa de señales cuando estudiamos el sueño», explicó Emmanuel Mignot, profesor de Medicina del Sueño en Stanford y coautor principal del estudio. «Es una especie de fisiología general que estudiamos durante ocho horas».
Sin embargo, solo una fracción de esos datos se usa hoy en la investigación y en la medicina del sueño. «Desde la perspectiva de la IA, el sueño está relativamente poco estudiado», señaló James Zou, profesor asociado de ciencia de datos biomédicos y también coautor principal.

Aprender «el idioma del sueño»
Los investigadores construyeron un modelo fundacional, el mismo tipo de IA que está detrás de los grandes modelos de lenguaje como ChatGPT, que se entrena con enormes volúmenes de datos y luego se adapta a distintas tareas.
Los registros se dividieron en fragmentos de cinco segundos, equivalentes a las palabras con las que se entrenan los modelos de lenguaje. «SleepFM está esencialmente aprendiendo el idioma del sueño», dijo Zou.
El modelo combina varias fuentes de datos, como electroencefalografía, electrocardiografía, electromiografía, pulso y flujo de aire respiratorio. Para integrarlas, el equipo creó una técnica que oculta un tipo de señal y obliga al modelo a reconstruirla a partir de las demás.
En tareas habituales, como clasificar las fases del sueño o diagnosticar la gravedad de la apnea, SleepFM rindió igual o mejor que los modelos más avanzados disponibles.

Párkinson, demencia e infartos
Para predecir enfermedades, el equipo usó datos del Centro de Medicina del Sueño de Stanford, fundado en 1970. La cohorte principal incluyó unos 35,000 pacientes de entre 2 y 96 años, estudiados entre 1999 y 2024, cuyos registros se vincularon con sus historias clínicas, con hasta 25 años de seguimiento.
SleepFM analizó más de 1,000 categorías de enfermedades y encontró 130 que podían predecirse con una precisión razonable. Los mejores resultados se dieron en cánceres, complicaciones del embarazo, enfermedades circulatorias y trastornos mentales, con un índice C superior a 0.8.
El modelo destacó al predecir párkinson (índice C de 0.89), demencia (0.85), cardiopatía hipertensiva (0.84), infarto (0.81), cáncer de próstata (0.89), cáncer de mama (0.87) y muerte (0.84).
«Un índice C de 0.8 significa que el 80 % de las veces la predicción del modelo coincide con lo que realmente ocurrió», explicó Zou, al detallar cómo se ordena qué persona tiene más probabilidades de sufrir un evento antes.
Lo que sigue
Los investigadores observaron que la combinación de todas las señales ofrecía las predicciones más precisas. Las señales desincronizadas, por ejemplo un cerebro que parece dormido y un corazón que parece despierto, parecían anunciar problemas de salud.
«La mayor información para predecir enfermedades la obtuvimos al contrastar los distintos canales», indicó Mignot.
El equipo trabaja ahora para mejorar las predicciones, posiblemente añadiendo datos de dispositivos portátiles, y para entender mejor qué está «mirando» el modelo en cada caso. «No nos lo explica en inglés», dijo Zou, quien añadió que el equipo ha desarrollado técnicas de interpretación para saber en qué se fija el modelo al hacer cada predicción.
En el trabajo participaron también la Universidad Técnica de Dinamarca, el Hospital Universitario de Copenhague-Rigshospitalet, BioSerenity, la Universidad de Copenhague y la Escuela de Medicina de Harvard. El estudio recibió fondos de los Institutos Nacionales de Salud de Estados Unidos.
