Mejorar los hábitos de sueño es una de las resoluciones de Año Nuevo más comunes. Se sabe ampliamente que descansar lo suficiente –unas ocho horas por noche– ayuda a mejorar el estado de ánimo y el rendimiento cognitivo. Pero, ¿cuánto impacto tiene el sueño en la salud más allá de la energía y el ánimo?
Resulta que, mucho. Investigadores de Stanford crearon recientemente un modelo de inteligencia artificial, llamado SleepFM, que utiliza grabaciones del sueño para predecir enfermedades. Liderado por James Zou y Emmanuel Mignot, el modelo puede predecir con precisión el inicio de más de 130 afecciones, desde la demencia hasta el accidente cerebrovascular.
“Intuitivamente sabemos que el sueño es un aspecto muy importante de la vida humana”, afirmó Zhou. “Una persona típica pasa un tercio de su vida durmiendo, pero aún es un área relativamente poco explorada desde la perspectiva de la inteligencia artificial.”
SleepFM se entrenó con más de 585,000 horas de grabaciones de sueño de 65,000 participantes de diversas clínicas del sueño. Los datos no eran de un solo tipo; el equipo de Zou utilizó específicamente grabaciones de polisomnografía (PSG), que capturan señales fisiológicas detalladas de múltiples aspectos del cuerpo.
“Estamos tomando grabaciones de sueño muy detalladas que capturan señales cerebrales, señales cardíacas, contracciones musculares e incluso patrones de respiración”, explicó Zou.
La combinación de estas entradas crea un conjunto de datos multimodal para que la IA aprenda sobre el sueño de forma integral. Sin embargo, un conjunto de datos grande no está exento de desafíos. Rahul Thapa, estudiante de doctorado en ciencias de la computación y autor principal del estudio, describió los obstáculos técnicos al trabajar con datos multimodales. Thapa dijo que la gran cantidad de señales presentes en los datos fue una de las mayores sorpresas.
Con más de ocho horas de grabaciones continuas para cada paciente, el primer objetivo principal fue comprender qué métodos de entrenamiento funcionaban mejor a gran escala, lo que “requirió una cantidad significativa de tiempo e iteración”, según Thapa.
El equipo descubrió que entrenar la IA con diferentes señales del cuerpo funcionó mejor que los métodos tradicionales de aprendizaje supervisado debido a la variedad en el conjunto de datos. También desarrollaron un nuevo método de “dejar uno fuera”, que entrenó al modelo para que mantuviera sus capacidades predictivas incluso con datos faltantes o heterogéneos.
“Básicamente, estamos tratando de que la IA aprenda el lenguaje del sueño”, dijo Zou.
Thapa explicó que la segunda parte del estudio se centró en las aplicaciones del modelo base. Al combinar sus datos de sueño con los registros electrónicos de salud de los pacientes, los investigadores preguntaron si los patrones del sueño de una persona son informativos sobre los resultados de salud futuros.
Thapa advierte que las predicciones deben interpretarse como estimaciones de riesgo relativo y no como un diagnóstico definitivo, ya que los modelos no están aprobados por la FDA y no se han validado prospectivamente en un entorno clínico.
“Nuestro objetivo es comprender las señales y asociaciones a nivel de población, en lugar de proporcionar decisiones médicas para pacientes individuales”, afirmó.
De cara al futuro, Zou y Thapa ven este proyecto extendiéndose a dispositivos portátiles (wearables), que son dispositivos electrónicos pequeños y portátiles con sensores y software integrados para recopilar datos de salud, estado físico o rendimiento. Con los últimos modelos de Apple Watch incluso proporcionando puntuaciones de apnea del sueño y electrocardiogramas, estos dispositivos se están posicionando cada vez más como la primera línea en la detección de riesgos de enfermedades.
Chibuike Ukwakwe M.D. ’28 Ph.D. ’28, quien investiga la bioelectrónica portátil, elogió la creatividad de los investigadores en el diseño de la arquitectura de SleepFM. Aunque el modelo se entrena con datos de PSG que incluyen muchas más señales que los dispositivos portátiles de consumo actuales en el mercado, Ukwakwe cree que la tecnología podría analizar los datos de sueño de los dispositivos portátiles en el futuro.
“Puedo ver que los datos recopilados de los dispositivos portátiles impulsados por la IA se utilizan para respaldar la toma de decisiones clínicas”, dijo Ukwakwe.
Este proyecto es solo el último ejemplo de cómo la IA se puede utilizar para integrar datos fisiológicos multimodales y obtener información clínica del sueño, que ahora se considera una ventana no solo a nuestra salud actual sino también futura.
“El sueño contiene tanta información fisiológica que apenas estamos comenzando a aprovechar”, concluyó Thapa.
