Modelo de IA predice más de 100 enfermedades con datos que arroja tu cuerpo mientras duermes

Investigadores de la Universidad de Stanford, Estados Unidos, y otras instituciones internacionales desarrollaron SleepFM, un modelo de Inteligencia Artificial (IA) capaz de predecir el riesgo futuro de al menos 130 enfermedades a partir de los datos arrojados durante una noche de sueño.

SleepFM registra los datos mediante polisomnografía (PSG), el estándar clínico más avanzado para analizar el descanso humano, para identificar señales de enfermedades como demencia, infartos, insuficiencia cardíaca, cáncer y mortalidad general, entre otros.

El equipo investigador partió de la hipótesis “si la IA puede aprender el ‘lenguaje del sueño’, podría detectar patrones invisibles al ojo humano que preceden a la aparición de enfermedades”. Para probarlo, entrenaron SleepFM como un modelo fundacional capaz de aprender de datos no etiquetados y adaptarse a múltiples tareas clínicas.

En total, se utilizaron unas 585,000 horas de estudios de sueño provenientes de más de 65,000 personas para entrenar a SleepFM. Esto lo hace diferente a estudios previos, que solían usar entre 2,500 y 15,000 registros, es decir, entre 5 y 25 veces más datos.

Además, el modelo es agnóstico al número y tipo de sensores, lo que le permite funcionar incluso cuando faltan señales o cuando los estudios se realizaron bajo configuraciones distintas.

Tras el entrenamiento, los investigadores vincularon los estudios de sueño con historias clínicas electrónicas, mapeando diagnósticos médicos (ICD-9 e ICD-10) a más de 1,000 categorías de enfermedades.

El modelo fue evaluado para determinar si podía predecir la aparición futura de estas condiciones, evitando asociaciones triviales al excluir diagnósticos cercanos en el tiempo al estudio del sueño. SleepFM logró predecir 130 enfermedades con un nivel de precisión clínica elevado, alcanzando un índice de concordancia (C-Index) y un AUROC (Area Under the Receiver Operating Characteristic curve) iguales o superiores a 0.75, umbral considerado robusto en análisis de riesgo médico.

Te puede interesar: La Inteligencia Artificial falla como terapeuta: investigación expone riesgos éticos en chatbots

Entre los resultados más destacados se encuentran mortalidad por cualquier causa con un C-Index de 0.84, demencia con 0.85, infarto de miocardio en 0.81, insuficiencia cardíaca con 0.80, enfermedad renal crónica con 0.79, accidente cerebrovascular con 0.78 y fibrilación auricular con 0.78.

Estas predicciones se realizaron con un horizonte temporal de hasta seis años, lo que posiciona al sueño como un biomarcador temprano de enfermedades que hoy sólo se detectan cuando ya están avanzadas.

SleepFM demostró ser capaz de anticipar enfermedades oncológicas y neurodegenerativas prediciendo padecimientos como cáncer de próstata, mama y melanoma, alineándose con estudios previos que vinculan alteraciones del sueño con procesos inflamatorios, inmunológicos y hormonales.

Asimismo, en el campo neurológico, el modelo alcanzó niveles de precisión comparables, e incluso superiores, a técnicas de imagen como la resonancia magnética para predecir Alzheimer y Parkinson, condiciones en las que los trastornos del sueño suelen preceder los síntomas clínicos por años.

A pesar de su efectividad, los investigadores reconocen que uno de los retos más relevantes de la implementación de IA en entornos médicos consiste en su incapacidad para generalizar fuera del entorno donde fue entrenada. Para abordar este punto, SleepFM fue evaluado en el Sleep Heart Health Study, una base de datos completamente excluida de su entrenamiento inicial, en donde mantuvo un alto desempeño en la predicción de eventos cardiovasculares y mortalidad.

Además, superó a modelos tradicionales basados únicamente en variables demográficas como edad, sexo o índice de masa corporal, lo que refuerza el valor añadido del sueño como fuente de información clínica profunda.

Los autores subrayan que SleepFM no está diseñado para emitir diagnósticos, sino para identificar riesgos y apoyar la toma de decisiones médicas tempranas. En ese sentido, su potencial impacto va desde priorizar pacientes en riesgo hasta redefinir los chequeos preventivos, pasando por reducir la dependencia de pruebas costosas o invasivas.

Sin embargo, también advierten sobre los límites del modelo, pues fue entrenado mayoritariamente con datos de países desarrollados como Estados Unidos y algunos miembros de la Unión Europea, por lo requiere validaciones regulatorias y plantea desafíos éticos sobre el uso de datos biomédicos y predicciones de salud a largo plazo, especialmente fuera de esos territorios.

“SleepFM es apenas un punto de partida y no un producto clínico listo para su adopción masiva”, detalla la propia investigación. Por ello, los autores destacan la validación prospectiva en poblaciones más amplias y representativas, incluyendo personas sin trastornos del sueño diagnosticados, y estudios en distintos sistemas de salud y regiones geográficas para reducir sesgos de origen clínico.