Un análisis del sueño mediante inteligencia artificial podría anticipar más de cien enfermedades graves, afirma un estudio

Dormir ya no es solo un acto de descanso: una sola noche bajo observación puede revelar el destino de tu salud. Un avance revolucionario en inteligencia artificial, impulsado por Stanford Medicine, permite anticipar con precisión inédita el riesgo de más de cien enfermedades graves mediante el análisis de señales fisiológicas recogidas mientras dormimos.

Según detallaron, patologías como cáncer, infartos, demencia y trastornos mentales podrían dejar de ser amenazas invisibles para convertirse en riesgos detectables, años antes de que aparezcan los primeros síntomas.

El modelo, denominado SleepFM, es el primero entrenado a gran escala con registros de polisomnografía nocturna —el método más completo para el estudio del sueño—; e integra datos de más de 65.000 personas y acumula alrededor de 585.000 horas de observaciones fisiológicas, reportó el Stanford Medicine News Center.

Esta tecnología procesa información sobre actividad cerebral, cardíaca, respiratoria y muscular, así como movimientos de piernas y ojos, todo capturado durante una noche de descanso en un entorno controlado.

La polisomnografía es el estándar principal para analizar el sueño y se utiliza habitualmente en el diagnóstico de trastornos como la apnea. No obstante, también permite registrar una variedad de señales que, hasta ahora, se encontraban infrautilizadas en la investigación médica tradicional.

“Registramos un número asombroso de señales cuando estudiamos el sueño. Es un tipo de fisiología general que se explora durante ocho horas en un sujeto monitorizado por completo”, explicó Emmanuel Mignot, profesor de medicina del sueño y coautor principal del estudio, al Stanford Medicine News Center.

El funcionamiento de SleepFM se apoya en una arquitectura capaz de integrar diversos flujos de datos fisiológicos. El equipo dirigido por James Zou, profesor asociado de ciencia de datos biomédicos y coautor principal, utilizó una técnica de aprendizaje contrastivo: ocultar una parte de los datos fisiológicos y desafiar al modelo para reconstruirla empleando las demás señales. “SleepFM está aprendiendo el lenguaje del sueño”, afirmó el científico durante la presentación.

Tras superar pruebas estándar para la clasificación de etapas del sueño y el diagnóstico de apnea, el sistema fue ajustado para un reto más ambicioso: anticipar enfermedades. Al relacionar los registros nocturnos con hasta 25 años de historias clínicas electrónicas, SleepFM logró anticipar con alta precisión el riesgo de 130 enfermedades a partir de una sola noche de sueño.

Entre las principales afecciones que SleepFM permite pronosticar se encuentran cánceres, demencias, infartos, complicaciones del embarazo y trastornos mentales. Entre los resultados destacados, los expertos señalaron la predicción de riesgo de enfermedad de Parkinson (índice de concordancia 0,89), demencia (0,85), infarto (0,81) y cáncer de próstata y mama (0,90 y 0,90, respectivamente), con un índice de concordancia igual o superior a 0,8 en las categorías más significativas.

“Nos sorprendió que, para un conjunto de enfermedades tan diverso, el modelo pueda hacer predicciones informativas”, señaló Zou. La base de datos principal provino de pacientes derivados al Centro del Sueño de Stanford entre 1999 y 2024, aunque SleepFM también fue validado en cohortes internacionales como la Sleep Heart Health Study, donde mantuvo alta precisión frente a variaciones temporales y de población.

Con una muestra global de 65.000 participantes y la integración de contextos clínicos estadounidenses y europeos, el trabajo publicado en Nature Medicine sostiene que SleepFM generaliza mejor que los modelos previos. Al comparar sus resultados con soluciones basadas solo en datos demográficos o con otras inteligencias artificiales entrenadas desde cero, SleepFM mostró mejoras de entre 5% y 17% en indicadores clave, dependiendo del grupo de enfermedades.

Entre sus ventajas principales destaca la capacidad de integrar señales de múltiples sistemas fisiológicos de manera simultánea, lo que refuerza su potencial diagnóstico. “El mayor caudal de información para predecir enfermedades lo obtuvimos al contrastar los diferentes canales”, puntualizó Mignot.

A pesar del avance, persisten ciertas limitaciones. La muestra principal está compuesta por personas estudiadas por trastornos del sueño, lo cual podría restringir la generalización a la población sana. Además, SleepFM sigue siendo una “caja negra”, según describieron los investigadores, cuyo mecanismo de decisión requiere métodos de interpretación más avanzados. El equipo de científicos advierte sobre la necesidad de ampliar los estudios a muestras más heterogéneas.

Las consecuencias potenciales de este desarrollo son amplias. Tanto Stanford Medicine como Nature Medicine prevén que, a medida que los dispositivos de monitorización del sueño sean más accesibles y precisos, herramientas como SleepFM permitirán acercar la predicción de enfermedades al seguimiento cotidiano y no invasivo, facilitando la detección temprana de riesgos antes de que aparezcan síntomas.

La inteligencia artificial aplicada a la fisiología del sueño se perfila como un instrumento valioso para la medicina preventiva, abriendo nuevas oportunidades para una vigilancia sanitaria en tiempo real y sin intervención invasiva.