Investigadores de Stanford enseñaron a una IA a "aprender el lenguaje del sueño" para predecir si los pacientes corrían riesgo de desarrollar más de un centenar de afecciones.
Un nuevo modelo de inteligencia artificial puede determinar si una persona corre riesgo de desarrollar más de 100 afecciones en función de cómo duerme. SleepFM, un modelo de lenguaje de gran tamaño (LLM) desarrollado por investigadores de la Universidad de Stanford, en California, analiza la actividad cerebral, la frecuencia cardíaca, las señales respiratorias y los movimientos de las piernas y de los ojos mientras el usuario duerme para evaluar el riesgo de enfermedad.
En un nuevo estudio publicado en 'Nature', los investigadores entrenaron el modelo con más de 580.000 horas de datos de sueño recogidos entre 1999 y 2024 de 65.000 pacientes. Los datos procedían de clínicas del sueño, centros médicos que evalúan los patrones de sueño durante la noche, y se dividieron en intervalos de cinco segundos que actuaban como si fueran palabras para el entrenamiento de los LLM.
"SleepFM está aprendiendo esencialmente el lenguaje del sueño", explica James Zou, profesor asociado de ciencia de datos biomédicos en Stanford y coautor del estudio. Los investigadores complementaron estos datos con los historiales de salud de cada paciente de las clínicas del sueño, para entrenar a SleepFM en la predicción de enfermedades futuras.
El modelo acertó al menos el 80% de las veces al predecir si un paciente desarrollaría enfermedad de párkinson, alzhéimer, demencia, cardiopatía hipertensiva, infarto, cáncer de próstata y cáncer de mama. También predijo correctamente la muerte de un paciente el 84% de las veces.
El modelo fue menos preciso al identificar pacientes con enfermedad renal crónica, ictus y arritmia, una alteración del ritmo cardíaco, que detectó en al menos el 78% de los casos.
"Registramos un número asombroso de señales [de salud] cuando estudiamos el sueño", aclara Emmanuel Mignot, profesor de medicina del sueño en Stanford. "Es una especie de fisiología general que estudiamos durante ocho horas en un sujeto que permanece completamente en observación. Es muy rico en datos".
Los autores del estudio señalaron que la combinación de todos los datos permitió al modelo lograr las predicciones más precisas. Por ejemplo, señales corporales desincronizadas, como un cerebro que parece dormido mientras el corazón parece despierto, indicaban problemas.
Stanford afirmó que añadirá a continuación datos de dispositivos 'wearables' a la base de datos de SleepFM para mejorar aún más las predicciones del modelo. Los investigadores también señalaron que su estudio solo incluyó personas que ya sospechaban problemas de salud por su participación en las pruebas de las clínicas del sueño, por lo que su muestra no es realmente representativa de la capacidad de la IA para detectar enfermedades en la población general.