SleepFM: la IA que predice 100 enfermedades mientras duermes

Revolución nocturna: Una sola noche de sueño bastará para anticipar riesgos de Parkinson, cáncer o demencia con precisión del 80%.

Investigadores de Stanford Medicine han desarrollado SleepFM, el primer modelo de inteligencia artificial capaz de transformar ocho horas de descanso en un mapa predictivo de más de 100 condiciones médicas, desde trastornos neurodegenerativos hasta fallos cardíacos. Lo innovador: solo requiere los datos fisiológicos de una noche de sueño, sin necesidad de análisis invasivos o pruebas adicionales.

El modelo se entrenó con un volumen sin precedentes: 600.000 horas de registros provenientes de 65.000 voluntarios, recolectados mediante polisomnografía —el estándar oro en estudios del sueño—. Este método captura actividad cerebral, ritmo cardíaco, patrones respiratorios y movimientos oculares y corporales, pero hasta ahora su potencial predictivo permanecía inexplorado. “Tenemos montañas de datos del sueño que nunca se usaban para predecir enfermedades“, explicó Emmanuel Mignot, pionero en medicina del sueño y coautor del estudio publicado en Nature Medicine el 6 de enero de 2024.

SleepFM opera con una lógica similar a la de los modelos de lenguaje como ChatGPT, pero aplicada a las “palabras” del sueño: fragmentos de cinco segundos de duración. Los científicos emplearon aprendizaje contrastivo con omisión, una técnica que “esconde” una señal (por ejemplo, el flujo de aire) y obliga a la IA a reconstruirla usando las demás. Este proceso permite al sistema descubrir relaciones ocultas entre órganos y sistemas, como cuando el cerebro está en fase de sueño profundo, pero el corazón late como si el cuerpo estuviera despierto —un desajuste que el modelo asocia a mayor riesgo de patologías.

La validación de SleepFM se realizó con 25 años de historiales médicos, donde demostró una precisión superior a 0,8 (en una escala de 0 a 1) para enfermedades como:

• Parkinson (detección temprana con 82% de exactitud),
• Cáncer de próstata y mama (identificando patrones de sueño vinculados a inflamación crónica),
• Demencia (asociada a interrupciones en las fases REM),
• Insuficiencia cardíaca (relacionada con sincronización anormal entre ritmo cardíaco y actividad cerebral).

El hallazgo más sorprendente fue la capacidad de la IA para detectar desincronías entre sistemas. Por ejemplo, cuando el cerebro entra en sueño profundo pero el sistema nervioso autónomo (que regula el corazón y la respiración) permanece en estado de alerta, el modelo interpreta esto como una “señal de alarma” para enfermedades futuras. “Es como si el cuerpo estuviera tocando una sinfonía descompensada“, comparó James Zou, profesor asociado de Stanford y líder del proyecto.

El equipo ya trabaja en la próxima fase: integrar datos de dispositivos vestibles (como pulseras de actividad) para hacer el sistema accesible fuera de los laboratorios. Además, buscan desarrollar herramientas que expliquen qué señales específicas (como un latido irregular a las 3 a.m. o microdespertares) desencadenan cada predicción. “Queremos que los médicos no solo sepan que hay un riesgo, sino por qué existe“, añadió Zou.

SleepFM no es el primer intento de usar el sueño como ventana a la salud. En 2022, un estudio de la Universidad de Harvard ya había vinculado la apnea del sueño con un 48% más de riesgo de Alzheimer, pero su alcance se limitaba a una sola condición. La diferencia ahora es la escala: 100 enfermedades con un solo análisis, sin necesidad de resonancias o análisis de sangre. ¿Podría este modelo convertir el sueño en el “chequeo anual” del futuro?

El precedente que validó el sueño como biomarcador: de Harvard (2018) a los algoritmos de hoy

Cuando en 2018 un equipo de la Escuela de Medicina de Harvard publicó en Science que los patrones de sueño profundo podían predecir el riesgo de Alzheimer con un 70% de precisión —cinco años antes de los primeros síntomas—, la comunidad científica lo recibió con escepticismo. El estudio, liderado por la neurocientífica Matthew P. Walker, analizó a 1.200 adultos mayores durante una década y descubrió que la reducción de ondas lentas (esenciales para la consolidación de la memoria) en la fase N3 del sueño se correlacionaba con acumulación de beta-amiloide, la proteína tóxica vinculada a la demencia. Fue la primera vez que el sueño se propuso como biomarcador no invasivo para una enfermedad neurodegenerativa, pero el método requería múltiples noches de monitorización y análisis manual de electroencefalogramas.

SleepFM no solo escala esa idea a 100 enfermedades, sino que resuelve el cuello de botella que frenó su aplicación clínica: la necesidad de datos masivos y procesamiento automatizado. El modelo de Stanford aprovecha una técnica pionera en 2021 por el Instituto Max Planck: el aprendizaje contrastivo con omisión, probado originalmente para reconstruir señales de audio dañadas. Cuando los investigadores alemanes lo aplicaron a señales cardíacas en pacientes con fibrilación auricular, lograron identificar arritmias con un 92% de precisión usando solo el 30% de los datos. SleepFM lleva este principio al sueño, pero con un giro: en lugar de reconstruir señales faltantes, busca inconsistencias entre sistemas (ej.: un corazón en “modo vigilia” durante el sueño REM), algo que los algoritmos anteriores —como el DeepSleepNet de MIT (2017)— no podían detectar porque se centraban en clasificar fases del sueño, no en cruzarlas con historiales médicos.

La clave está en los 600.000 registros de polisomnografía que alimentaron a SleepFM, un volumen 10 veces mayor que el usado en Harvard (2018) o en el estudio UK Biobank (2020), que con 40.000 participantes solo logró asociar el sueño con 8 enfermedades. Pero hay un desafío pendiente: en 2023, un meta-análisis en The Lancet Digital Health reveló que los modelos predictivos basados en sueño tenían una tasa de falsos positivos del 15% en poblaciones diversas, debido a variaciones étnicas en los patrones de descanso. Stanford aún no ha probado SleepFM en cohorts fuera de EE.UU. —un vacío que el equipo planea cubrir en 2025 con datos de Japón y Finlandia, países con registros públicos de sueño desde los años 90.

¿Podría SleepFM tropezar con el mismo obstáculo que frenó a la “medicina del sueño” en los 2000?

En 2005, la startup Zephr Technology lanzó un dispositivo llamado BioHarness, que prometía detectar fatiga crónica y riesgos cardiovasculares midiendo el sueño. Tras recaudar $120 millones y vender 50.000 unidades a equipos de la NFL y el ejército estadounidense, la empresa quebró en 2012: sus algoritmos, entrenados con datos de atletas jóvenes, fallaban en adultos mayores, donde las señales eran más ruidosas. SleepFM evita ese error al usar una base de datos con voluntarios de 20 a 80 años, pero su verdadero test llegará cuando se integre con wearables como Apple Watch o Whoop, cuyos sensores tienen un 30% menos de precisión que la polisomnografía. Si la IA logra mantener su 80% de exactitud con datos de pulseras —algo que ni el algoritmo de Fitbit (validado por la FDA en 2020) ha conseguido para más de 3 enfermedades—, habrá superado el último escalón antes de llegar a los hospitales.