Un equipo internacional de investigadores ha publicado en la revista Nature Medicine un estudio que refuerza una idea clave para la medicina contemporánea: el sueño contiene información clínica valiosa sobre la salud futura, más allá de determinar si una persona duerme bien o mal.
El trabajo está liderado por científicos de la Stanford University y cuenta con la participación de la Harvard Medical School, la University of Copenhagen y la Technical University of Denmark.
SleepFM: una IA entrenada para leer el sueño
El estudio presenta SleepFM, un modelo fundacional de inteligencia artificial diseñado para analizar la polisomnografía (PSG), el registro clínico más completo del sueño, y estimar el riesgo futuro de múltiples enfermedades a partir de una sola noche de datos.
“La IA puede aprender el ‘idioma del sueño’ para predecir múltiples posibles enfermedades”, explica Juan José Beunza, catedrático de Salud Pública y director de IASalud en la Universidad Europea.
Según Beunza, este enfoque supone un cambio de paradigma: “La polisomnografía deja de ser solo una prueba para diagnosticar trastornos del sueño y se convierte en una fuente transversal de información sobre la salud futura”.
Datos masivos y predicción de múltiples enfermedades
SleepFM fue entrenado con más de 585.000 horas de registros de sueño, correspondientes a aproximadamente 65.000 personas de distintas cohortes. Posteriormente, el modelo se evaluó frente a 1.041 categorías clínicas, mostrando buen rendimiento predictivo en 130 condiciones, entre ellas:
- Demencia
- Infarto de miocardio
- Insuficiencia cardiaca
- Enfermedad renal crónica
- Ictus
- Fibrilación auricular
- Mortalidad por todas las causas
“Que una sola noche permita predecir con buena precisión el riesgo de múltiples enfermedades es uno de los resultados más llamativos del estudio”, señala Beunza.
Integración de señales del cuerpo humano
El modelo combina de forma integrada señales del cerebro (EEG y EOG), del corazón (ECG), de los músculos (EMG) y del sistema respiratorio. Para el investigador español, este punto es clave: “Durante décadas la polisomnografía se ha analizado de forma fragmentada. Aquí se demuestra que, con IA, puede capturar señales sutiles relacionadas con la salud futura”.
Además, SleepFM utiliza un enfoque autosupervisado que le permite funcionar incluso cuando cambian el tipo, número u orden de los sensores entre hospitales, una limitación habitual en la práctica clínica real.
Transferencia clínica y limitaciones
El estudio muestra que el modelo puede adaptarse a otros hospitales mediante procesos de fine-tuning con datos locales. No obstante, Beunza advierte que su implementación no es inmediata: “Se necesitan grandes volúmenes de polisomnografías, infraestructura técnica y validaciones cuidadosas. No es un proceso automático”.
SleepFM cuenta con 4,44 millones de parámetros, lo que lo convierte en un modelo relativamente compacto. “No hace falta un modelo gigantesco para generar valor. Aquí lo importante es el diseño y la calidad de los datos”, subraya.
Prudencia antes del uso clínico
Los autores aclaran que SleepFM no es una herramienta diagnóstica. “No significa que una prueba del sueño diagnostique un infarto o demencia. Es un modelo de riesgo o pronóstico”, precisa Beunza.
El estudio también reconoce que variables demográficas como la edad, el sexo o el índice de masa corporal ya tienen un peso importante en la predicción de enfermedades. “Una discusión clave es cuánto aporta el modelo más allá de estos factores básicos, algo que deberá analizarse en futuras validaciones”, añade.
