Un equipo internacional de investigadores de universidades y centros de investigación de Estados Unidos y Europa ha publicado en Nature Medicine un estudio que refuerza una idea clave para la medicina contemporánea: el sueño contiene información clínica valiosa más allá de evaluar si una persona “duerme bien o mal”.
El trabajo, liderado por investigadores de la Stanford University y con participación de Harvard, la Universidad de Copenague y la Universidad Técnica de Dinamarca, presenta SleepFM, un modelo fundacional de inteligencia artificial entrenado 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.
El idioma del sueño: una fuente de información sobre la salud
“Lo relevante no es solo que prediga una enfermedad concreta, sino que aprende el ‘idioma del sueño’ integrando señales del cerebro, corazón y respiración, y puede reutilizarse para muchas tareas clínicas”, explica Juan José Beunza, catedrático de Salud Pública y director de IASalud en la Universidad Europea. Según el investigador, este enfoque supone un cambio de mirada. “La PSG deja de ser únicamente una herramienta diagnóstica de trastornos del sueño para convertirse en una fuente de información transversal sobre la salud futura”.
SleepFM se ha entrenado con más de 585.000 horas de registros de sueño correspondientes a unas 65.000 personas de distintas cohortes. A partir de ese aprendizaje a gran escala, el modelo se ha evaluado frente a 1.041 categorías clínicas y ha mostrado un buen rendimiento predictivo en 130 condiciones, incluidas la mortalidad y enfermedades como la demencia, el infarto de miocardio, la insuficiencia cardiaca, la enfermedad renal crónica, el ictus o la fibrilación auricular. “Que una sola noche permita predecir con buena precisión el riesgo de múltiples enfermedades, incluidas algunas tan relevantes en salud pública, es uno de los resultados más llamativos del estudio”, señala Beunza.
El trabajo muestra además que el modelo combina de forma integrada señales del cerebro (EEG y EOG), del corazón (ECG), de los músculos (EMG) y del sistema respiratorio. Para Beunza, este punto es esencial. “La polisomnografía se ha usado durante décadas, pero casi siempre de forma fragmentada. Aquí se demuestra que, analizada en conjunto con IA, puede capturar señales sutiles relacionadas con la salud futura”. El modelo utiliza un enfoque autosupervisado diseñado para funcionar incluso cuando cambian el tipo, el número o el orden de los sensores entre hospitales, una limitación frecuente en la práctica clínica real.
Un modelo de estudio del sueño con IA adaptable
Desde el punto de vista de la transferencia del conocimiento, el estudio muestra que SleepFM puede aplicarse a conjuntos de datos externos, aunque con ajustes. “El modelo puede adaptarse posteriormente a otros hospitales mediante un ajuste fino, un proceso que permite especializar una IA ya entrenada con datos locales sin partir de cero”, explica Beunza. “Para desplegarlo en otra población probablemente habrá que adaptarlo con datos locales. Eso implica disponer de grandes volúmenes de polisomnografías, además de hardware y experiencia técnica. No es un proceso sencillo ni automático”.
Otro aspecto destacado es que se trata de un modelo relativamente compacto. SleepFM cuenta con 4,44 millones de parámetros y requiere un ajuste final de alrededor de 0,9 millones, con un preentrenamiento realizado en una sola GPU y en un tiempo limitado. “No hace falta un modelo gigantesco para generar valor”, apunta Beunza. “Aquí lo importante es el diseño del modelo y la calidad de los datos, no solo el tamaño”.
El propio estudio subraya que SleepFM no es una herramienta diagnóstica. “No significa que una prueba del sueño diagnostique demencia o infarto”, aclara Beunza. “Es un modelo de riesgo o pronóstico. Para usarlo en la práctica harían falta validaciones prospectivas, comprobar su impacto real en las decisiones clínicas y establecer protocolos de seguridad claros”.
“Los autores también reconocen que variables demográficas básicas como la edad, el sexo o el índice de masa corporal ya tienen un peso importante en la predicción de muchas de estas enfermedades. La línea basal demográfica predice bastante, y el propio trabajo lo reconoce”, señala el catedrático. “Una discusión relevante es medir cuánto aporta el modelo a igual edad o en rangos estrechos; es un análisis que sería muy útil ver más desarrollado en futuras validaciones”.
Para Beunza, el mensaje final es prudente pero ambicioso: “El sueño es un espejo de la salud. Este estudio sugiere que, con inteligencia artificial y registros de calidad, podemos detectar señales tempranas y mejorar la prevención. Pero hace falta validarlo cuidadosamente antes de llevarlo a la práctica clínica cotidiana”.