{"id":334992,"date":"2026-01-11T12:56:07","date_gmt":"2026-01-11T12:56:07","guid":{"rendered":"https:\/\/www.europesays.com\/es\/334992\/"},"modified":"2026-01-11T12:56:07","modified_gmt":"2026-01-11T12:56:07","slug":"un-recurso-al-que-se-accede-con-ia-y-que-revela-datos-sobre-la-salud","status":"publish","type":"post","link":"https:\/\/www.europesays.com\/es\/334992\/","title":{"rendered":"un recurso al que se accede con IA y que revela datos sobre la salud"},"content":{"rendered":"

Un equipo internacional de investigadores de universidades y centros de investigaci\u00f3n de Estados Unidos y Europa ha publicado en\u00a0Nature Medicine\u00a0un\u00a0estudio<\/a>\u00a0que refuerza una idea clave para la medicina contempor\u00e1nea: el sue\u00f1o contiene informaci\u00f3n cl\u00ednica valiosa m\u00e1s all\u00e1 de evaluar si una persona \u201cduerme bien o mal\u201d<\/strong>. <\/p>\n

\"\"<\/a><\/p>\n

El trabajo, liderado por investigadores de la Stanford University y con participaci\u00f3n de Harvard, la Universidad de Copenague y la Universidad T\u00e9cnica de Dinamarca, presenta SleepFM, un modelo fundacional de inteligencia artificial entrenado para analizar la polisomnograf\u00eda (PSG)<\/strong>, el registro cl\u00ednico m\u00e1s completo del sue\u00f1o, y estimar el riesgo futuro de m\u00faltiples enfermedades a partir de una sola noche.\u00a0<\/p>\n

El idioma del sue\u00f1o: una fuente de informaci\u00f3n sobre la salud<\/p>\n

\u201cLo relevante no es solo que prediga una enfermedad concreta, sino que aprende el \u2018idioma del sue\u00f1o\u2019 integrando se\u00f1ales del cerebro, coraz\u00f3n y respiraci\u00f3n, y puede reutilizarse para muchas tareas cl\u00ednicas<\/strong>\u201d, explica\u00a0<\/strong>Juan Jos\u00e9 Beunza, catedr\u00e1tico de Salud P\u00fablica y director de IASalud en la Universidad Europea. Seg\u00fan el investigador, este enfoque supone un cambio de mirada. \u201cLa PSG deja de ser \u00fanicamente una herramienta diagn\u00f3stica de trastornos del sue\u00f1o para convertirse en una fuente de informaci\u00f3n transversal sobre la salud futura<\/strong>\u201d.<\/p>\n

SleepFM se ha entrenado con m\u00e1s de 585.000 horas de registros de sue\u00f1o correspondientes a unas 65.000 personas de distintas cohortes.\u00a0A partir de ese aprendizaje a gran escala, el modelo se ha evaluado frente a 1.041 categor\u00edas cl\u00ednicas 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 cr\u00f3nica, el ictus o la fibrilaci\u00f3n auricular<\/strong>. \u201cQue una sola noche permita predecir con buena precisi\u00f3n el riesgo de m\u00faltiples enfermedades, incluidas algunas tan relevantes en salud p\u00fablica, es uno de los resultados m\u00e1s llamativos del estudio\u201d, se\u00f1ala Beunza.<\/p>\n

El trabajo muestra adem\u00e1s que el modelo combina de forma integrada se\u00f1ales del cerebro (EEG y EOG), del coraz\u00f3n (ECG), de los m\u00fasculos (EMG) y del sistema respiratorio. Para Beunza, este punto es esencial. \u201cLa polisomnograf\u00eda se ha usado durante d\u00e9cadas, pero casi siempre de forma fragmentada. Aqu\u00ed se demuestra que, analizada en conjunto con IA, puede capturar se\u00f1ales sutiles relacionadas con la salud futura<\/strong>\u201d. El modelo utiliza un enfoque autosupervisado dise\u00f1ado para funcionar incluso cuando cambian el tipo, el n\u00famero o el orden de los sensores entre hospitales, una limitaci\u00f3n frecuente en la pr\u00e1ctica cl\u00ednica real.<\/p>\n

Un modelo de estudio del sue\u00f1o con IA adaptable<\/p>\n

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. \u201cEl modelo puede adaptarse posteriormente a otros hospitales mediante un ajuste fino<\/strong>,\u00a0un proceso que permite especializar una IA ya entrenada con datos locales sin partir de cero\u201d, explica Beunza. \u201cPara desplegarlo en otra poblaci\u00f3n probablemente habr\u00e1 que adaptarlo con datos locales. Eso implica disponer de grandes vol\u00famenes de polisomnograf\u00edas, adem\u00e1s de hardware y experiencia t\u00e9cnica. No es un proceso sencillo ni autom\u00e1tico\u201d.<\/p>\n

Otro aspecto destacado es que se trata de un modelo relativamente compacto. SleepFM cuenta con 4,44 millones de par\u00e1metros y requiere un ajuste final de alrededor de 0,9 millones, con un preentrenamiento realizado en una sola GPU y en un tiempo limitado. \u201cNo hace falta un modelo gigantesco para generar valor\u201d, apunta Beunza. \u201cAqu\u00ed lo importante es el dise\u00f1o del modelo y la calidad de los datos, no solo el tama\u00f1o\u201d.<\/p>\n

El propio estudio subraya que SleepFM no es una herramienta diagn\u00f3stica<\/strong>. \u201cNo significa que una prueba del sue\u00f1o diagnostique demencia o infarto\u201d, aclara Beunza. \u201cEs un modelo de riesgo o pron\u00f3stico. Para usarlo en la pr\u00e1ctica har\u00edan falta validaciones prospectivas, comprobar su impacto real en las decisiones cl\u00ednicas y establecer protocolos de seguridad claros\u201d.<\/p>\n

\u201cLos autores tambi\u00e9n reconocen que variables demogr\u00e1ficas b\u00e1sicas como la edad, el sexo o el \u00edndice de masa corporal ya tienen un peso importante en la predicci\u00f3n de muchas de estas enfermedades. La l\u00ednea basal demogr\u00e1fica predice bastante, y el propio trabajo lo reconoce\u201d, se\u00f1ala el catedr\u00e1tico. \u201cUna discusi\u00f3n relevante es medir cu\u00e1nto aporta el modelo a igual edad o en rangos estrechos; es un an\u00e1lisis que ser\u00eda muy \u00fatil ver m\u00e1s desarrollado en futuras validaciones\u201d<\/strong>.<\/p>\n

Para Beunza, el mensaje final es prudente pero ambicioso: \u201cEl sue\u00f1o es un espejo de la salud. Este estudio sugiere que, con inteligencia artificial y registros de calidad, podemos detectar se\u00f1ales tempranas y mejorar la prevenci\u00f3n. Pero hace falta validarlo cuidadosamente antes de llevarlo a la pr\u00e1ctica cl\u00ednica cotidiana\u201d.<\/p>\n","protected":false},"excerpt":{"rendered":"Un equipo internacional de investigadores de universidades y centros de investigaci\u00f3n de Estados Unidos y Europa ha publicado…\n","protected":false},"author":2,"featured_media":334993,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[92],"tags":[27041,25,24,165,166,23],"class_list":{"0":"post-334992","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-salud","8":"tag-c3","9":"tag-es","10":"tag-espana","11":"tag-health","12":"tag-salud","13":"tag-spain"},"share_on_mastodon":{"url":"https:\/\/pubeurope.com\/@es\/115876579535298398","error":""},"_links":{"self":[{"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/posts\/334992","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/comments?post=334992"}],"version-history":[{"count":0,"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/posts\/334992\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/media\/334993"}],"wp:attachment":[{"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/media?parent=334992"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/categories?post=334992"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/tags?post=334992"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}