Quando una persona entra in un laboratorio del sonno, sensori ed elettrodi seguono per ore ciò che accade nel suo organismo: registrano l’attività cerebrale, il battito cardiaco, il respiro, i movimenti degli occhi, il tono muscolare e la quantità di ossigeno nel sangue. Eppure, una parte enorme di queste informazioni viene normalmente riassunta in pochi numeri. Il più conosciuto è l’indice di apnea-ipopnea, o AHI, che conta quante volte ogni ora il respiro si interrompe o si riduce. Un nuovo studio pubblicato su Nature Communications suggerisce però che nel sonno possa nascondersi una firma fisiologica molto più complessa, associata al rischio di ammalarsi o morire negli anni successivi. Per individuarla, i ricercatori hanno affidato all’intelligenza artificiale non soltanto gli episodi respiratori, ma l’intero dialogo notturno tra cervello, cuore, muscoli e polmoni.
Il modello è stato sviluppato utilizzando il registro STARLIT della Cleveland Clinic, che comprendeva inizialmente 10.000 polisonnografie effettuate su 9.661 pazienti. Dopo i controlli di qualità, l’analisi dei gruppi ha incluso 9.608 registrazioni relative a 9.297 persone, mentre l’algoritmo è stato addestrato direttamente su 9.203 studi. L’architettura, basata su un modello transformer, ha imparato a riconoscere contemporaneamente gli stadi del sonno, gli episodi di apnea o ipopnea e le riduzioni dell’ossigenazione. L’obiettivo non era semplicemente diagnosticare un disturbo, ma trasformare ogni notte in una rappresentazione matematica dell’intera fisiologia del paziente. Confrontando queste rappresentazioni, il sistema ha individuato cinque profili distinti, ordinati da quello apparentemente meno compromesso al gruppo caratterizzato dalle maggiori alterazioni del sonno e dalla presenza di più malattie.
Le differenze emerse non erano marginali. Nel corso di un follow-up medio di circa cinque anni, il rischio di morte aumentava progressivamente passando dal primo al quinto gruppo. Nel profilo più sfavorevole la probabilità di morire risultava oltre due volte superiore rispetto al gruppo di riferimento, anche dopo aver considerato età, genere, indice di massa corporea, patologie già presenti e gravità delle apnee: l’aumento stimato era del 138%. Lo stesso gruppo mostrava associazioni più forti con eventi cardiovascolari maggiori, insufficienza cardiaca, infarto, fibrillazione atriale, deterioramento cognitivo ed epilessia. Il risultato più sorprendente riguardava l’AHI: le tradizionali categorie di apnea lieve, moderata e grave non riuscivano a separare con altrettanta chiarezza le persone con prognosi differenti. Pazienti classificati come ad alto rischio dall’IA erano infatti distribuiti in tutte le categorie di AHI, compresi valori che da soli non avrebbero fatto scattare particolari allarmi.
I ricercatori hanno quindi verificato il metodo sui dati indipendenti dello Sleep Heart Health Study, una coorte di popolazione con più di 6.000 partecipanti e registrazioni meno dettagliate. Anche qui i gruppi individuati mostravano differenze nella mortalità e nell’incidenza di insufficienza cardiaca, un elemento che rafforza l’ipotesi che l’algoritmo non abbia semplicemente memorizzato le caratteristiche dei pazienti della Cleveland Clinic. Ma il risultato non è ancora un lasciapassare per l’uso clinico. Lo studio è retrospettivo e dimostra associazioni, non un rapporto di causa-effetto né la capacità del modello di stabilire quali controlli o terapie migliorino davvero la salute. Mancavano inoltre dati completi sull’aderenza alla ventilazione PAP e sull’impiego dei farmaci, mentre alcune diagnosi provenivano dai codici delle cartelle elettroniche. Serviranno studi prospettici e sperimentazioni cliniche prima che una notte di sonno possa trasformarsi in una prescrizione. La prospettiva, tuttavia, è potente: non limitarsi più a contare quante volte smettiamo di respirare, ma comprendere come l’intero organismo attraversa la notte.
⸻
Bilal E., Araujo M.L.D., Beck K.L. et al., “A foundation model for sleep-based risk stratification and clinical outcomes”, Nature Communications, vol. 17, articolo 7603, pubblicato il 3 agosto 2026. DOI: 10.1038/s41467-026-75326-9.