Uma noite de insônia muitas vezes resulta em fadiga no dia seguinte, mas também pode sinalizar problemas de saúde que se manifestarão muito depois. Cientistas da Stanford Medicine e seus colaboradores desenvolveram um sistema de inteligência artificial capaz de examinar sinais corporais a partir de uma única noite de sono e estimar o risco de uma pessoa desenvolver mais de 100 condições médicas diferentes.
O sistema, chamado SleepFM, foi treinado com quase 600.000 horas de gravações de sono de 65.000 indivíduos. Essas gravações foram obtidas por meio da polissonografia, um teste abrangente do sono que utiliza múltiplos sensores para monitorar a atividade cerebral, a função cardíaca, os padrões de respiração, o movimento dos olhos, a movimentação das pernas e outros sinais físicos durante o sono.
Estudos do Sono Contêm Dados de Saúde Não Explorados
A polissonografia é considerada o padrão ouro para a avaliação do sono e geralmente é realizada durante a noite em um ambiente de laboratório. Embora seja amplamente utilizada para diagnosticar distúrbios do sono, os pesquisadores perceberam que também captura uma vasta quantidade de informações fisiológicas que raramente foram analisadas de forma completa.
“Registramos uma incrível quantidade de sinais ao estudarmos o sono,” disse Emmanual Mignot, MD, PhD, Professor Craig Reynolds em Medicina do Sono e co-autor sênior do novo estudo, que será publicado em 6 de janeiro na Nature Medicine. “É uma espécie de fisiologia geral que estudamos por oito horas em um sujeito que está completamente capturado. É muito rico em dados.”
Na prática clínica rotineira, apenas uma pequena porção dessas informações é examinada. Avanços recentes em inteligência artificial agora permitem que os pesquisadores analisem esses grandes e complexos conjuntos de dados de maneira mais abrangente. De acordo com a equipe, este trabalho é o primeiro a aplicar IA aos dados de sono em uma escala tão massiva.
“Do ponto de vista da IA, o sono é relativamente pouco estudado. Há muito trabalho de IA que investiga patologias ou cardiologia, mas relativamente pouco está focado no sono, apesar de ser uma parte tão importante da vida,” disse James Zou, PhD, professor associado de ciência de dados biomédicos e co-autor sênior do estudo.
Ensinando IA os Padrões do Sono
Para desbloquear percepções a partir dos dados, os pesquisadores construíram um modelo de fundação, um tipo de IA projetada para aprender padrões amplos a partir de conjuntos de dados muito grandes e, em seguida, aplicar esse conhecimento a várias tarefas. Modelos de linguagem grande como o ChatGPT usam uma abordagem semelhante, embora sejam treinados em texto em vez de sinais biológicos.
O SleepFM foi treinado em 585.000 horas de dados de polissonografia coletados de pacientes avaliados em clínicas de sono. Cada gravação de sono foi dividida em segmentos de cinco segundos, que funcionam de maneira semelhante a palavras usadas para treinar sistemas de IA baseados em linguagem.
“O SleepFM está essencialmente aprendendo a linguagem do sono,” disse Zou.
O modelo integra múltiplas correntes de informação, incluindo sinais cerebrais, ritmos cardíacos, atividade muscular, medições de pulso e fluxo de ar durante a respiração, e aprende como esses sinais interagem. Para ajudar o sistema a entender essas relações, os pesquisadores desenvolveram um método de treinamento chamado aprendizado contrastivo leave-one-out. Essa abordagem remove um tipo de sinal por vez e pede ao modelo que o reconstrua usando os dados restantes.
“Um dos avanços técnicos que fizemos neste trabalho foi descobrir como harmonizar todas essas diferentes modalidades de dados para que possam se unir e aprender a mesma linguagem,” disse Zou.
Previsão de Doenças Futuras a partir do Sono
Após o treinamento, os pesquisadores adaptaram o modelo para tarefas específicas. Eles inicialmente o testaram em avaliações padrão de sono, como identificar estágios do sono e avaliar a gravidade da apneia do sono. Nesses testes, o SleepFM igualou ou superou o desempenho dos melhores modelos atualmente em uso.
A equipe então perseguiu um objetivo mais ambicioso: determinar se os dados do sono poderiam prever doenças futuras. Para isso, eles vincularam registros de polissonografia a desfechos de saúde a longo prazo dos mesmos indivíduos. Isso foi possível porque os pesquisadores tinham acesso a décadas de registros médicos de uma única clínica do sono.
O Stanford Sleep Medicine Center foi fundado em 1970 pelo falecido William Dement, MD, PhD, que é amplamente considerado o pai da medicina do sono. O maior grupo usado para treinar o SleepFM incluiu cerca de 35.000 pacientes com idades entre 2 e 96 anos. Seus estudos do sono foram registrados na clínica entre 1999 e 2024 e emparelhados com registros eletrônicos de saúde que acompanharam alguns pacientes por até 25 anos.
(As gravações de polissonografia da clínica remontam ainda mais, mas apenas em papel, disse Mignot, que dirigiu o centro de sono de 2010 a 2019.)
Usando esse conjunto de dados combinado, o SleepFM revisou mais de 1.000 categorias de doenças e identificou 130 condições que poderiam ser previstas com razoável precisão apenas com dados de sono. Os melhores resultados foram observados para cânceres, complicações na gravidez, doenças circulatórias e transtornos mentais, com escores de previsão acima de um C-index de 0,8.
Como a Precisão da Previsão É Medida
O C-index, ou índice de concordância, mede como um modelo pode classificar indivíduos por risco. Ele reflete com que frequência o modelo prevê corretamente qual dos dois indivíduos experimentará um evento de saúde primeiro.
“Para todos os pares possíveis de indivíduos, o modelo fornece um ranking de quem é mais provável de passar por um evento — um ataque cardíaco, por exemplo — primeiro. Um C-index de 0,8 significa que 80% das vezes, a previsão do modelo é concordante com o que realmente aconteceu,” disse Zou.
O SleepFM teve um desempenho especialmente bom ao prever a doença de Parkinson (C-index 0,89), demência (0,85), doença cardíaca hipertensiva (0,84), ataque cardíaco (0,81), câncer de próstata (0,89), câncer de mama (0,87) e morte (0,84).
“Ficamos agradavelmente surpresos com o fato de que, para um conjunto bastante diversificado de condições, o modelo é capaz de fazer previsões informativas,” disse Zou.
Zou também observou que modelos com precisão mais baixa, frequentemente em torno de um C-index de 0,7, já são usados na prática médica, como ferramentas que ajudam a prever como os pacientes podem responder a certos tratamentos de câncer.
Entendendo o que a IA Vê
Os pesquisadores estão agora trabalhando para melhorar as previsões do SleepFM e entender melhor como o sistema chega a suas conclusões. Versões futuras podem incorporar dados de dispositivos vestíveis para expandir a gama de sinais fisiológicos.
“Não explica isso para nós em inglês,” disse Zou. “Mas desenvolvemos diferentes técnicas de interpretação para descobrir o que o modelo está observando ao fazer uma previsão específica de doença.”
A equipe descobriu que, enquanto sinais relacionados ao coração eram mais influentes na previsão de doenças cardiovasculares, sinais relacionados ao cérebro desempenhavam um papel maior nas previsões de saúde mental, os resultados mais precisos vinham da combinação de todos os tipos de dados.
“A maior quantidade de informações que obtivemos para prever doenças foi contrastando os diferentes canais,” disse Mignot. Constituídos corporais que estavam fora de sincronia — um cérebro que parece estar dormindo, mas um coração que parece estar acordado, por exemplo — pareciam sinalizar problemas.
Rahul Thapa, um estudante de doutorado em ciência de dados biomédicos, e Magnus Ruud Kjaer, um estudante de doutorado na Universidade Técnica da Dinamarca, são co-autores do estudo.
Pesquisadores da Universidade Técnica da Dinamarca, Hospital Universitário de Copenhague – Rigshospitalet, BioSerenity, Universidade de Copenhague e Escola de Medicina de Harvard contribuíram para o trabalho.
O estudo recebeu financiamento dos Institutos Nacionais de Saúde (subvenção R01HL161253), dos Cavaleiros-Hennessy e do Chan-Zuckerberg Biohub.
