En una publicación de la revista médica The Lancet, el cardiólogo y científico Eric Topol revisó junto a James Zou, de la Universidad de Stanford, el alcance de SleepFM, un modelo de IA capaz de interpretar la enorme cantidad de datos fisiológicos recogidos durante una polisomnografía clínica y anticipar el riesgo futuro de más de 130 enfermedades, entre ellas cardiopatías, cánceres y trastornos neurológicos.
A diferencia de los dispositivos portátiles tradicionales, que estiman parámetros a partir de señales indirectas como el movimiento o la saturación de oxígeno, SleepFM analiza registros directos del cerebro, el corazón, la respiración y la actividad muscular obtenidos en entornos clínicos especializados. Según el estudio, el sistema puede generar perfiles predictivos de salud a partir de millones de datos recopilados en una sola noche.
El equipo investigador destaca que el modelo no depende de variables predefinidas, sino que utiliza autoaprendizaje para identificar patrones complejos y latentes. “SleepFM está esencialmente aprendiendo el lenguaje del sueño”, explicó Zou. Por su parte, Topol afirmó que los datos del sueño constituyen una “ventana a la salud y al riesgo de múltiples enfermedades, decodificados por la IA”.
Cómo funciona SleepFM
El sistema fue entrenado con 585.000 horas de registros de polisomnografía de 65.000 personas, enlazados con historiales médicos electrónicos y datos demográficos. La polisomnografía clínica, considerada el estándar de referencia global, integra mediciones continuas de actividad cerebral, cardíaca, respiratoria y muscular durante al menos ocho horas.
Gracias a métodos de aprendizaje autosupervisado, SleepFM logra integrar millones de señales multicanal en modelos predictivos de alta precisión, superando uno de los principales desafíos técnicos: el procesamiento masivo y simultáneo de datos fisiológicos complejos.
Resultados y validación
El modelo identificó riesgos futuros para más de 130 condiciones médicas, incluidas enfermedad de Parkinson, demencia, cardiopatía hipertensiva, infarto de miocardio y cáncer de mama.
Para medir su precisión, los investigadores utilizaron el índice de concordancia (índice C). SleepFM alcanzó:
Según el neurólogo Emmanuel Mignot, también vinculado a Stanford, la combinación de señales cerebrales, cardíacas y respiratorias fue clave: “La mayor cantidad de información para predecir enfermedades la obtuvimos contrastando los diferentes canales”.
Desafíos y perspectivas
Aunque los resultados son prometedores, los expertos advierten que aún se requieren estudios prospectivos y validaciones externas antes de incorporar la tecnología a la práctica clínica habitual. Uno de los desafíos actuales es comprender con mayor profundidad cómo la IA genera sus predicciones, dado el carácter complejo de los modelos fundacionales.
El equipo explora ahora la posibilidad de adaptar los algoritmos de SleepFM a dispositivos portátiles, mediante aprendizaje por transferencia, e integrar los datos del sueño con otros biomarcadores, como el microbioma o los relojes biológicos.
El objetivo final es que el análisis automatizado del sueño se convierta en un indicador clave de salud, comparable a los signos vitales tradicionales, y permita la detección temprana y el monitoreo personalizado antes incluso de la aparición de síntomas.