Uma noite inquieta frequentemente leva à fadiga no dia seguinte, mas também pode sinalizar problemas de saúde que surgem muito mais tarde. Cientistas da Stanford Medicine e seus colaboradores desenvolveram um sistema de inteligência artificial que pode examinar sinais corporais 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 utilizando quase 600.000 horas de gravações de sono de 65.000 indivíduos. Essas gravações vieram da polissonografia, um teste de sono minucioso que usa vários sensores para monitorar a atividade cerebral, a função cardíaca, os padrões respiratórios, o movimento ocular, a movimentação das pernas e outros sinais físicos durante o sono.
Estudos do Sono Guardam Dados de Saúde Inexplorados
A polissonografia é considerada o padrão ouro para avaliação do sono e geralmente é realizada durante a noite em um ambiente laboratorial. 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 um número incrível de sinais quando estudamos o sono”, disse Emmanual Mignot, MD, PhD, Professor Craig Reynolds de Medicina do Sono e coautor sênior do novo estudo, que será publicado em 6 de janeiro na Nature Medicine. “É uma espécie de fisiologia geral que estudamos durante oito horas em um sujeito que está completamente cativo. É extremamente rico em dados.”
Na prática clínica habitual, apenas uma pequena parte 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 profunda. Segundo a equipe, este trabalho é o primeiro a aplicar IA a 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 olhando para patologia ou cardiologia, mas relativamente pouco analisando o sono, apesar de este ser uma parte tão importante da vida”, disse James Zou, PhD, professor associado de ciência de dados biomédicos e coautor sênior do estudo.
Ensinando IA os Padrões do Sono
Para desbloquear insights a partir dos dados, os pesquisadores construíram um modelo de base, um tipo de IA projetado 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.
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 múltiplos fluxos de informação, incluindo sinais do cérebro, 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 de deixar um de fora. Essa abordagem remove um tipo de sinal de cada vez e solicita que o modelo o reconstruía usando os dados restantes.
“Um dos avanços técnicos que fizemos neste trabalho foi descobrir como harmonizar todos esses diferentes modos de dados para que possam se juntar para aprender a mesma linguagem”, disse Zou.
Prevendo Doenças Futuras a Partir do Sono
Após o treinamento, os pesquisadores adaptaram o modelo para tarefas específicas. Eles primeiro o testaram em avaliações de sono padrão, como identificação de estágios do sono e avaliação da gravidade da apneia do sono. Nesses testes, o SleepFM igualou ou superou o desempenho de modelos líderes atualmente em uso.
A equipe então perseguiu um objetivo mais ambicioso: determinar se os dados do sono poderiam prever doenças futuras. Para fazer isso, eles vincularam os registros de polissonografia com 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 incluía 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 usando apenas os dados do sono. Os melhores resultados foram vistos para cânceres, complicações na gravidez, doenças circulatórias e transtornos de saúde mental, com pontuações de previsão acima de um C-index de 0,8.
Como a Precisão da Predição é Medida
O C-index, ou índice de concordância, mede quão bem um modelo pode classificar as pessoas pelo risco. Reflete quão frequentemente o modelo prevê corretamente qual de duas pessoas experimentará um evento de saúde primeiro.
“Para todos os pares possíveis de indivíduos, o modelo fornece uma classificação de quem é mais provável de experienciar 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 que, para um conjunto bastante diversificado de condições, o modelo consegue fazer previsões informativas”, disse Zou.
Zou também observou que modelos com menor precisão, muitas vezes em torno de um C-index de 0,7, já estão sendo usados na prática médica, como ferramentas que ajudam a prever como os pacientes podem responder a certos tratamentos de câncer.
Compreendendo o que a IA Vê
Os pesquisadores estão agora trabalhando para melhorar as previsões do SleepFM e entender melhor como o sistema chega às suas conclusões. Versões futuras podem incorporar dados de dispositivos vestíveis para expandir a gama de sinais fisiológicos.
“Ele não explica isso para nós em inglês”, disse Zou. “Mas desenvolvemos diferentes técnicas de interpretação para descobrir o que o modelo está analisando quando faz uma previsão de doença específica.”
A equipe descobriu que, enquanto sinais relacionados ao coração eram mais influentes na previsão de doenças cardiovasculares e sinais relacionados ao cérebro desempenhavam um papel maior nas previsões de saúde mental, os resultados mais precisos vieram da combinação de todos os tipos de dados.
“A informação mais valiosa que obtivemos para prever doenças foi ao contrastar os diferentes canais”, disse Mignot. Constituintes corporais que estavam fora de sincronia – um cérebro que parece estar dormindo, mas um coração que parece 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 principais do estudo.
Pesquisadores da Universidade Técnica da Dinamarca, do Hospital Universitário de Copenhague – Rigshospitalet, da BioSerenity, da Universidade de Copenhague e da Escola Médica de Harvard contribuíram para o trabalho.
O estudo recebeu financiamento dos Institutos Nacionais de Saúde (subvenção R01HL161253), dos Cavaleiros-Hennessy Scholars e do Chan-Zuckerberg Biohub.