Un equipo internacional de investigadores desarrolló un modelo fundacional entrenado con más de 585.000 horas de estudios del sueño que permite anticipar hasta 130 enfermedades, entre ellas demencia, infartos y mortalidad general. El avance, publicado en Nature Medicine, abre una nueva frontera para la medicina predictiva basada en inteligencia artificial.
La inteligencia artificial sigue expandiendo sus fronteras en el ámbito de la salud, y ahora lo hace desde un territorio tan cotidiano como subestimado: el sueño. Un grupo de investigadores liderado por James Zou y Emmanuel Mignot presentó en la revista Nature Medicine un nuevo modelo fundacional llamado SleepFM, capaz de predecir el riesgo futuro de más de 130 enfermedades a partir de una sola noche de sueño registrada mediante polisomnografía (PSG), el estándar clínico más avanzado para el análisis del descanso.
El trabajo, titulado “A multimodal sleep foundation model for disease prediction”, fue desarrollado por científicos de Stanford y colaboradores internacionales, entre ellos Rahul Thapa, Magnus Ruud Kjaer, Bryan He y Poul Jennum. El modelo fue entrenado con un volumen de datos inédito: más de 585.000 horas de registros de sueño correspondientes a más de 65.000 personas, provenientes de múltiples cohortes clínicas en Estados Unidos y Europa.
Un modelo fundacional para “leer el lenguaje del sueño”
SleepFM se apoya en el enfoque de los foundation models, una arquitectura de inteligencia artificial entrenada de manera auto-supervisada sobre grandes volúmenes de datos no etiquetados. En este caso, el sistema aprende directamente de señales fisiológicas captadas durante el sueño, integrando información cerebral (EEG y EOG), cardíaca (ECG), muscular (EMG) y respiratoria.
Según explican los autores, “SleepFM aprende representaciones latentes que capturan la estructura fisiológica y temporal del sueño, permitiendo una predicción precisa del riesgo futuro de enfermedades”. A diferencia de modelos previos, que se enfocaban en patologías puntuales o requerían grandes volúmenes de datos etiquetados manualmente, SleepFM es agnóstico al tipo y número de canales, lo que le permite generalizar mejor entre distintos entornos clínicos.
El modelo fue entrenado utilizando un nuevo método de aprendizaje contrastivo multimodal, diseñado para tolerar configuraciones heterogéneas de los estudios de sueño. Este enfoque permite al sistema mantener un alto nivel de desempeño incluso cuando faltan señales específicas, una limitación frecuente en la práctica clínica real.
Predicción temprana de enfermedades críticas
Uno de los aspectos más relevantes del estudio es su capacidad predictiva. A partir de una sola noche de sueño, SleepFM logró anticipar 130 enfermedades con un índice de concordancia (C-Index) igual o superior a 0,75, con significancia estadística estricta. Entre los resultados más destacados se encuentran:
- Mortalidad por cualquier causa: C-Index 0,84
- Demencia: 0,85
- Infarto de miocardio: 0,81
- Insuficiencia cardíaca: 0,80
- Enfermedad renal crónica: 0,79
- Accidente cerebrovascular: 0,78
- Fibrilación auricular: 0,78
Estos resultados posicionan al sueño como un biomarcador predictivo de enorme valor. Tal como señalan los investigadores, “las alteraciones del sueño suelen preceder al inicio clínico de múltiples enfermedades neurológicas, cardiovasculares y metabólicas”, algo que SleepFM logra capturar de forma sistemática y a gran escala.
Validación externa y ventaja frente a modelos tradicionales
El desempeño del modelo no se limitó a los datos con los que fue entrenado. SleepFM demostró una fuerte capacidad de transfer learning al ser evaluado sobre el Sleep Heart Health Study, una base de datos completamente excluida del preentrenamiento. En ese entorno, el sistema mantuvo una alta precisión para predecir eventos como ACV, insuficiencia cardíaca congestiva y mortalidad cardiovascular.
Además, SleepFM superó de manera consistente a modelos supervisados tradicionales basados únicamente en datos demográficos —como edad, sexo o índice de masa corporal— y también a modelos entrenados de punta a punta sobre señales de PSG sin preentrenamiento. En términos de AUROC, las mejoras oscilaron entre 5% y 17%, según la categoría de enfermedad.
Implicancias para la medicina y la industria de la salud
El impacto potencial de SleepFM va más allá del ámbito académico. En un contexto donde los sistemas de salud buscan herramientas predictivas, escalables y no invasivas, este modelo abre la puerta a nuevas estrategias de estratificación de riesgo, diagnóstico temprano y monitoreo longitudinal.
Los autores destacan que, a medida que evolucionen los dispositivos de monitoreo del sueño —incluidos wearables y tecnologías domiciliarias—, modelos como SleepFM podrían integrarse con historiales clínicos electrónicos, datos genómicos e imágenes médicas para construir sistemas de prevención más precisos y personalizados.
“Este trabajo demuestra que los modelos fundacionales pueden aprender el lenguaje del sueño”, concluyen los investigadores. Y con ello, anticipar enfermedades años antes de que se manifiesten clínicamente, un objetivo central tanto para la medicina moderna como para la inteligencia artificial aplicada a la salud.