Pesquisadores da Universidade de Stanford desenvolveram o modelo de inteligência artificial SleepFM, capaz de prever o risco de desenvolvimento de mais de 130 condições de saúde a partir de dados de uma única noite de sono registrados por polissonografia. Esse exame, considerado o padrão ouro para análise do sono, captura sinais fisiológicos detalhados, como atividade cerebral, cardíaca, respiratória e movimentos corporais. O modelo foi treinado com cerca de 585 mil horas de registros de mais de 65 mil participantes, permitindo identificar padrões que indicam riscos futuros para doenças graves.
A polissonografia envolve a conexão de sensores ao paciente durante o sono em clínicas especializadas. Esses dados, ricos em informações sobre o funcionamento do organismo, agora servem para prever condições que podem surgir anos depois. O SleepFM utiliza aprendizado auto-supervisionado, sem necessidade de rotulagem manual extensiva, o que representa uma avanço em relação a modelos anteriores limitados a tarefas específicas.
Os resultados mostram que o modelo supera ou iguala ferramentas atuais em análises tradicionais de sono, como classificação de estágios do sono e detecção de apneia.
Desenvolvimento do modelo SleepFM
A equipe de Stanford optou por uma abordagem de modelo fundamentado, semelhante aos usados em linguagens como o ChatGPT, mas aplicado a dados fisiológicos. O treinamento ocorreu com vastos volumes de dados não rotulados, permitindo que o SleepFM aprenda relações profundas entre diferentes sinais corporais. Uma inovação chave é o aprendizado contrastivo do tipo “leave-one-out”, em que o modelo reconstrói um sinal ausente a partir dos demais, fortalecendo sua compreensão das interconexões entre cérebro, coração e respiração.
Essa arquitetura combina redes convolucionais para processar sinais temporais e transformers para capturar dependências longas. Além disso, um mecanismo de atenção agnóstico a canais ajusta automaticamente os pesos quando algum sinal está ausente ou ruidoso, tornando o modelo robusto para uso em diferentes configurações clínicas. O conjunto de dados incluiu registros de diversas clínicas, abrangendo pacientes de idades variadas.
O SleepFM demonstrou estabilidade em tarefas de análise de sono, superando modelos supervisionados tradicionais em precisão.
Precisão na previsão de doenças
O modelo identificou 130 condições previsíveis com precisão razoável a partir de uma noite de sono, incluindo mortalidade por todas as causas, demência, infarto do miocárdio, insuficiência cardíaca, doença renal crônica, acidente vascular cerebral e fibrilação atrial. Para muitas delas, o índice de concordância (C-index) supera 0,80, indicando forte capacidade de classificar riscos individuais. Previsões mais fortes ocorreram em cânceres, complicações na gravidez, doenças circulatórias e transtornos mentais.
- Doença de Parkinson: precisão elevada em detecção precoce.
- Demência: risco identificado com alto índice de acerto.
- Infarto: padrões noturnos revelam vulnerabilidades cardíacas.
- Cânceres específicos: como de próstata e mama, com bom desempenho.
Esses resultados baseiam-se em pareamento com registros médicos de longo prazo, considerando apenas diagnósticos posteriores ao exame de sono. O modelo não diagnostica diretamente, mas estratifica riscos de forma estatística.
Dados utilizados no treinamento
O treinamento do SleepFM envolveu polissonografias de quatro principais coortes, incluindo a clínica de sono de Stanford, com registros desde 1999. Parte dos dados veio de pacientes acompanhados por até 25 anos, permitindo análise de evolução de saúde. O volume total supera em várias vezes conjuntos usados em estudos anteriores de aprendizado de máquina para sono.
Os participantes variam de crianças a idosos, refletindo diversidade etária e clínica. Dados de fontes como o Multi-Ethnic Study of Atherosclerosis e o Outcomes of Sleep Disorders in Older Men complementaram o conjunto. Essa escala permitiu capturar variações naturais nos sinais fisiológicos.
A ausência de rotulagem manual extensiva resolveu limitações de modelos anteriores, que dependiam de anotações caras e limitadas.
Aplicações clínicas práticas
O SleepFM abre caminhos para uso da polissonografia além do diagnóstico de distúrbios do sono, transformando-a em ferramenta de triagem geral de saúde. Em clínicas, pode auxiliar na identificação precoce de riscos para doenças crônicas, permitindo intervenções preventivas. Sua robustez a variações em sensores facilita aplicação em diferentes centros médicos.
Pesquisadores destacam que sinais noturnos revelam uma visão integrada do organismo, capturada durante horas ininterruptas. Futuras versões podem integrar dados de dispositivos wearables, como relógios inteligentes, expandindo o acesso fora de laboratórios.
Potencial futuro da tecnologia
Avanços no SleepFM incluem técnicas de interpretação para entender quais padrões o modelo prioriza em previsões específicas. Integração com dados diários de wearables pode refinar ainda mais as estimativas de risco. O modelo representa um passo para monitoramento contínuo e escalável do sono como indicador de saúde global.
Estudos adicionais testam generalização em coortes externas, confirmando manutenção de desempenho. Essa abordagem multimodal destaca o sono como janela para fisiologia geral.