Uma noite agitada muitas vezes leva à fadiga no dia seguinte, mas também pode indicar problemas de saúde que surgem muito mais tarde. Cientistas da Stanford Medicine e seus colaboradores desenvolveram um sistema de inteligência artificial que pode examinar os sinais do corpo a partir de uma única noite de sono e prever o risco de uma pessoa desenvolver mais de 100 condições médicas diferentes.
O sistema, chamado SleepFM, foi treinado usando quase 600 mil horas de registros de sono de 65 mil indivíduos. Essas gravações vêm da polissonografia, um teste de sono profundo que usa vários sensores para rastrear a atividade cerebral, função cardíaca, padrões respiratórios, movimentos dos olhos, movimentos das pernas e outros sinais físicos durante o sono.
Estudos do sono retêm dados de saúde não utilizados
A polissonografia é considerada o padrão ouro para avaliação do sono e geralmente é realizada durante a noite em ambiente laboratorial. Embora seja amplamente utilizado para diagnosticar distúrbios do sono, os pesquisadores perceberam que também captura uma grande quantidade de informações fisiológicas que raramente foram totalmente analisadas.
“Quando estudamos o sono, registamos um número surpreendente de sinais”, disse Emmanuel Mignot, MD, PhD, Craig Reynolds Professor de Medicina do Sono e co-autor sénior do novo estudo, que será publicado a 6 de janeiro na Nature Medicine. “É uma espécie de fisiologia simples que estudamos durante oito horas em um sujeito completamente cativo. É extremamente rico em dados.”
Na prática clínica de rotina, apenas uma pequena parte desta informação é examinada. Os avanços recentes na inteligência artificial permitem agora aos investigadores analisar mais detalhadamente estes grandes e complexos conjuntos de dados. Segundo a equipe, este trabalho é o primeiro a aplicar IA a dados de sono em tão grande escala.
“Do ponto de vista da IA, o sono é relativamente pouco estudado. Há muitos trabalhos de IA que analisam patologia ou cardiologia, mas o sono é relativamente pouco estudado, embora o sono seja uma parte importante da vida”, disse James Xu, PhD, professor associado de ciência de dados biomédicos e co-autor sênior do estudo.
Ensinando padrões de sono de IA
Para desbloquear insights a partir dos dados, os pesquisadores desenvolveram um modelo básico, um tipo de IA projetada para aprender padrões amplos de conjuntos de dados muito grandes e depois aplicar esse conhecimento a muitas tarefas. Modelos de linguagem maiores, como ChatGPT, usam uma abordagem semelhante, embora sejam treinados em texto e não em sinais biológicos.
O SleepFM foi treinado em 585.000 horas de dados de polissonografia coletados de pacientes avaliados em clínicas do sono. Cada gravação do sono foi dividida em segmentos de cinco segundos, que serviram como sons usados para treinar o sistema de IA baseado em linguagem.
“SleepFM é basicamente aprender a linguagem do sono”, diz Zou.
O modelo integra múltiplos fluxos de informações, incluindo sinais cerebrais, ritmo cardíaco, atividade muscular, medições de pulso e fluxo de ar durante a respiração, e aprende como esses sinais interagem. Para ajudar o sistema a compreender essas relações, os pesquisadores desenvolveram um método de treinamento chamado aprendizagem contrastiva de deixar um de fora. Este método remove um tipo de sinal por vez e usa os dados restantes para reconstruir o modelo.
“Um dos avanços técnicos que fizemos neste trabalho é como reconciliar todos esses diferentes sistemas de dados para que possam ser combinados para 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 primeiro o testaram em avaliações padrão do sono, como a identificação dos estágios do sono e a avaliação da gravidade da apneia do sono. Nestes testes, o SleepFM igualou ou superou o desempenho dos principais modelos atualmente em uso
A equipe buscou então um objetivo mais ambicioso: determinar se os dados do sono poderiam prever doenças futuras. Para fazer isso, eles relacionaram registros de polissonografia com resultados de saúde a longo prazo nos mesmos indivíduos. Isto foi possível porque os investigadores tiveram acesso a décadas de registos médicos de uma única clínica do sono.
O Stanford Sleep Medicine Center foi fundado em 1970 pelo falecido William Dement, MD, PhD, amplamente considerado o pai da medicina do sono. A maior coorte utilizada para treinamento SleepFM incluiu aproximadamente 35.000 pacientes com idades entre 2 e 96 anos. Os seus estudos do sono foram registados em clínicas entre 1999 e 2024 e ligados a registos de saúde eletrónicos que acompanharam alguns pacientes durante 25 anos.
(Os registros polissonográficos da clínica são mais antigos, mas apenas no papel, diz Mignot, que dirigiu o centro do sono de 2010 a 2019.)
Usando este conjunto de dados combinado, a SleepFM revisou mais de 1.000 categorias de doenças e identificou 130 condições que poderiam ser previstas com precisão razoável usando apenas dados de sono. Os resultados mais fortes foram observados para o cancro, complicações na gravidez, doenças circulatórias e distúrbios de saúde mental, com pontuações preditivas acima de um índice C de 0,8.
Como a precisão da previsão é medida?
O índice C ou índice de concordância mede quão bem um modelo pode classificar as pessoas com base no risco. Reflete a frequência com que o modelo prevê corretamente qual dos dois indivíduos experimentará primeiro um evento de saúde.
“Para todos os pares possíveis de pessoas, o modelo fornece uma classificação de quem tem maior probabilidade de ter um evento – como um ataque cardíaco – mais cedo. Um índice C de 0,8 significa que 80% das vezes, as previsões do modelo correspondem ao que realmente aconteceu”, disse Zou.
O SleepFM teve um desempenho particularmente bom na previsão da doença de Parkinson (índice C 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 uma grande variedade de condições, o modelo é capaz de fazer previsões informativas”, disse Zou.
Zou também observou que modelos com menor precisão, muitas vezes em torno de um índice C de 0,7, já são utilizados na prática médica, tais como ferramentas que ajudam a prever como os pacientes podem responder a certos tratamentos contra o cancro.
Compreender o que a IA vê
Os pesquisadores agora estão trabalhando para melhorar as previsões do SleepFM e entender melhor como o sistema chega às suas conclusões. Versões futuras poderão incorporar dados de dispositivos vestíveis para expandir a gama de sinais fisiológicos.
“Isso não nos explica em inglês”, disse Zou. “Mas desenvolvemos diferentes técnicas de interpretação para determinar o que o modelo vê ao prever uma doença específica”.
A equipe descobriu que os sinais relacionados ao coração eram mais influentes na previsão de doenças cardiovasculares, e os sinais relacionados ao cérebro desempenhavam um papel maior na previsão da saúde mental, com todos os tipos de dados combinados produzindo resultados mais precisos.
“A maior parte da informação que encontramos para prever doenças foi contrastar os diferentes canais”, disse Mignot. Componentes do corpo que estavam fora de sincronia – um cérebro que parecia adormecido, mas um coração que parecia acordado – pareciam significar problemas.
Rahul Thapa, estudante de doutorado em ciência de dados biomédicos, e Magnus Ruud Keir, estudante de doutorado na Universidade Técnica da Dinamarca, são co-autores principais do estudo.
Pesquisadores da Universidade Técnica da Dinamarca, do Copenhagen University Hospital-Riggsspitalet, da BioSerenity, da Universidade de Copenhagen e da Harvard Medical School contribuíram para o trabalho.
A pesquisa recebeu financiamento dos Institutos Nacionais de Saúde (concessão R01HL161253), dos estudiosos Knight-Hennessy e do Chan-Zuckerberg BioHub.
