Uma noite de sono pode prever o risco de mais de 100 doenças.

Um modelo de IA singular, criado por investigadores da Universidade de Stanford e pelos seus colaboradores, poderá um dia servir para estimar o seu risco de mais de 100 problemas de saúde - sem que sequer tenha de estar acordado.

De acordo com um artigo científico divulgado recentemente, o modelo de IA SleepFM examina um conjunto abrangente de registos fisiológicos para antecipar o risco futuro de uma pessoa vir a desenvolver demência, insuficiência cardíaca e mortalidade por todas as causas - com base numa única noite de sono.

SleepFM da Universidade de Stanford: um modelo fundacional que aprende com o sono

O SleepFM é um modelo fundacional, à semelhança do ChatGPT, treinado com um enorme conjunto de dados que totaliza quase 600.000 horas de registos de sono recolhidos junto de 65.000 participantes. Tal como o ChatGPT aprende a partir de palavras e texto, o SleepFM aprende a partir de segmentos de 5 segundos de dados de sono obtidos em registos provenientes de várias clínicas do sono.

Estes dados foram recolhidos por clínicos do sono através de uma técnica extensa e, embora desconfortável, muito usada: a polissonografia (PSG). Considerada o “padrão-ouro” dos estudos do sono, a PSG recorre a vários sensores para acompanhar, durante estados de inconsciência, a actividade do cérebro, do coração e do sistema respiratório, além de movimentos das pernas e dos olhos.

“Registamos um número impressionante de sinais quando estudamos o sono”, afirma Emmanuel Mignot, professor de medicina do sono em Stanford e co-autor sénior do artigo.

Como o SleepFM foi testado: aprendizagem contrastiva leave-one-out

Para avaliar o SleepFM, os investigadores recorreram a uma técnica de aprendizagem desenvolvida por eles, denominada aprendizagem contrastiva leave-one-out. Neste método, os dados de uma modalidade - como leituras de pulso ou o fluxo de ar da respiração - são excluídos, obrigando o SleepFM a extrapolar a informação em falta com base nos restantes fluxos de dados biológicos.

Para juntar a peça essencial do puzzle, a equipa associou depois os dados de PSG a dezenas de milhares de relatórios sobre resultados de saúde a longo prazo de doentes de um vasto leque de idades, incluindo até 25 anos de registos de acompanhamento clínico.

Após analisarem mais de 1,041 categorias de doenças nesses registos, o SleepFM conseguiu prever 130 delas com uma precisão considerada razoável usando apenas os dados de sono do doente.

Desempenho do SleepFM: C-index, AUROC e previsões de doenças

O SleepFM mostrou-se particularmente competente a prever cancros, complicações na gravidez, doenças do aparelho circulatório e perturbações mentais, “alcançando um C-index superior a 0.8”.

“Um C-index de 0.8 significa que, em 80 por cento das vezes, a previsão do modelo está em concordância com o que realmente aconteceu”, explica James Zou, cientista de dados biomédicos em Stanford e co-autor sénior do artigo.

O SleepFM também apresentou bons resultados segundo o modelo de classificação AUROC, que mede a capacidade do SleepFM para distinguir entre doentes que, num período de previsão de (6-year), irão ou não irão vivenciar um determinado evento de saúde.

No conjunto, o SleepFM superou os modelos preditivos actuais e destacou-se em particular na previsão de doença de Parkinson, ataque cardíaco, AVC, doença renal crónica, cancro da próstata, cancro da mama e mortalidade por todas as causas, reforçando ainda mais a ligação entre maus hábitos de sono e resultados de saúde desfavoráveis. Isto poderá constituir um sinal precoce de várias condições que, por sua vez, degradam a qualidade do sono.

Embora alguns tipos de dados e determinadas fases do sono tenham sido preditores mais exactos do que outros, os melhores resultados pareceram dever-se a inter-relações e contrastes entre funções do organismo.

Em concreto, os indicadores mais fiáveis de doença foram funções fisiológicas que surgiam desencontradas: “um cérebro que parece estar a dormir mas um coração que parece estar acordado, por exemplo - parecia ser sinal de problemas”, esclarece Mignot.

Limitações do estudo e possíveis utilizações futuras

Os investigadores assinalam várias limitações, incluindo a evolução das práticas clínicas e das populações de doentes ao longo das últimas décadas. Além disso, os dados provêm de doentes encaminhados para estudos do sono, o que significa que uma parte da população em geral está sub-representada nos dados de PSG.

Ainda assim, apesar da controvérsia em torno da IA em áreas como a arte, o potencial na saúde funciona como um lembrete, com impacto real na vida das pessoas, das capacidades valiosas - e cientificamente impressionantes - dos agentes de IA. Por exemplo, aplicações futuras poderão combinar o SleepFM com dispositivos vestíveis de monitorização do sono para disponibilizar vigilância de saúde em tempo real.

Assim, tal como os large language models (LLMs) aprendem o nosso linguajar ao relacionar palavras e texto, “o SleepFM está essencialmente a aprender a linguagem do sono”, afirma Zou.

Esta investigação foi publicada na Nature Medicine.