Uma noite inquieta frequentemente resulta em fadiga no dia seguinte, mas também pode indicar problemas de saúde que se manifestarão mais tarde. Cientistas da Stanford Medicine e seus colaboradores desenvolveram um sistema de inteligência artificial capaz de analisar os sinais do corpo a partir de uma única noite de sono e estimar o risco de uma pessoa desenvolver mais de 100 condições médicas diferentes.
O sistema, denominado SleepFM, foi treinado com aproximadamente 600 mil horas de gravações de sono de 65 mil indivíduos. Essas gravações foram obtidas por meio da polissonografia, um exame detalhado que utiliza múltiplos sensores para monitorar a atividade cerebral, a função cardíaca, os padrões de respiração, 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 a avaliação do sono e geralmente é realizada durante a noite em um ambiente de laboratório. Embora seja amplamente utilizada para diagnosticar distúrbios do sono, os pesquisadores perceberam que ela também captura uma imensa quantidade de dados fisiológicos que raramente têm sido completamente analisados.
“Registramos um número impressionante de sinais quando estudamos o sono”, disse Emmanual Mignot, MD, PhD, professor 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 por oito horas em um sujeito que está completamente imerso. É extremamente rico em dados.”
Na prática clínica rotineira, apenas uma pequena parte dessas informações é examinada. Avanços recentes em inteligência artificial permitem que os pesquisadores analisem esses grandes e complexos conjuntos de dados de forma mais aprofundada. Segundo a equipe, este trabalho é o primeiro a aplicar IA a dados de sono em uma escala tão ampla.
“Sob a perspectiva da IA, o sono é relativamente subestudado. Há muito mais trabalho em IA que se concentra em patologia ou cardiologia, mas há relativamente pouco focado no sono, apesar de este ser uma parte tão importante da vida”, destacou James Zou, PhD, professor associado de ciência de dados biomédicos e coautor sênior do estudo.
Ensinando a IA os Padrões do Sono
Para desvendar insights a partir dos dados, os pesquisadores construíram um modelo básico, 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 com textos, e não com sinais biológicos.
O SleepFM foi treinado com 585 mil horas de dados de polissonografia coletados de pacientes avaliados em clínicas do sono. Cada gravação de sono foi dividida em segmentos de cinco segundos, que funcionam de maneira semelhante às palavras utilizadas 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 cerebrais, ritmos cardíacos, atividade muscular, medições de pulso e fluxo de ar durante a respiração, aprendendo como esses sinais interagem. Para ajudar o sistema a compreender essas relações, os pesquisadores desenvolveram um método de treinamento chamado aprendizado contrastivo de exclusão única. Essa abordagem remove um tipo de sinal por vez e pede ao modelo para reconstruí-lo com os dados restantes.
“Um dos avanços técnicos que fizemos neste trabalho foi descobrir como harmonizar todos esses diferentes modais de dados para que possam se unir e aprender a mesma linguagem”, ressaltou Zou.
Prevendo Doenças Futura a Partir do Sono
Após o treinamento, os pesquisadores adaptaram o modelo para tarefas específicas. Eles inicialmente o testaram em avaliações padrão de sono, como identificação de estágios do sono e avaliação da severidade da apneia do sono. Nessas avaliações, o SleepFM igualou ou superou o desempenho dos modelos líderes atualmente em uso.
A equipe então buscou um objetivo mais ambicioso: determinar se os dados do sono poderiam prever doenças futuras. Para isso, conectaram registros de polissonografia com resultados de saúde de longo prazo dos mesmos indivíduos. Isso foi possível porque os pesquisadores tinham acesso a décadas de registros médicos de uma única clínica de sono.
O Centro de Medicina do Sono de Stanford foi fundado em 1970 pelo falecido William Dement, MD, PhD, amplamente considerado o pai da medicina do sono. O maior grupo utilizado para treinar o SleepFM incluiu cerca de 35 mil pacientes com idades entre 2 e 96 anos. Seus estudos do sono foram gravados na clínica entre 1999 e 2024 e combinados com registros de saúde eletrônicos que acompanharam alguns pacientes por até 25 anos.
(As gravações de polissonografia da clínica datam de épocas ainda mais antigas, mas apenas em formato físico, disse Mignot, que dirigiu o centro de sono de 2010 a 2019.)
Utilizando este 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 apenas com os dados do sono. Os melhores resultados foram observados para cânceres, complicações na gravidez, doenças circulatórias e distúrbios de saúde mental, com scores de predição 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 consegue classificar pessoas por risco. Ele reflete com que frequência 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 que experiencie um evento – uma infarto, 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”, explicou 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), infarto (0.81), câncer de próstata (0.89), câncer de mama (0.87) e morte (0.84).
“Ficamos agradavelmente surpreendidos que, para um conjunto bastante diversificado de condições, o modelo consegue fazer previsões informativas”, afirmou Zou.
Zou também notou que modelos com precisão inferior, frequentemente em torno de um C-index de 0.7, já estão sendo utilizados na prática médica, como ferramentas que ajudam a prever como os pacientes podem responder a certos tratamentos de câncer.
Compreendendo o que a IA Observa
Os pesquisadores estão agora trabalhando para aprimorar 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.
“Não explica isso para nós em inglês”, disse Zou. “Mas desenvolvemos diferentes técnicas de interpretação para descobrir o que o modelo está examinando quando faz uma previsão sobre uma doença específica.”
A equipe descobriu que, enquanto os sinais relacionados ao coração eram mais influentes na previsão de doenças cardiovasculares, os sinais relacionados ao cérebro desempenhavam um papel maior nas previsões de saúde mental, sendo que os resultados mais precisos vieram da combinação de todos os tipos de dados.
“A informação mais útil que obtivemos para prever doenças foi contrastando os diferentes canais”, afirmou Mignot. Constituídos corporais que estavam fora de sincronia – um cérebro que parece estar dormindo, mas um coração que parece acordado, por exemplo – pareciam indicar problemas.
Rahul Thapa, aluno de doutorado em ciência de dados biomédicos, e Magnus Ruud Kjaer, aluno de doutorado da Universidade Técnica da Dinamarca, são os 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 de Medicina de Harvard contribuíram com o trabalho.
O estudo recebeu financiamento dos Institutos Nacionais de Saúde (subvenção R01HL161253), dos Cavaleiros-Hennessy e do Chan-Zuckerberg Biohub.
