SleepFM: cómo una noche de sueño puede anticipar enfermedades

Una noche registrada en un laboratorio del sueño puede contener señales asociadas al riesgo futuro de más de 130 enfermedades. Esa es la posibilidad que plantea SleepFM, un modelo de inteligencia artificial desarrollado por investigadores de la Universidad de Stanford y entrenado con cerca de 600.000 horas de polisomnografías de unas 65.000 personas. El sistema analiza en conjunto la actividad cerebral, cardíaca, respiratoria y muscular para estimar qué diagnósticos podrían aparecer más adelante.

La cifra, sin embargo, no significa que la IA pueda diagnosticar 130 enfermedades después de observar a cualquier persona durante una noche ni que anuncie con certeza qué le ocurrirá. SleepFM calcula asociaciones estadísticas a partir de patrones registrados en pacientes estudiados en clínicas del sueño. Su resultado es una estimación de riesgo, no una sentencia médica: la herramienta sigue en fase de investigación y no sustituye la valoración de un profesional.

Qué registra SleepFM mientras una persona duerme

El modelo se alimenta de polisomnografías, pruebas que se utilizan para estudiar trastornos del sueño y que miden varias funciones del organismo de forma simultánea. No observan únicamente si alguien se mueve o cuánto tiempo permanece dormido: registran señales del cerebro, los ojos, los músculos, el corazón y la respiración. Esa combinación ofrece una imagen fisiológica mucho más rica que la de un dispositivo que calcula el descanso a partir de unos pocos indicadores.

Durante el sueño, esos sistemas no funcionan por separado. El cerebro atraviesa distintas fases, cambia la actividad muscular y varían el ritmo cardíaco y la respiración. SleepFM procesa las señales como un conjunto y busca regularidades en la manera en que se relacionan. La idea es que una alteración sutil en esa coordinación pueda aportar información sobre el estado general del organismo, incluso cuando la persona aún no presenta síntomas evidentes.

Las aproximadamente 600.000 horas de registros corresponden al material empleado para entrenar el modelo, no a la duración necesaria para analizar a cada paciente. En una aplicación individual, el punto de partida sería una noche de medición. Esta diferencia importa: la predicción de una noche se apoya en un sistema que ha aprendido de una base de datos acumulada durante miles de noches y miles de pacientes, no de una observación aislada sin contexto.

De los patrones fisiológicos a una estimación de riesgo

SleepFM pertenece a una familia de modelos que aprenden a reconocer estructuras dentro de grandes cantidades de datos. En vez de limitarse a una única medida —por ejemplo, el pulso medio—, combina información procedente de distintas señales nocturnas. Así puede detectar relaciones complejas que serían difíciles de describir mediante una regla sencilla establecida de antemano.

El equipo utilizó los registros de sueño junto con información clínica para estudiar si ciertos patrones se asociaban con diagnósticos posteriores. La IA no observa directamente el futuro ni identifica necesariamente el mecanismo que provoca una enfermedad: compara señales con resultados médicos registrados y aprende qué combinaciones aparecen con mayor frecuencia entre quienes desarrollan determinadas afecciones. Encontrar una asociación no demuestra que el sueño cause la enfermedad.

Esta distinción separa la predicción de una explicación causal. Una señal nocturna puede estar relacionada con un proceso que ya está empezando, con otro factor de salud o con varias condiciones a la vez. El modelo puede detectar una correlación útil sin poder aclarar por qué existe. Por eso, una estimación elevada requeriría interpretación clínica y, en su caso, pruebas apropiadas; no permite concluir por sí sola que una persona tenga una enfermedad.

Qué enfermedades aparecen entre las predicciones

En el análisis, SleepFM encontró capacidad predictiva para alrededor de 130 afecciones. Entre las enfermedades destacadas figuran la demencia, el infarto de miocardio y la insuficiencia cardíaca; también se han mencionado distintos tipos de cáncer, incluido el de mama, además del riesgo de mortalidad por cualquier causa. El alcance es amplio porque el sueño refleja la actividad de varios sistemas corporales a la vez, no porque una sola señal permita reconocer con certeza cada diagnóstico.

Para valorar el rendimiento, los investigadores emplearon el índice de concordancia, conocido como índice C. Esta medida indica hasta qué punto un modelo ordena correctamente a las personas según quién tiene más probabilidades de presentar antes un resultado. En los datos comunicados para el estudio, SleepFM alcanzó valores de al menos 0,75 en las enfermedades evaluadas; obtuvo 0,85 para demencia, 0,81 para infarto de miocardio y 0,80 para insuficiencia cardíaca.

Un índice C de 0,85 no quiere decir que el modelo acierte el diagnóstico en el 85% de quienes lo usan ni que una persona tenga un 85% de probabilidades de enfermar. Describe el rendimiento comparativo al ordenar riesgos dentro de los datos analizados. Es una medida de discriminación estadística, no una probabilidad individual ni una garantía de acierto. La diferencia puede parecer técnica, pero cambia por completo cómo deben leerse los titulares sobre predicciones médicas.

Por qué el sueño puede funcionar como una ventana de salud

El descanso ocupa una parte considerable de la vida y, durante esas horas, el cuerpo sigue trabajando. Cambian la actividad cerebral, la frecuencia cardíaca, la respiración y el tono muscular; también se alternan fases de sueño con características diferentes. La polisomnografía permite observar varios de esos procesos al mismo tiempo, como si ofreciera una fotografía en movimiento del funcionamiento nocturno del organismo.

Una alteración en una señal aislada puede ser difícil de interpretar. En cambio, la relación entre varias señales podría revelar que sistemas que suelen acompasarse están respondiendo de una manera distinta. El valor potencial de SleepFM está en integrar esa información, no en atribuir un significado definitivo a cada variación. El sueño se plantea como un posible biomarcador global: una fuente de datos que podría complementar otros elementos de la historia clínica.

Eso no convierte la noche en una prueba universal capaz de reemplazar análisis, exploraciones o antecedentes médicos. La misma señal puede tener interpretaciones distintas según la edad, el estado de salud y el contexto. Además, una polisomnografía se solicita habitualmente cuando existen indicios que justifican estudiar el sueño. La información que proporciona es valiosa, pero no equivale a observar una muestra neutral de toda la población.

Lo que los resultados todavía no permiten afirmar

La base de entrenamiento procede en gran medida de personas derivadas a centros del sueño por sospechas de algún trastorno. No representa necesariamente a quienes duermen sin problemas aparentes ni a todos los grupos sociales y regiones. Si el modelo se prueba en pacientes con características distintas de las de la muestra original, su rendimiento podría variar. La representatividad de los datos es una condición esencial para saber si las predicciones sirven fuera del entorno en que se desarrollaron.

También queda por comprobar cómo se comporta la herramienta en evaluaciones independientes y prospectivas, es decir, cuando se aplica a nuevas personas y sus resultados se siguen en el tiempo. Un modelo puede funcionar bien al analizar datos conocidos y rendir de otra manera en clínicas, poblaciones o equipos diferentes. Antes de incorporarlo a la práctica habitual hacen falta más validaciones y una comprensión más clara de cómo llega a determinadas estimaciones.

Otra limitación es que el sistema reconoce patrones sin explicar necesariamente qué los produce. Esa opacidad dificulta valorar por qué una señal concreta contribuye a elevar o reducir un riesgo y si la relación se mantiene en grupos distintos. La capacidad técnica de analizar grandes volúmenes no resuelve por sí sola estas preguntas: la precisión estadística debe ir acompañada de pruebas sobre utilidad clínica, fiabilidad y límites.

Del laboratorio a los dispositivos portátiles

El equipo de Stanford ha planteado ampliar el trabajo a dispositivos portátiles, como relojes inteligentes. La posibilidad resulta atractiva porque esos aparatos se usan en casa y podrían recoger datos durante más noches que una prueba realizada en un laboratorio. Pero no miden necesariamente las mismas señales ni con el mismo nivel de detalle que una polisomnografía, que registra de forma directa múltiples funciones fisiológicas.

Por eso, trasladar SleepFM a un reloj no consistiría simplemente en instalar el mismo programa en otro dispositivo. Habría que comprobar qué señales puede captar cada aparato, cuánto se parecen a las mediciones clínicas y si las predicciones mantienen su validez cuando los datos son menos completos. Un sensor más accesible no garantiza, por sí solo, una predicción igual de fiable; el sistema tendría que validarse de nuevo con ese tipo de información.

La expansión también podría cambiar quién queda representado en los datos. Las mediciones domésticas permitirían estudiar a personas que no acuden a una clínica del sueño, aunque eso dependería del acceso a los dispositivos, de cómo se recogen los registros y de la calidad de la información. El reto no es solo hacer que la IA llegue al hogar, sino determinar si lo que mide allí permite conclusiones comparables y útiles.

Privacidad, vigilancia y el peso de conocer un riesgo

Las señales del sueño no son simples datos de actividad física. Combinadas con historiales clínicos, pueden revelar información sensible sobre la salud. Si en el futuro se incorporan registros de dispositivos personales, será fundamental saber quién los almacena, quién puede consultarlos y con qué garantías se evita asociarlos a una persona concreta. La anonimización es una protección importante, aunque el uso de información sanitaria exige una atención especialmente cuidadosa.

Una preocupación concreta es que los datos predictivos puedan utilizarse fuera de la atención médica, por ejemplo, de forma discriminatoria en decisiones de terceros. El riesgo no se limita a una filtración: también importa el propósito para el que se analizan los registros y quién controla ese proceso. La utilidad científica del modelo no elimina la necesidad de proteger la privacidad ni de limitar usos que perjudiquen a las personas.

También está en juego el efecto de recibir una estimación sobre una enfermedad futura, sobre todo si no existe un tratamiento curativo o si el riesgo no puede traducirse en una acción clara. Algunas personas preferirían conocer esa información; otras podrían vivir bajo una vigilancia constante o sentirse culpables por un resultado que no pueden controlar. La pregunta no es solo si la IA predice, sino qué beneficio concreto tendría comunicar cada pronóstico y cómo se explicaría su incertidumbre.

Una herramienta de investigación, no un diagnóstico nocturno

SleepFM muestra que las señales registradas mientras una persona duerme pueden contener información que va más allá de los trastornos del sueño. Su aportación principal es integrar datos de varios sistemas del organismo y relacionarlos con numerosos resultados clínicos. La investigación abre una vía para estudiar el sueño como indicador de salud, pero todavía no establece que una noche de medición baste para diagnosticar enfermedades ni para decidir tratamientos.

La utilidad clínica dependerá de que estudios posteriores confirmen el rendimiento en poblaciones más diversas, en entornos independientes y con mediciones comparables. También será necesario saber si detectar antes un riesgo mejora realmente la atención, y cómo manejar resultados que no son certezas. Entre una predicción prometedora y una prueba médica de uso rutinario hay un tramo de validación que no se puede saltar.

Por ahora, el valor de SleepFM reside en lo que permite investigar: cómo se coordinan durante la noche el cerebro, el corazón, la respiración y los músculos, y qué pistas podrían guardar esas relaciones sobre la salud futura. La inteligencia artificial puede ayudar a encontrar patrones demasiado complejos para una revisión convencional, pero el sentido de esos patrones depende todavía del contexto clínico, la calidad de los datos y el criterio humano.