Uma noite agitada muitas vezes leva à fadiga no dia seguinte, mas também pode ser um sinal de problemas de saúde no futuro. Cientistas da Escola de Medicina da Universidade de Stanford e seus colaboradores desenvolveram um sistema de inteligência artificial que pode examinar os sinais corporais de uma noite de sono e estimar o risco de uma pessoa desenvolver mais de 100 doenças diferentes.
O sistema, chamado SleepFM, foi treinado usando quase 600 mil horas de registros de sono de 65 mil pessoas. As 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 corporais durante o sono.
A pesquisa do sono contém dados de saúde inexplorados
A polissonografia é considerada o padrão ouro para avaliar o sono e normalmente é realizada durante a noite em ambiente laboratorial. Embora seja amplamente utilizado para diagnosticar distúrbios do sono, os pesquisadores percebem que ele também captura uma riqueza de informações fisiológicas que raramente são totalmente analisadas.
“Quando estudamos o sono, registramos uma quantidade incrível de sinais”, disse o Dr. Emmanual Mignot, professor de Medicina do Sono Craig Reynolds e co-autor sênior do novo estudo, que será publicado em 6 de janeiro na revista Nature Medicine. “Esta é uma fisiologia geral, e nós a estudamos durante oito horas com um sujeito completamente cativo. Os dados eram muito ricos.”
Na prática clínica de rotina, apenas uma pequena parte desta informação é examinada. Os recentes avanços na inteligência artificial permitem agora aos investigadores analisar mais detalhadamente estes grandes e complexos conjuntos de dados. Segundo a equipe, este trabalho é a primeira vez que a inteligência artificial foi aplicada a dados de sono em grande escala.
“O sono tem sido relativamente pouco estudado do ponto de vista da IA. Existem muitos outros esforços de IA que se concentram na patologia ou cardiologia, mas relativamente pouco no sono, embora o sono seja uma parte importante da vida”, disse James Zou, Ph.D., professor associado de ciência de dados biomédicos e co-autor sênior do estudo.
Ensinando padrões de sono de inteligência artificial
Para obter insights a partir dos dados, os pesquisadores construíram um modelo básico, um tipo de inteligência artificial projetada para aprender padrões amplos a partir de conjuntos de dados muito grandes e depois aplicar esse conhecimento a muitas tarefas. Grandes modelos de linguagem como o ChatGPT usam uma abordagem semelhante, embora sejam treinados em texto e não em sinais biométricos.
O SleepFM é treinado em 585.000 horas de dados de polissonografia coletados de pacientes avaliados em clínicas do sono. Cada gravação do sono é dividida em segmentos de cinco segundos que funcionam como palavras usadas para treinar sistemas de inteligência artificial baseados em linguagem.
“SleepFM é essencialmente aprender a linguagem do sono”, disse Zou.
O modelo integra múltiplos fluxos de informação, incluindo sinais cerebrais, ritmo cardíaco, atividade muscular, medições de pulso e fluxo de ar durante a respiração, e entende 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 pede ao modelo para reconstruí-lo usando os dados restantes.
“Um dos avanços técnicos que fizemos neste trabalho foi descobrir como coordenar todos esses diferentes padrões de dados para que possam se unir para aprender a mesma linguagem”, disse Zou.
Prevendo doenças futuras através do sono
Após o treinamento, os pesquisadores ajustaram o modelo para a tarefa específica. 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 desempenho do SleepFM atingiu ou excedeu 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 vincularam os registros de polissonografia aos resultados de saúde a longo prazo nas mesmas pessoas. Isto foi possível porque os investigadores tiveram acesso a décadas de registos médicos de uma clínica do sono.
O Stanford Sleep Medicine Center foi fundado em 1970 pelo falecido William Dement, MD, PhD, que é amplamente considerado o pai da medicina do sono. O maior grupo usado para treinar o SleepFM incluiu aproximadamente 35.000 pacientes com idades entre 2 e 96 anos. Seus estudos do sono foram registrados na clínica entre 1999 e 2024 e combinados com registros eletrônicos de saúde que acompanharam alguns pacientes por até 25 anos.
(Mignault, que dirigiu o centro do sono de 2010 a 2019, disse que os registros de polissonografia da clínica datam de um período anterior, mas apenas no papel.)
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 foram mais fortes para o cancro, complicações na gravidez, doenças circulatórias e distúrbios de saúde mental, com pontuações de previsão acima do índice C de 0,8.
Como medir a precisão da previsão
O índice C, ou índice de consistência, mede quão bem o modelo classifica as pessoas por risco. Reflete a frequência com que o modelo prevê corretamente qual das duas pessoas experimentará primeiro um evento de saúde.
“Para todos os pares possíveis de indivíduos, o modelo fornece uma classificação de quem tem maior probabilidade de sofrer um determinado evento (como um ataque cardíaco) mais cedo. Um índice C de 0,8 significa que 80% das vezes, as previsões do modelo são consistentes com o que realmente acontece”, disse Zou.
SleepFM teve um desempenho particularmente bom na previsão da doença de Parkinson (índice C 0,89), demência (0,85), doença cardíaca hipertensiva (0,84), doença cardíaca (0,81), câncer de próstata (0,89), câncer de mama (0,87) e morte (0,84).
“Ficamos agradavelmente surpresos com o fato de o modelo ter sido capaz de fazer previsões informativas para condições bastante diferentes”, disse Zou.
Zou também observou que modelos menos precisos (normalmente com um índice C de cerca de 0,7) já são utilizados na prática médica, tais como ferramentas para ajudar a prever a resposta do paciente a certos tratamentos contra o cancro.
Entenda o que a inteligência artificial vê
Os pesquisadores estão agora 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 explicou isso em inglês”, disse Zou. “Mas desenvolvemos diferentes técnicas de interpretação para descobrir o que o modelo está observando ao fazer previsões específicas de doenças”.
A equipe descobriu que, embora os sinais relacionados ao coração tenham mais influência na previsão de doenças cardiovasculares e os sinais relacionados ao cérebro tenham desempenhado um papel maior na previsão da saúde mental, os resultados mais precisos vieram da combinação de todos os tipos de dados.
“A maior parte da informação que temos para prever doenças é obtida através da comparação de diferentes fontes”, disse Mignot. Componentes corporais fora de sincronia – por exemplo, o cérebro parece adormecido, mas o coração parece acordado – parecem causar problemas.
Rahul Thapa, estudante de doutorado em ciência de dados biomédicos, e Magnus Ruud Kjaer, estudante de doutorado na Universidade Técnica da Dinamarca, são co-autores principais do estudo.
Pesquisadores da Universidade Técnica da Dinamarca, do Copenhagen University Hospital-Rigshospitalet, da BioSerenity, da Universidade de Copenhagen e da Harvard Medical School contribuíram para o trabalho.
Esta pesquisa foi financiada pelos Institutos Nacionais de Saúde (R01HL161253), Knight-Hennessy Scholars e Chan-Zuckerberg Biohub.
