Uma noite agitada muitas vezes leva ao cansaço no dia seguinte, mas também pode sinalizar problemas de saúde que aparecem 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 avaliar 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. Essas gravações vêm da polissonografia, um teste avançado do sono que usa vários sensores para rastrear a atividade cerebral, função cardíaca, respiração, movimentos dos olhos, movimentos das pernas e outros sinais físicos durante o sono.
Estudos do sono armazenam dados de saúde inexplorados
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 são totalmente analisadas.
“Quando estudamos o sono, registamos um número surpreendente de sinais”, disse Emmanuel Mignot, MD, professor de Medicina do Sono Craig Reynolds e um dos autores do novo estudo, que será publicado a 6 de janeiro na Nature Medicine. “É uma espécie de fisiologia geral que estamos estudando durante oito horas em um sujeito totalmente cativo. É uma informação muito rica.”
Na prática clínica de rotina, apenas uma pequena parte desta informação é estudada. Os recentes avanços na inteligência artificial permitem agora aos investigadores analisar mais detalhadamente estes grandes e complexos conjuntos de dados. Segundo a equipe, este é o primeiro trabalho em que a inteligência artificial é aplicada a dados de sono em escala tão grande.
“O sono é relativamente pouco estudado do ponto de vista da IA. Há muitos outros trabalhos sobre IA que analisam patologia e cardiologia, mas relativamente poucos se debruçaram sobre o sono, embora o sono seja uma parte tão importante da vida”, disse James Zu, Ph.D., professor associado de dados biomédicos e co-autor sénior do estudo.
Treinando inteligência artificial com padrões de sono
Para desbloquear insights a partir dos dados, os investigadores criaram um modelo subjacente, um tipo de inteligência artificial concebida para aprender padrões amplos a partir de conjuntos de dados muito grandes e 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 biológicos.
O SleepFM foi treinado em 585.000 horas de dados de polissonografia coletados de pacientes submetidos a exames em clínicas do sono. Cada gravação do sono foi dividida em segmentos de cinco segundos, que funcionam de forma muito semelhante às palavras usadas para treinar sistemas de linguagem de inteligência artificial.
“SleepFM aprende essencialmente a linguagem do sono”, disse Zou.
O modelo integra vários fluxos de informações, incluindo sinais cerebrais, frequência cardíaca, atividade muscular, medições de frequência cardíaca e fluxo de ar durante a respiração, e estuda como esses sinais interagem. Para ajudar o sistema a compreender essas relações, os pesquisadores desenvolveram uma técnica de aprendizagem chamada aprendizagem por contraste um-para-um. Esta abordagem remove um tipo de sinal de cada vez e pede ao modelo para reconstruí-lo usando os dados restantes.
“Um dos avanços técnicos que fizemos neste trabalho foi descobrir como harmonizar todas essas diferentes modalidades de dados para que possam se unir para aprender um único idioma”, disse Zow.
Previsão de doenças futuras pelo sono
Após o treinamento, os pesquisadores adaptaram o modelo para tarefas específicas. Primeiro, eles testaram-no em avaliações padrão do sono, como determinar os estágios do sono e avaliar a gravidade da apneia do sono. Nestes testes, o SleepFM atingiu ou superou o desempenho dos principais modelos em uso atualmente.
A equipe buscou então uma tarefa mais ambiciosa: determinar se os dados do sono poderiam prever doenças futuras. Para fazer isso, eles vincularam registros de polissonografia com resultados de saúde a longo prazo das mesmas pessoas. Isto foi possível porque os investigadores tiveram acesso a décadas de registos médicos de uma clínica do sono.
O Stanford Center for Sleep Medicine foi fundado em 1970 pelo falecido William Dement, MD, amplamente considerado o pai da medicina do sono. A maior coorte usada para treinar o SleepFM incluiu aproximadamente 35.000 pacientes com idades entre 2 e 96 anos. Seus estudos do sono foram registrados em uma clínica entre 1999 e 2024 e combinados com registros eletrônicos de saúde que acompanharam alguns pacientes por 25 anos.
(Os registros de polissonografia da clínica são ainda mais antigos, mas apenas no papel, disse Mignot, que dirigiu o centro do sono de 2010 a 2019.)
Usando esse conjunto de dados combinados, a SleepFM analisou 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 câncer, complicações na gravidez, doenças do aparelho circulatório e transtornos de saúde mental, com pontuações de previsão superiores a um índice C de 0,8.
Como a precisão da previsão é medida
O índice C, ou índice de concordância, mede quão bem o modelo pode classificar as pessoas de acordo com o risco. Isto reflete a frequência com que o modelo prevê corretamente qual das duas pessoas desenvolverá primeiro um problema de saúde.
“Para todos os pares possíveis de indivíduos, o modelo classifica quem tem maior probabilidade de sofrer um evento – como um ataque cardíaco – mais cedo. Um índice C de 0,8 significa que 80% das vezes, a previsão do modelo corresponde ao que realmente aconteceu”, disse Zhou.
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, sob diversas condições, o modelo é capaz de fazer previsões informativas”, disse Zou.
Zu 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 inteligência artificial vê
Os pesquisadores estão agora trabalhando para melhorar as previsões do SleepFM e entender melhor como o sistema tira 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 métodos de interpretação para descobrir o que o modelo está observando quando prevê uma doença específica”.
A equipe descobriu que, embora os sinais relacionados ao coração sejam mais influentes na previsão de doenças cardiovasculares e os sinais relacionados ao cérebro desempenhem 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 obtivemos para prever doenças veio da comparação de diferentes canais”, disse Mignot. Componentes do corpo que estavam fora de sincronia – como um cérebro que parece adormecido, mas um coração que parece acordado – pareciam causar problemas.
Rahul Thapa, estudante de doutorado em ciência de dados biomédicos, e Magnus Ruud Kjaer, estudante de doutorado na Universidade Técnica da Dinamarca, estão entre os principais autores do estudo.
Pesquisadores da Universidade Técnica da Dinamarca, do Hospital Universitário de Copenhague – Rigshospitalet, da BioSerenity, da Universidade de Copenhague e da Harvard Medical School contribuíram para o trabalho.
A pesquisa recebeu financiamento dos Institutos Nacionais de Saúde (concessão R01HL161253), da Knight-Hennessy Scholars e do Chan-Zuckerberg Biohub.
