A IA de Stanford detecta avisos ocultos de doenças que aparecem enquanto você dorme

O sistema, chamado SleepFM, foi treinado usando quase 600 mil horas de registros de sono de 65 mil indivíduos. Essas gravações vieram da polissonografia, um teste aprofundado do sono que usa vários sensores para rastrear a atividade cerebral, função cardíaca, padrões respiratórios, movimentos dos olhos, movimentos das pernas e outros sinais físicos durante o sono.

Estudos do sono contêm 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 perceberam que também captura uma grande quantidade de informações fisiológicas que raramente foram totalmente analisadas.

“Registramos um número incrível de sinais quando estudamos o sono”, disse Emmanual Mignot, MD, PhD, professor Craig Reynolds em Medicina do Sono e co-autor sênior do novo estudo, que será publicado em 6 de janeiro na Nature Medicine. “É uma espécie de fisiologia geral que estudamos durante oito horas em um sujeito completamente cativo. São dados muito ricos.”

Na prática clínica de rotina, apenas uma pequena parte desta informação é examinada. Avanços recentes na inteligência artificial permitem agora que os investigadores analisem estes grandes e complexos conjuntos de dados de forma mais aprofundada. Segundo a equipe, este trabalho é o primeiro a aplicar IA aos dados do sono em uma escala tão grande.

“Do ponto de vista da IA, o sono é relativamente pouco estudado. Há muitos outros trabalhos de IA voltados para patologia ou cardiologia, mas relativamente poucos para o sono, apesar do sono ser uma parte tão importante da vida”, disse James Zou, PhD, professor associado de ciência de dados biomédicos e co-autor sênior do estudo.

Ensinando à IA os padrões de sono

Para desbloquear insights a partir dos dados, os pesquisadores construíram um modelo básico, um tipo de IA projetada para aprender padrões amplos 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 biológicos.

O SleepFM foi treinado em 585.000 horas de dados de polissonografia coletados de pacientes avaliados em clínicas do sono. Cada gravação do sono foi dividida em segmentos de cinco segundos, que funcionam como palavras usadas para treinar sistemas de IA baseados em linguagem.

“SleepFM é essencialmente aprender a linguagem do sono”, disse Zou.

O modelo integra vários fluxos de informações, incluindo sinais cerebrais, ritmos cardíacos, atividade muscular, medições de pulso e fluxo de ar durante a respiração, e aprende 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. 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 é descobrir como harmonizar todas essas diferentes modalidades de dados para que possam se unir para aprender a mesma linguagem”, disse Zou.

Prevendo doenças futuras a partir do sono

Após o treinamento, os pesquisadores adaptaram o modelo para tarefas específicas. 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 SleepFM igualou ou superou 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 registros de polissonografia com resultados de saúde a longo prazo dos mesmos indivíduos. Isto foi possível porque os investigadores tiveram acesso a décadas de registos médicos de uma única 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 cerca de 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.

(Os registros polissonográficos da clínica são ainda mais antigos, mas apenas no papel, disse Mignot, que dirigiu o centro do sono de 2010 a 2019.)

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 mais fortes foram observados para cancros, complicações na gravidez, doenças circulatórias e distúrbios de saúde mental, com pontuações de previsão acima de um índice C de 0,8.

Como a precisão da previsão é medida

O índice C, ou índice de concordância, mede quão bem um modelo pode classificar as pessoas por risco. Reflete a frequência com que o modelo prevê corretamente qual dos dois indivíduos 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 evento – um ataque cardíaco, por exemplo – mais cedo. Um índice C de 0,8 significa que 80% das vezes, a previsão do modelo é concordante com o que realmente aconteceu”, disse Zou.

O SleepFM teve um desempenho especialmente 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 que, para um conjunto bastante diversificado de condições, o modelo seja capaz de fazer previsões informativas”, disse Zou.

Zou 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.

Compreendendo o que a IA 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 explica isso em inglês”, disse Zou. “Mas desenvolvemos diferentes técnicas de interpretação para descobrir o que o modelo está observando quando faz uma previsão de uma doença específica”.

A equipe descobriu que, embora os sinais relacionados ao coração fossem mais influentes na previsão de doenças cardiovasculares e os sinais relacionados ao cérebro desempenhassem um papel maior nas previsões de saúde mental, os resultados mais precisos vieram da combinação de todos os tipos de dados.

“A maior informação que obtivemos para prever doenças foi contrastando os diferentes canais”, disse Mignot. Constituintes do corpo que estavam fora de sincronia – um cérebro que parece adormecido, mas um coração que parece acordado, por exemplo – pareciam significar 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.

O estudo recebeu financiamento dos Institutos Nacionais de Saúde (concessão R01HL161253), Knight-Hennessy Scholars e Chan-Zuckerberg Biohub.