Os alertas ocultos de doenças que a IA da Stanford detecta enquanto você dorme

O sistema, chamado SleepFM, foi treinado usando quase 600.000 horas de gravações de sono de 65.000 indivíduos. Essas gravações foram obtidas por meio de polissonografia, um teste de sono aprofundado que utiliza múltiplos sensores para rastrear a atividade cerebral, o funcionamento do coração, os padrões respiratórios, o movimento dos olhos, a movimentação 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 a avaliação do sono e tipicamente é realizada durante a noite em um ambiente de laboratório. Embora seja amplamente utilizada para diagnosticar distúrbios do sono, os pesquisadores perceberam que também captura uma enorme quantidade de informações fisiológicas que raramente foram analisadas de forma completa.

“Registramos um número impressionante de sinais quando estudamos o sono”, disse Emmanual Mignot, MD, PhD, Professor de 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 por oito horas em um sujeito que está completamente capturado. É muito rico em dados.”

Na prática clínica rotineira, apenas uma pequena parte dessas informações é examinada. Recentes avanços em inteligência artificial agora permitem que os pesquisadores analisem essas grandes e complexas bases 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 maciça.

“Do ponto de vista da IA, o sono é relativamente pouco estudado. Há muito mais trabalho de IA focado em patologia ou cardiologia, mas relativamente pouco analisando o sono, apesar de 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 IA os Padrões do Sono

Para desbloquear insights dos dados, os pesquisadores construíram um modelo de base, 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 grandes como o ChatGPT usam uma abordagem semelhante, embora sejam treinados em texto em vez de sinais biológicos.

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

“SleepFM está essencialmente aprendendo a linguagem do sono”, disse Zou.

O modelo integra múltiplas correntes de informação, 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 entender essas relações, os pesquisadores desenvolveram um método de treinamento chamado aprendizado contrastivo leave-one-out. Essa 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 e 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 de sono, como identificação de estágios do sono e avaliação da gravidade da apneia do sono. Nesses testes, o SleepFM igualou ou superou o desempenho dos principais modelos atualmente em uso.

A equipe então perseguiu um objetivo mais ambicioso: determinar se os dados do sono poderiam prever doenças futuras. Para isso, eles uniram registros de polissonografia com desfechos de saúde de longo prazo dos mesmos indivíduos. Isso foi possível porque os pesquisadores tinham acesso a décadas de prontuários médicos de uma única clínica de 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 emparelhados com registros eletrônicos de saúde que acompanharam alguns pacientes por até 25 anos.

(Os registros de polissonografia da clínica remontam ainda mais, mas apenas em papel, disse Mignot, que dirigiu o centro de sono de 2010 a 2019.)

Usando esse conjunto de dados combinado, o SleepFM revisou mais de 1.000 categorias de doenças e identificou 130 condições que poderiam ser previstas com precisão razoável usando apenas os dados do sono. Os melhores resultados foram vistos para cânceres, complicações na gravidez, doenças circulatórias e transtornos mentais, com escores de previsão 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 pode 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 possíveis pares de indivíduos, o modelo fornece uma classificação de quem é mais provável de experimentar um evento – um ataque cardíaco, por exemplo – antes. Um C-index de 0,8 significa que 80% do tempo, a previsão do modelo está de acordo com o que realmente aconteceu”, disse Zou.

O SleepFM se destacou especialmente ao prever a doença de Parkinson (C-index 0,89), demência (0,85), doença cardíaca hiperteniva (0,84), ataque cardíaco (0,81), câncer de próstata (0,89), câncer de mama (0,87) e morte (0,84).

“Ficamos agradavelmente surpresos ao ver que, para um conjunto bastante diversificado de condições, o modelo consegue fazer previsões informativas”, disse Zou.

Zou também destacou que modelos com menor precisão, frequentemente em torno de um C-index de 0,7, já são utilizados na prática médica, como ferramentas que ajudam a prever como os pacientes podem responder a determinados tratamentos para o câncer.

Compreendendo o que a IA Vê

Os pesquisadores agora estão trabalhando para melhorar as previsões do SleepFM e entender melhor como o sistema chega a suas conclusões. Versões futuras podem incorporar dados de dispositivos vestíveis para ampliar a gama de sinais fisiológicos.

“Ela não explica isso para nós em inglês”, disse Zou. “Mas desenvolvemos diferentes técnicas de interpretação para descobrir o que o modelo está observando ao fazer uma previsão de 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 quantidade de informação que obtivemos para prever doenças foi contrastando os diferentes canais”, disse Mignot. Constituintes 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, um estudante de doutorado em ciência de dados biomédicos, e Magnus Ruud Kjaer, um estudante de doutorado da Universidade Técnica da Dinamarca, são co-autores 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 para o trabalho.

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