Uma noite de sono inquieta muitas vezes resulta em fadiga no dia seguinte, mas também pode indicar problemas de saúde que surgirão mais tarde. Cientistas da Stanford Medicine e seus colaboradores desenvolveram um sistema de inteligência artificial capaz de analisar os sinais do corpo a partir de uma única noite de sono e estimar o risco de uma pessoa desenvolver mais de 100 condições médicas diferentes.
O sistema, denominado SleepFM, foi treinado com quase 600.000 horas de gravações de sono de 65.000 indivíduos. Essas gravações foram obtidas através da polissonografia, um teste abrangente de sono que utiliza múltiplos sensores para monitorar a atividade cerebral, a função cardíaca, os padrões respiratórios, o movimento ocular, a movimentação das pernas e outros sinais físicos durante o sono.
Estudos do Sono Revelam Dados de Saúde Inexplorados
A polissonografia é considerada o padrão-ouro para a avaliação do sono e geralmente é realizada durante a noite em um ambiente de laboratório. Embora seja amplamente usada para diagnosticar distúrbios do sono, os pesquisadores perceberam que também captura uma vasta quantidade de informações fisiológicas que raramente foram analisadas em sua totalidade.
“Registramos uma quantidade incrível de sinais quando estudamos o sono”, disse Emmanual Mignot, MD, PhD, professor Craig Reynolds de Medicina do Sono e coautor 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 sob controle. É muito rico em dados.”
No cotidiano clínico, apenas uma pequena parte dessas informações é examinada. Avanços recentes em inteligência artificial agora permitem que os pesquisadores analisem esses grandes e complexos conjuntos de dados de forma mais aprofundada. De acordo com a equipe, este trabalho é o primeiro a aplicar IA a dados de sono em uma escala tão ampla.
“Do ponto de vista da IA, o sono é relativamente subestudado. Há muito trabalho de IA focado em patologia ou cardiologia, mas relativamente pouco dedicado ao sono, apesar de ser uma parte tão importante da vida”, afirmou James Zou, PhD, professor associado de ciência de dados biomédicos e coautor sênior do estudo.
Ensinando a IA os Padrões do Sono
Para desbloquear insights a partir dos dados, os pesquisadores construíram um modelo de base, um tipo de IA projetada para aprender padrões amplos de conjuntos de dados muito grandes e, em seguida, aplicar esse conhecimento a várias tarefas. Modelos de linguagem grandes, como o ChatGPT, usam um método semelhante, embora sejam treinados com 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.
“O SleepFM está essencialmente aprendendo a linguagem do sono”, disse Zou.
O modelo integra múltiplas correntes de informações, incluindo sinais cerebrais, ritmos cardíacos, atividade muscular, medidas 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 de deixar um de fora. 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 realizamos neste trabalho foi descobrir como harmonizar todas essas diferentes modalidades de dados para que pudessem se unir e aprender a mesma linguagem”, comentou Zou.
Previsão de Doenças Futuras a Partir do Sono
Após o treinamento, os pesquisadores adaptaram o modelo para tarefas específicas. Eles inicialmente o testaram em avaliações padrão de sono, como identificar estágios do sono e avaliar a gravidade da apneia do sono. Nessas avaliações, o SleepFM igualou ou superou o desempenho dos modelos líderes atualmente em uso.
A equipe, então, buscou um objetivo mais ambicioso: determinar se os dados do sono poderiam prever doenças futuras. Para isso, eles conectaram os registros de polissonografia com resultados de saúde de longo prazo dos mesmos indivíduos. Isso foi possível porque os pesquisadores tiveram acesso a décadas de registros médicos de uma única clínica de sono.
O Centro de Medicina do Sono de Stanford foi fundado em 1970 pelo falecido William Dement, MD, PhD, amplamente reconhecido como o pai da medicina do sono. O maior grupo utilizado para treinar o SleepFM incluiu cerca de 35.000 pacientes com idades entre 2 e 96 anos. Seus estudos do sono foram gravados na clínica entre 1999 e 2024 e emparelhados com registros eletrônicos de saúde que acompanharam alguns pacientes por até 25 anos.
(As gravações 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 analisou mais de 1.000 categorias de doenças e identificou 130 condições que poderiam ser previstas com precisão razoável utilizando apenas os dados do sono. Os resultados mais fortes foram observados para cânceres, complicações na gravidez, doenças circulatórias e transtornos mentais, com pontuações de predição 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 as pessoas por risco. Ele reflete com que frequência o modelo prevê corretamente qual de dois indivíduos experimentará um evento de saúde primeiro.
“Para todos os pares possíveis de indivíduos, o modelo fornece uma classificação de quem é mais provável de experimentar um evento — um ataque cardíaco, por exemplo — mais cedo. Um C-index de 0,8 significa que 80% das vezes, a predição do modelo é concordante com o que realmente ocorreu,” explicou Zou.
O SleepFM se destacou especialmente ao prever a doença de Parkinson (C-index 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 surpreendidos ao ver que, para um conjunto de condições tão diversificado, o modelo é capaz de fazer previsões informativas,” disse Zou.
Zou também observou 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 certos tratamentos de câncer.
Entendendo o Que a IA Está Captando
Os pesquisadores estão agora trabalhando para melhorar as previsões do SleepFM e entender melhor como o sistema chega às suas conclusões. Versões futuras podem incorporar dados de dispositivos vestíveis para expandir a gama de sinais fisiológicos.
“Ele não nos explica isso em inglês,” comentou 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, os sinais relacionados ao cérebro desempenhavam um papel maior nas previsões de saúde mental, sendo que os resultados mais precisos vieram da combinação de todos os tipos de dados.
“A maior quantidade de informações que obtivemos para prever doenças foi ao contrastar os diferentes canais,” disse Mignot. Constituídos do corpo 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, estudante de doutorado na 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 (grant R01HL161253), dos Knight-Hennessy Scholars e do Chan-Zuckerberg Biohub.
Leave a Reply