Una sola noche en una unidad del sueño podría bastar para obtener algo muy parecido a un informe anticipado sobre la salud futura. Un grupo de investigadores de la Universidad de Stanford (Estados Unidos) ha desarrollado un modelo de inteligencia artificial, llamado SleepFM, capaz de estimar el riesgo de sufrir hasta 130 enfermedades a partir de los datos de un estudio de sueño convencional.
La herramienta, presentada en la revista Nature Medicine, sitúa al sueño como un biomarcador global de enorme valor clínico. A partir de registros habituales en las unidades de sueño, el sistema puede adelantar la probabilidad de patologías tan relevantes como la demencia, el infarto de miocardio, la insuficiencia cardíaca, el ictus o la enfermedad renal crónica, lo que abre un escenario nuevo para la medicina preventiva, también en Europa y España, donde la polisomnografía es una prueba cada vez más frecuente.
Qué es SleepFM y qué hace exactamente
SleepFM es un modelo de inteligencia artificial entrenado específicamente con datos de sueño. Su base son registros de polisomnografía (PSG), la prueba estándar que se utiliza en hospitales y unidades especializadas para estudiar trastornos como apnea del sueño, insomnio o parasomnias. Esta prueba recoge, durante toda la noche, la actividad eléctrica cerebral, la respiración, el ritmo cardíaco, el tono muscular y los movimientos oculares y de las piernas, y factores nutricionales como el magnesio y sueño influyen en la calidad del descanso.
Para desarrollar el modelo, el equipo de Stanford empleó alrededor de 600.000 horas de grabaciones nocturnas de unas 65.000 personas, procedentes de distintas cohortes, principalmente pacientes derivados a la clínica del sueño de la propia universidad y de estudios internacionales como el Sleep Heart Health Study. La cantidad de información es de tal magnitud que, sin IA, resultaría prácticamente inabordable para un equipo humano.
El sistema no se limita a clasificar fases de sueño o a detectar apnea. Según describen sus autores, SleepFM genera lo que denominan “representaciones latentes del sueño”: una especie de huella matemática que resume la arquitectura fisiológica y temporal de toda la noche. Esa representación integra, de forma conjunta, las señales cerebrales, cardíacas, respiratorias y musculares, en lugar de analizarlas por separado.
Gracias a esta codificación compacta, el modelo puede relacionar los patrones del sueño con la probabilidad de desarrollar enfermedades años después. En la práctica, esto permite pasar de una simple descripción de cómo duerme una persona a una valoración mucho más amplia de su salud general y de su riesgo futuro.
Desde el punto de vista técnico, los investigadores combinaron técnicas de aprendizaje contrastivo, ocultando partes de las señales y obligando al modelo a reconstruirlas a partir del resto. De esta forma, SleepFM “aprende el lenguaje del sueño”, en palabras de James Zou, profesor asociado de ciencia de datos biomédicos en Stanford y uno de los autores principales.
Una sola noche de sueño para predecir 130 enfermedades
Lo más llamativo del trabajo es que, con únicamente una noche de registro, SleepFM es capaz de estimar el riesgo de unas 130 patologías diferentes. No se trata solo de trastornos del sueño, sino de un abanico muy amplio de enfermedades neurológicas, cardiovasculares, renales, metabólicas, endocrinas, hematológicas y de salud mental.
Entre las patologías donde el rendimiento del modelo resulta especialmente alto se encuentran la demencia, el infarto de miocardio y la insuficiencia cardíaca. En estos casos, el índice de concordancia (índice C, una medida que indica qué capacidad tiene el modelo para ordenar a las personas según su riesgo) se sitúa en torno o por encima de 0,8, lo que se considera un buen desempeño en términos de predicción clínica.
El modelo también muestra una capacidad notable para anticipar el riesgo de accidente cerebrovascular y fibrilación auricular, así como para estimar la probabilidad de muerte por cualquier causa. En el ámbito neurológico, SleepFM destaca en la predicción de enfermedades neurodegenerativas, como Alzheimer y Parkinson, dos patologías que ya se habían relacionado en otros trabajos con alteraciones del sueño REM y no REM.
En algunos análisis, los investigadores han observado que las señales respiratorias y cardíacas durante el sueño pueden reflejar fenotipos específicos de enfermedades como el Parkinson, mientras que ciertas irregularidades en las ondas lentas del sueño no REM se asocian a estadios preclínicos de Alzheimer. Al combinar todas estas pistas, SleepFM consigue un mapa de riesgo mucho más completo que el que ofrecen los modelos basados únicamente en datos demográficos o en métricas aisladas de PSG.
En términos globales, el trabajo sugiere que un registro estándar de unas ocho horas de sueño se convierte en una auténtica “fotografía fisiológica” de la persona, donde quedan impresas señales sutiles de futuras complicaciones cardiovasculares, metabólicas, neurológicas o psiquiátricas, incluso antes de que aparezcan los primeros síntomas detectables en consulta.
El sueño como biomarcador global de salud
Una de las grandes aportaciones del estudio es reforzar la idea de que el sueño funciona como un biomarcador integrador de múltiples sistemas del cuerpo. Durante la noche, el organismo entra en un modo en el que se sincronizan la actividad cerebral, la función cardiovascular, la respiración y la regulación hormonal, de ahí que cualquier alteración pueda dejar una huella combinada en las señales fisiológicas.
Hasta ahora, buena parte de la literatura científica había analizado de forma separada la relación entre sueño y enfermedades concretas: apnea obstructiva y riesgo cardiovascular, insomnio y trastornos depresivos, o fragmentación del sueño y deterioro cognitivo. Sin embargo, muchos estudios se centraban en variables sueltas o en anotaciones manuales, lo que dejaba sin explotar buena parte de la información que ofrece una polisomnografía completa.
SleepFM pretende precisamente superar esa limitación, al integrar de manera simultánea múltiples canales de señal y al apoyarse en un preentrenamiento masivo. Los autores subrayan que, frente a modelos supervisados más clásicos, su herramienta mejora entre un 5 % y un 17 % el rendimiento en distintos grupos de enfermedades, lo que la convierte en una candidata para complementar las escalas actuales de riesgo.
En el contexto europeo, donde la incidencia de enfermedades cardiovasculares, diabetes tipo 2, obesidad y trastornos neurodegenerativos es elevada, la posibilidad de detectar patrones de riesgo en la consulta de sueño tiene implicaciones evidentes para los sistemas sanitarios. Países como España, con una red consolidada de unidades de sueño en hospitales públicos y privados, podrían beneficiarse de esta información para estratificar mejor a los pacientes y priorizar determinados seguimientos.
Expertos en cronobiología y medicina del sueño, como los consultados en España, apuntan que los datos nocturnos registran la interacción de factores como la fragmentación del sueño, los despertares frecuentes, la eficiencia del descanso y los episodios respiratorios, junto con marcadores cardiovasculares y metabólicos. Esta combinación es la que convierte al sueño en un indicador temprano de disfunción en varios sistemas, más allá de las patologías puramente relacionadas con el descanso.
Aplicaciones potenciales en medicina preventiva y en Europa
El impacto potencial de SleepFM se sitúa sobre todo en el terreno de la medicina preventiva y la detección precoz. Poder estimar, a partir de una sola noche de polisomnografía, el riesgo de desarrollar a medio o largo plazo un infarto, una insuficiencia cardíaca o un trastorno neurodegenerativo permitiría adelantar decisiones que hoy se toman cuando la enfermedad ya está en fase clínica.
En la práctica, esta información podría utilizarse para ajustar de manera más fina las estrategias de seguimiento en atención primaria y especializada. Un paciente que acude a una unidad de sueño por sospecha de apnea podría, con el mismo estudio, recibir también una evaluación de su riesgo global para varios grupos de patologías, lo que ayudaría a priorizar intervenciones sobre estilo de vida, control de factores de riesgo como los horarios al comer y dormir o derivaciones a otras especialidades.
Los autores del trabajo plantean además la posibilidad de trasladar, en el futuro, parte de estos algoritmos a dispositivos de uso doméstico, como pulseras y relojes inteligentes que ya monitorizan el sueño de millones de personas en Europa. Aunque los datos de estos dispositivos son mucho menos detallados que los de una polisomnografía hospitalaria, se está explorando cómo adaptar modelos como SleepFM para que puedan ofrecer, al menos, una señal de alerta temprana.
En España, especialistas en sueño y cronobiología han mostrado interés, pero también cautela. Por un lado, valoran que este tipo de herramientas podrían ayudar a transformar el sueño en un biomarcador rutinario, que complemente análisis de sangre, pruebas de imagen o estudios genéticos. Por otro, recuerdan que ya existe una demanda elevada de polisomnografías y que no es sencillo extender esta prueba a personas sin ningún síntoma, por lo que habría que seleccionar bien a quién se le aplican estas técnicas de predicción.
En el terreno económico y organizativo, los sistemas sanitarios europeos también tendrían que evaluar si integrar modelos de este tipo resulta coste-efectivo. Anticipar la aparición de enfermedades crónicas mediante el análisis del sueño podría reducir ingresos hospitalarios y complicaciones a largo plazo, pero requiere inversión en infraestructuras de datos, formación de profesionales y protocolos claros para el uso de la información generada.
Privacidad, límites éticos y retos pendientes
La otra cara de un modelo tan potente es la de las implicaciones éticas y legales. Varios expertos en derecho biomédico y protección de datos han señalado que conocer el riesgo futuro de sufrir enfermedades graves, algunas sin tratamiento curativo, plantea dilemas relevantes tanto para los pacientes como para los sistemas de aseguramiento.
Una de las preocupaciones es qué ocurre si una persona recibe una estimación alta de riesgo para patologías sin cura clara, como ciertos tipos de demencia. Algunos especialistas advierten de que esta información puede generar ansiedad, hipervigilancia o sensación de culpa, especialmente si no va acompañada de un buen acompañamiento profesional y de estrategias claras de seguimiento y hábitos para mejorar la salud mental.
En paralelo, surgen dudas sobre quién tendrá acceso a estos datos. Los expertos insisten en la necesidad de anonimizar de forma estricta los registros y de evitar que información tan sensible se utilice de manera discriminatoria, por ejemplo, en la contratación de seguros de salud o de vida. Casos previos en empresas de genética directa al consumidor, con filtraciones o usos discutibles de datos, sirven de aviso para la comunidad científica.
Los propios autores del estudio subrayan que SleepFM es, a día de hoy, un proyecto de investigación con rigor académico, no un producto comercial listo para su uso masivo. Además, reconocen varias limitaciones importantes: la mayoría de participantes eran pacientes remitidos por sospecha de trastornos de sueño, por lo que la muestra no representa a la población general, y el modelo sigue funcionando en buena medida como una “caja negra”, sin que siempre se pueda explicar de forma sencilla por qué ha asignado un determinado riesgo.
Especialistas europeos recuerdan que, aunque la inteligencia artificial aporte un apoyo valioso, la decisión clínica final debe seguir en manos de profesionales humanos. La recomendación general es utilizar este tipo de modelos como complemento a la valoración médica tradicional, no como sustituto ni como única base para decisiones tan sensibles como un diagnóstico o un cambio drástico de tratamiento.
Todo apunta a que el sueño dejará de ser solo sinónimo de descanso para convertirse en una ventana privilegiada al estado general de nuestro organismo. SleepFM demuestra que, escondidas en las ocho horas de una polisomnografía estándar, hay pistas suficientes para anticipar un amplio abanico de enfermedades graves; el reto ahora, tanto en España como en el resto de Europa, será integrar esta capacidad predictiva en la práctica clínica de forma útil, segura y respetuosa con los derechos de las personas, aprovechando su potencial para la prevención sin perder de vista sus límites y riesgos.
