Detectores Noturnos de Doenças: Avisos Ocultos Enquanto Você Descansa

O sistema SleepFM

O sistema, chamado SleepFM, foi treinado com quase 600.000 horas de gravações de sono de 65.000 indivíduos. Essas gravações vieram da polissonografia, um teste de sono aprofundado que utiliza múltiplos sensores para monitorar a atividade cerebral, o funcionamento do coração, os padrões de respiração, o movimento dos olhos, os movimentos das pernas e outros sinais físicos durante o sono.

Estudos de Sono Contêm Dados de Saúde Inexplorados

A polissonografia é considerada o padrão-ouro para avaliação do sono e geralmente 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 vasta quantidade de informações fisiológicas que raramente foram completamente analisadas.

“Registramos um número incrível de sinais quando estudamos o sono,” disse Emmanual Mignot, MD, PhD, professor 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 durante oito horas em um sujeito que está completamente cativo. É muito rico em dados.”

Na prática clínica de rotina, 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 maneira mais completa. 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 trabalho de IA que olha para patologias ou cardiologia, mas relativamente pouco que investiga o sono, apesar de o sono ser uma parte tão importante da vida,” disse 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 fundação, um tipo de IA projetada 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.

“O 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 com uma exclusão, que 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 todos esses diferentes dados para que possam se reunir 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 de sono, como identificar estágios do sono e avaliar a gravidade da apneia do sono. Nessas avaliações, o SleepFM correspondeu 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 relacionaram os registros de polissonografia com desfechos de saúde a longo prazo dos mesmos indivíduos. Isso foi possível porque os pesquisadores tinham 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 considerado o pai da medicina do sono. O maior grupo utilizado para treinar o SleepFM incluía cerca de 35.000 pacientes com idades entre 2 e 96 anos. Seus estudos de sono foram gravados na clínica entre 1999 e 2024 e emparelhados com registros de saúde eletrônicos que acompanharam alguns pacientes por até 25 anos.

(As gravações de polissonografia da clínica vão ainda mais longe, 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 razoável precisão usando apenas dados de sono. Os melhores resultados foram observados para cânceres, complicações na gravidez, doenças circulatórias e transtornos de saúde mental, com pontuações de previsão acima de um C-index de 0,8.

Como A Precisão da Previsão É Medida

O C-index, ou índice de concordância, mede quão bem um modelo pode classificar pessoas pelo 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 um ranking de quem é mais provável que experimente um evento – um ataque cardíaco, por exemplo – mais cedo. Um C-index de 0,8 significa que 80% do tempo, a previsão do modelo está concordante com o que realmente aconteceu,” disse Zou.

O SleepFM teve um desempenho especialmente bom na previsão da 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 surpresos que, para um conjunto bastante diversificado de condições, 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 Vê

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 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 específica de doença.”

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

“A maior informação que obtivemos para prever doenças foi contrastando os diferentes canais,” disse Mignot. Constituidores 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 na Universidade Técnica da Dinamarca, são co-autores do estudo.

Pesquisadores da Universidade Técnica da Dinamarca, do Hospital Universitário de Copenhague – Rigshospitalet, 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.