nueva generacion Inteligencia artificial aplicada al análisis Sueño Abriendo posibilidades sin precedentes para predecir y prevenir enfermedades graves.
En publicaciones publicadas en revistas médicas. lanceta, cardiólogos y científicos Eric Topol revisar con sus colegas James Zoude Universidad de Stanford, rango SleepFM, un modelo de inteligencia artificial capaz Decodificar grandes cantidades de datos fisiológicos. Obtenido durante la polisomnografía. Predecir el riesgo futuro de más de 130 condiciones clínicasincluidas enfermedades cardíacas, cáncer y trastornos neurológicos.
El equipo de investigación enfatizó que SleepFM no se basa en variables predefinidas, sino que aprende patrones complejos mediante el autoaprendizaje.
James Zou, autor investigación original Depender de Universidad Stanfordseñaló: «SleepFM es esencialmente aprender el lenguaje del sueño». Mientras tanto, Topol dijo en una publicación en su cuenta X: «Los datos del sueño son una ventana a la salud y al riesgo de muchas enfermedades, decodificados por inteligencia artificial».
Cómo funciona SleepFM y en qué se diferencia de la tecnología existente
SleepFM se entrenó utilizando 585.000 horas de registros de polisomnografía de 65.000 personasvinculado a registros médicos electrónicos y datos demográficos. La polisomnografía clínica, considerada el estándar de referencia mundial, integra mediciones de la actividad cerebral, cardíaca, respiratoria y muscular durante al menos ocho horas consecutivas en un ambiente controlado.
A diferencia de los dispositivos domésticos portátiles que sintetizan información fisiológica nocturna en métricas agregadas menos confiables, SleepFM Aprovechar ricas señales fisiológicas para crear representaciones profundas del sueño y sus conexiones con la salud futura..
Publicado lanceta, Este enfoque mejora la sensibilidad y especificidad de la predicción de riesgos médicos.
Procesar los millones de datos generados por múltiples sensores e integrarlos en predicciones confiables es uno de los principales desafíos técnicos. SleepFM supera este obstáculo utilizando un enfoque de autoaprendizaje, Le permite descifrar patrones subyacentes en sus datos y mejorar la precisión de sus estimaciones.
Resultados y validación de modelos de predicción de enfermedades.
El modelo es capaz de identificar riesgos futuros de 130 enfermedades, incluida la enfermedad de Parkinson, la demencia, la hipertensión arterial, el infarto de miocardio y varios tipos de cáncer.según la investigación.
Para medir la precisión de SleepFM, los investigadores utilizaron un índice de consistencia (índice C): un valor de 0,8 significa que las predicciones de la IA coinciden con los resultados reales el 80% de las veces.
SleepFM tiene una tasa de diagnóstico de la enfermedad de Parkinson de 0,89, una tasa de diagnóstico de demencia de 0,85, una tasa de mortalidad de 0,84 y una tasa de diagnóstico de cáncer de mama de 0,87.
El análisis conjunto de señales cerebrales, cardíacas y respiratorias mejora el poder predictivo del modelo. Emmanuel Mignot es profesor de medicina del sueño en la escuela. Universidad Stanfordy uno de los coautores de un estudio anterior sobre la misma tecnología, señaló sobre los hallazgos: «Al comparar diferentes canales, obtuvimos la mayor cantidad de información para predecir enfermedades».
Avances, retos y perspectivas clínicas de la inteligencia artificial aplicada al sueño
Aunque los resultados son alentadores,Existen desafíos asociados con la aplicación clínica de esta tecnología. James Zou admite que aún no se comprende completamente cómo la inteligencia artificial genera predicciones. La conclusión publicada por The Lancet advertía que, Se necesitan estudios prospectivos y validación externa antes de que SleepFM pueda incorporarse a la práctica médica tradicional. para asegurar su robustez y versatilidad.
La revista destacó que La fisiología nocturna puede reflejar múltiples mecanismos sistémicos y comorbilidades.solidificando el sueño como una ventana general hacia la salud. Las asociaciones entre la polisomnografía estandarizada y los resultados clínicos a largo plazo podrían acelerar el desarrollo de sistemas de estratificación del riesgo.
Los antecedentes de la Universidad de Stanford y el salto metodológico de SleepFM
Avances anteriores en inteligencia artificial aplicada al sueño, como uno desarrollado en la Facultad de Medicina de la Universidad de Stanford, han demostrado la utilidad de analizar registros fisiológicos nocturnos para predecir enfermedades graves.
Según investigaciones anteriores, los sistemas anteriores han logrado predecir riesgos como el cáncer, las complicaciones cardíacas y la psicopatología utilizando datos clínicos tradicionales y análisis de supervisión. Sin embargo, estos métodos están limitados por su dependencia de variables manuales y la incapacidad de integrar grandes cantidades de datos multicanal.
SleepFM supone un salto metodológico que elimina por completo la ingeniería manual y aprovechar modelos fundamentales que pueden aprender directamente del conjunto completo de señales fisiológicas. Este método está probado. lancetaampliando el rango de predicción y mejorando la sensibilidad de los resultados.
Próximos pasos: integración con dispositivos portátiles y otras fuentes de datos
Un equipo de investigación internacional utilizó técnicas de aprendizaje por transferencia y alineación de señales para explorar la transferencia del algoritmo SleepFM de la polisomnografía clínica a dispositivos portátiles.
Si se realiza, La integración de los datos del sueño con otros biomarcadores, como los perfiles del microbioma o los relojes circadianos, podría permitir modelos de salud de sistemas más completos.tal como se publicó en Lanceta.
El objetivo es utilizar inteligencia artificial para automatizar el análisis del sueño como indicador de salud Por muy importantes que sean los signos vitales clásicos, permiten una detección temprana y un seguimiento personalizado del riesgo incluso antes de que aparezcan síntomas evidentes.
