A inteligência artificial da Stanford identifica sinais ocultos de doenças enquanto você dorme
Uma noite mal dormida muitas vezes resulta em cansaço no dia seguinte, mas pode também ser um indicativo de problemas de saúde que se manifestarão anos mais tarde. Pesquisadores do Stanford Medicine desenvolveram um sistema de inteligência artificial capaz de examinar os sinais fisiológicos de uma única noite de sono e estimar o risco de uma pessoa desenvolver mais de 100 condições médicas diferentes.
Dados Valiosos dos Estudos do Sono
O sistema, denominado SleepFM, foi treinado com quase 600 mil horas de registros de sono obtidos em 65 mil indivíduos, por meio da polissonografia – um teste detalhado que monitora a atividade cerebral, a função do coração, os padrões de respiração, o movimento dos olhos, dos membros e outros sinais físicos durante o sono. Embora a polissonografia seja amplamente utilizada para diagnosticar distúrbios do sono, os pesquisadores perceberam que ela também captura uma extensa gama de informações fisiológicas, frequentemente negligenciadas na prática clínica.
“Registramos um número impressionante de sinais durante o estudo do sono”, afirma Emmanual Mignot, MD, PhD, professor e coautor sênior do estudo. “Estamos analisando uma espécie de fisiologia geral por oito horas, sob condições controladas, com dados extremamente ricos.”
Ensinando a IA os Padrões do Sono
Para extrair insights dos dados, a equipe desenvolveu um modelo de base, projetado para aprender padrões amplos a partir de conjuntos de dados muito grandes e aplicar esse conhecimento em diversas tarefas. De forma similar aos grandes modelos de linguagem, como o ChatGPT – que são treinados em textos –, o SleepFM foi treinado com 585 mil horas de dados de polissonografia, dividindo cada registro em segmentos de cinco segundos que funcionam como “palavras” em um idioma.
“O SleepFM está, essencialmente, aprendendo a linguagem do sono”, explica James Zou, PhD, professor associado de ciência de dados biomédicos e coautor sênior do estudo.
O sistema integra múltiplos fluxos de informações — sinais do cérebro, ritmos do coração, atividade muscular, medições de pulso e o fluxo de ar durante a respiração — para entender como esses sinais interagem. Para isso, os pesquisadores desenvolveram um método de treinamento chamado “aprendizado contrastivo leave-one-out”, que remove um tipo de sinal de cada vez, solicitando que o modelo o reconstrua a partir dos dados restantes.
Prevendo Doenças Futuras a Partir do Sono
Após o treinamento, o modelo foi adaptado para tarefas específicas, sendo inicialmente testado em avaliações padrão do sono, como a identificação de estágios e a avaliação da gravidade da apneia do sono, alcançando resultados comparáveis ou superiores aos dos modelos atualmente em uso.
O objetivo seguinte foi ainda mais ambicioso: verificar se os dados do sono poderiam prever doenças futuras. Para tanto, os registros de polissonografia foram associados a desfechos de saúde de longo prazo dos mesmos indivíduos. Esse trabalho contou com o uso de décadas de registros médicos de uma clínica do sono, com grande parte dos dados obtidos de aproximadamente 35 mil pacientes, cujos estudos foram realizados entre 1999 e 2024 e acompanhados por registros eletrônicos por até 25 anos.
Com essa base de dados combinada, o SleepFM analisou mais de 1.000 categorias de doenças, identificando 130 condições que podiam ser previstas com precisão razoável utilizando apenas os dados do sono. Os resultados mais robustos foram observados para cânceres, complicações na gravidez, doenças circulatórias e transtornos mentais, com índices de previsão superiores a 0,8.
Medição da Precisão nas Previsões
O desempenho do modelo é medido pelo índice de concordância (C-index), que avalia a capacidade de classificar indivíduos por risco, indicando a frequência com que o modelo acerta ao prever qual dos dois indivíduos experienciará um evento de saúde primeiro. Um C-index de 0,8, por exemplo, significa que 80% das previsões estão em concordância com os acontecimentos reais.
O SleepFM teve desempenho destacado ao prever casos de Parkinson (C-index de 0,89), demência (0,85), doenças cardíacas hipertensivas (0,84), ataques cardíacos (0,81), câncer de próstata (0,89), câncer de mama (0,87) e até mesmo risco de morte (0,84). Segundo James Zou, esses resultados demonstram a capacidade do modelo de fornecer previsões informativas para um conjunto diversificado de condições, mesmo considerando que modelos com números um pouco menores (em torno de 0,7) já são utilizados na prática médica para, por exemplo, prever a resposta de pacientes a determinados tratamentos contra o câncer.
Compreendendo o que a IA Observa
Os pesquisadores seguem aprimorando as previsões do SleepFM e buscando entender melhor como o sistema toma suas decisões. Futuras versões poderão incorporar dados de dispositivos vestíveis, ampliando o leque de sinais fisiológicos analisados. Diversas técnicas de interpretação foram desenvolvidas para identificar os elementos que o modelo utiliza ao fazer uma previsão específica.
Descobriu-se, por exemplo, que sinais cardíacos desempenham papel mais relevante na previsão de doenças cardiovasculares, enquanto os sinais cerebrais são determinantes para transtornos mentais. Contudo, os resultados mais precisos foram obtidos quando todos os tipos de dados foram combinados. “A maior quantidade de informação para a previsão de doenças surgiu ao contrastar os diferentes canais de dados”, aponta Mignot, acrescentando que discrepâncias — como um cérebro demonstrando sinais de sono enquanto o coração aparenta estar ativo — podem ser indicativos de problemas iminentes.
O estudo contou com a colaboração de pesquisadores de diversas instituições e foi financiado por órgãos como o National Institutes of Health, além de contribuições de instituições privadas, demonstrando um avanço significativo na aplicação de inteligência artificial para a medicina do sono.
