Uma nova geração de
Os resultados e o potencial da tecnologia foram discutidos na revista médica The Lancet pelo cardiologista e pesquisador Eric Topol, em parceria com o cientista James Zou, também ligado a Stanford. Segundo Topol, “os dados do sono são uma janela para a saúde e para o risco de muitas doenças, agora decodificados pela IA”.
Como funciona
Diferentemente de relógios e pulseiras inteligentes, que estimam o sono com base em movimentos ou na oxigenação do sangue, o SleepFM analisa registros clínicos completos de polissonografia. Esse exame, considerado padrão internacional, monitora atividade cerebral, batimentos cardíacos, respiração e atividade muscular durante pelo menos oito horas contínuas em ambiente controlado.
O modelo foi treinado com 585 mil horas de exames de 65 mil pessoas, cruzando essas informações com históricos médicos eletrônicos e dados demográficos. A partir desse volume gigantesco de dados, a inteligência artificial aprende padrões complexos sem depender de variáveis previamente definidas.
James Zou explicou que o sistema está “aprendendo a linguagem do sono”. Em vez de buscar apenas indicadores isolados, a tecnologia identifica combinações sutis de sinais fisiológicos que podem indicar riscos futuros.
Doenças que podem ser previstas
De acordo com o estudo, o SleepFM conseguiu apontar risco aumentado para 130 doenças, incluindo:
- Doença de Parkinson
- Demência
- Cardiopatia hipertensiva
- Infarto do miocárdio
- Diferentes tipos de câncer, como o de mama
Para medir a precisão, os pesquisadores utilizaram o chamado índice C, que vai de zero a 1 e avalia o quanto a previsão coincide com o desfecho real. O modelo alcançou índice de 0,89 para Parkinson, 0,85 para demência, 0,84 para risco de morte e 0,87 para câncer de mama.
O professor de medicina do sono de Stanford, Emmanuel Mignot, afirmou que a combinação de sinais cerebrais, cardíacos e respiratórios foi essencial para melhorar a capacidade preditiva. Segundo ele, a maior quantidade de informações surgiu justamente da comparação entre diferentes canais de dados.
Desafios
Apesar dos resultados promissores, os próprios autores reconhecem que ainda existem desafios importantes. James Zou admite que nem todos os mecanismos por trás das previsões da IA são totalmente compreendidos. Antes de integrar o SleepFM à prática médica tradicional, serão necessários novos estudos prospectivos e validações externas.
A publicação na The Lancet destaca que a fisiologia do sono reflete múltiplos processos do organismo, funcionando como uma visão ampla da saúde geral. Padronizar a relação entre os dados da polissonografia e os resultados clínicos a longo prazo pode acelerar a criação de sistemas mais precisos de estratificação de risco.
Qual é a inovação?
Pesquisas anteriores da própria Universidade de Stanford já indicavam que registros noturnos poderiam antecipar doenças graves. No entanto, esses modelos dependiam de variáveis definidas manualmente e tinham limitações para integrar grandes volumes de dados de múltiplas fontes.
O SleepFM representa um salto metodológico ao utilizar modelos fundacionais de autoaprendizagem, capazes de analisar o conjunto completo de sinais fisiológicos sem intervenção manual. Isso amplia o espectro de doenças detectáveis e aumenta a sensibilidade das previsões.
Futuro
Agora, os pesquisadores estudam adaptar os algoritmos para dispositivos portáteis, usando técnicas de aprendizado por transferência. A meta é levar essa capacidade preditiva para além das clínicas especializadas.
Se essa integração for bem-sucedida, a combinação de dados do sono com outros biomarcadores, como microbioma e relógios biológicos, poderá criar modelos ainda mais completos de avaliação da saúde.
O objetivo final é que a análise automatizada do sono por inteligência artificial se torne tão essencial quanto medir pressão arterial ou frequência cardíaca, permitindo identificar riscos antes mesmo que os sintomas apareçam.
