Durante la mayor parte de la historia médica, el sueño se ha tratado como un estado pasivo, algo que el cuerpo hace mientras los clínicos esperan a que aparezcan los síntomas durante las horas de vigilia. Dos estudios publicados en Nature Communications y Nature Medicine desafían esa suposición de forma concreta. El argumento que plantean, en conjunto, es que los datos del sueño ya contienen señales de salud que la práctica clínica actual ignora en gran medida.
Los cambios en el sueño ocurren antes del diagnóstico, no después
La idea fundamental detrás de ambos estudios no es nueva, pero está poco valorada. Las crecientes evidencias, tal como resume Rachel K. Rowe, del Departamento de Fisiología Integrativa de la Universidad de Colorado en Boulder, sugieren que los cambios en los patrones de sueño pueden surgir antes de que se diagnostique formalmente una enfermedad. Este es el detalle clave que la mayor parte de la cobertura sobre la investigación del sueño pasa por alto.
El modelo clínico estándar funciona a la inversa: un paciente desarrolla síntomas, busca atención médica, recibe un diagnóstico y luego es posible que un clínico pregunte sobre la calidad del sueño como una preocupación secundaria. Hacia lo que apunta la trayectoria de investigación descrita por Rowe es hacia una secuencia completamente diferente. La alteración del sueño puede no ser una consecuencia de la enfermedad. Puede ser un precursor, una señal de que algo está cambiando en el cuerpo antes de que sea visible mediante los criterios de diagnóstico convencionales.
Esta reordenación de causa y efecto tiene implicaciones significativas. Si los cambios en el sueño preceden al diagnóstico, entonces los datos del sueño se vuelven útiles de forma prospectiva en lugar de descriptiva de forma retrospectiva.
Dos estudios, una afirmación compartida
El estudio de Bilal y otros, publicado en Nature Communications, y el estudio de Thapa y otros, publicado en Nature Medicine, llegan a una conclusión compartida a través de enfoques que parecen complementarios. Ambos se describen como foundation models, un término del aprendizaje automático que se refiere a grandes modelos entrenados en amplios conjuntos de datos que luego se pueden adaptar a tareas específicas.
El marco que utiliza Rowe para describir su significado es preciso y vale la pena analizarlo: los datos del sueño contienen sustancialmente más información sobre la salud de la que los clínicos e investigadores extraen actualmente de ellos. Esa no es una afirmación sobre lo que los datos del sueño podrían contener teóricamente. Es una afirmación sobre una brecha entre lo que ya está presente en los datos y lo que la práctica actual realmente utiliza.
Esta brecha es el verdadero tema de ambos artículos. La polisomnografía, la herramienta clínica estándar para medir el sueño, captura una serie de señales fisiológicas que incluyen la actividad cerebral, la respiración y el movimiento. Los datos que genera son ricos. Pero la forma en que se analizan habitualmente esos datos, centrada en identificar trastornos específicos como la apnea del sueño, deja la mayor parte de la señal sin aprovechar. Los foundation models entrenados con datos del sueño están diseñados para recuperar parte de lo que se está descartando.
Los títulos de los dos artículos hacen que la ambición sea explícita: uno se refiere a la “estratificación del riesgo basada en el sueño y el resultado clínico”, y el otro se describe como “un foundation model de sueño multimodal para la predicción de enfermedades”. La estratificación del riesgo y la predicción de enfermedades no son lo mismo que el diagnóstico. Operan antes en la línea de tiempo, que es precisamente el punto clave.
Lo que esto significa más allá de la clínica
La importancia más amplia de esta investigación se encuentra en la intersección de la capacidad de la IA y la infraestructura médica. La capacidad de entrenar grandes modelos con datos de series temporales fisiológicas, y de extraer señales predictivas de ellos, no se limita al sueño. Pero el sueño es un dominio particularmente útil por varias razones.
Los datos del sueño ya se están recopilando a gran escala. Los dispositivos ponibles, incluidos los relojes inteligentes comerciales, generan mediciones continuas relacionadas con el sueño para millones de personas. Los estudios clínicos del sueño producen registros polisomnográficos detallados. La infraestructura de datos existe. Lo que ha faltado es el marco analítico capaz de tratar esos datos como una fuente de señales tempranas de salud en lugar de como un registro de la noche anterior.
Los foundation models entrenados con datos del sueño podrían, en principio, potenciar el trabajo de los clínicos al revelar patrones que no serían visibles mediante la interpretación estándar. Un clínico que revisa un estudio del sueño para detectar eventos de apnea está haciendo un trabajo. Un modelo entrenado para identificar señales tempranas de una amplia gama de afecciones está haciendo un trabajo diferente, y ambos no compiten entre sí. El modelo gestiona el volumen y la complejidad de la extracción de señales, y el clínico interpreta el resultado en el contexto de un paciente específico.
Esto también sirve como recordatorio de que las aplicaciones más importantes de la IA en la medicina pueden no ser las más dramáticas, como la cirugía robótica o el diagnóstico en tiempo real, sino las más silenciosas: encontrar información que siempre estuvo ahí, en datos que ya se estaban recopilando, que nadie tenía las herramientas para leer.
En resumen
La alteración del sueño puede preceder al diagnóstico de una enfermedad, lo que significa que los datos del sueño pueden contener señales tempranas de salud que la práctica clínica actual no aprovecha por completo. Dos foundation models, uno publicado en Nature Communications por Bilal y otros, y otro en Nature Medicine por Thapa y otros, están diseñados para cerrar esa brecha. La afirmación central, articulada por la investigadora de la Universidad de Colorado en Boulder Rachel K. Rowe, es directa: los datos del sueño contienen sustancialmente más información de salud de la que se extrae actualmente de ellos. La IA no está reemplazando el juicio clínico aquí. Está leyendo una señal que siempre estuvo presente pero que antes era ilegible a gran escala.
Basado en información de Nature: Machine Learning.