Per gran parte della storia medica, il sonno è stato trattato come uno stato passivo, qualcosa che il corpo fa mentre i medici aspettano che i sintomi compaiano durante le ore di veglia. Due studi pubblicati su Nature Communications e Nature Medicine mettono in discussione tale presupposto in modo concreto. La tesi che sostengono, considerata nel suo insieme, è che i dati sul sonno contengano già segnali di salute che l’attuale pratica clinica ignora in gran parte.
I cambiamenti del sonno prima della diagnosi, non dopo
La scoperta fondamentale alla base di entrambi gli studi non è nuova, ma è sottovalutata. Prove crescenti, come riassunto da Rachel K. Rowe del Department of Integrative Physiology presso la University of Colorado Boulder, suggeriscono che i cambiamenti nei pattern del sonno possono emergere prima che una malattia venga formalmente diagnosticata. Questo è il dettaglio chiave che la maggior parte della copertura mediatica sulla ricerca del sonno tralascia.
Il modello clinico standard funziona al contrario: un paziente sviluppa i sintomi, cerca assistenza, riceve una diagnosi e poi un medico potrebbe chiedere informazioni sulla qualità del sonno come preoccupazione secondaria. La traiettoria di ricerca descritta da Rowe punta invece verso una sequenza completamente diversa. L’interruzione del sonno potrebbe non essere una conseguenza della malattia. Potrebbe essere un precursore, un segnale che qualcosa sta cambiando nel corpo prima che diventi visibile attraverso i criteri diagnostici convenzionali.
Questo riordinamento di causa ed effetto ha implicazioni significative. Se i cambiamenti del sonno precedono la diagnosi, allora i dati sul sonno diventano utili in senso prospettico anziché retrospettivamente descrittivi.
Due studi, un’affermazione condivisa
Lo studio di Bilal et al., pubblicato su Nature Communications, e lo studio di Thapa et al., pubblicato su Nature Medicine, arrivano a una conclusione condivisa attraverso quelli che sembrano approcci complementari. Entrambi sono descritti come foundation models, un termine proveniente dal machine learning che si riferisce a grandi modelli addestrati su ampi dataset che possono poi essere adattati a compiti specifici.
La cornice concettuale che Rowe usa per descrivere la loro importanza è precisa e vale la pena di essere approfondita: i dati sul sonno contengono una quantità di informazioni sulla salute sostanzialmente maggiore rispetto a quella che i medici e i ricercatori estraggono attualmente da essi. Non si tratta di un’affermazione su ciò che i dati sul sonno potrebbero teoricamente contenere. È un’affermazione su un divario tra ciò che è già presente nei dati e ciò che la pratica attuale utilizza effettivamente.
Questo divario è il vero oggetto di entrambi i documenti. La polisonnografia, lo strumento clinico standard per misurare il sonno, cattura una serie di segnali fisiologici tra cui attività cerebrale, respirazione e movimento. I dati che genera sono ricchi. Ma il modo in cui tali dati vengono solitamente analizzati, concentrato sull’identificazione di disturbi specifici come le apnee notturne, lascia la maggior parte del segnale inutilizzata. I foundation models addestrati sui dati del sonno sono progettati per recuperare parte di ciò che viene scartato.
I titoli dei due documenti rendono l’ambizione esplicita: uno riguarda la stratificazione del rischio basata sul sonno e l’esito clinico, l’altro è descritto come un modello fondamentale di sonno multimodale per la previsione delle malattie. La stratificazione del rischio e la previsione delle malattie non coincidono con la diagnosi. Operano prima nella linea temporale, ed è esattamente questo il punto.
Cosa significa questo oltre la clinica
La portata più ampia di questa ricerca si colloca all’intersezione tra le capacità dell’IA e l’infrastruttura medica. La capacità di addestrare grandi modelli su dati temporali fisiologici e di estrarre da essi segnali predittivi non si limita al sonno. Ma il sonno è un ambito particolarmente utile per diverse ragioni.
I dati sul sonno vengono già raccolti su vasta scala. I dispositivi indossabili, compresi gli smartwatch commerciali, generano misurazioni continue relative al sonno per milioni di persone. Gli studi clinici sul sonno producono dettagliati record polisonnografici. L’infrastruttura dei dati esiste. Ciò che è mancato è il quadro analitico capace di trattare tali dati come fonte di segnali di salute precoci anziché come registrazione della notte precedente.
I foundation models addestrati sui dati del sonno potrebbero, in linea di principio, potenziare il lavoro dei medici facendo emergere pattern che non sarebbero visibili attraverso l’interpretazione standard. Un medico che esamina uno studio sul sonno per individuare episodi di apnea sta svolgendo un compito. Un modello addestrato per identificare i primi segnali di una vasta gamma di condizioni sta svolgendo un compito diverso, e i due non sono in concorrenza. Il modello gestisce il volume e la complessità dell’estrazione del segnale, mentre il medico interpreta il risultato nel contesto di uno specifico paziente.
Questo è anche un promemoria del fatto che le applicazioni più importanti dell’IA in medicina potrebbero non essere quelle drammatiche, come la chirurgia robotica o la diagnosi in tempo reale, bensì quelle più silenziose: trovare informazioni che sono sempre state lì, in dati che venivano già raccolti, che nessuno aveva gli strumenti per leggere.
In breve
L’interruzione del sonno può precedere la diagnosi della malattia, il che significa che i dati sul sonno possono contenere precoci segnali di salute che l’attuale pratica clinica non sfrutta appieno. Due foundation models, uno pubblicato su Nature Communications da Bilal et al. e uno su Nature Medicine da Thapa et al., sono progettati per colmare questo divario. La tesi centrale, articolata dalla ricercatrice della University of Colorado Boulder Rachel K. Rowe, è lineare: i dati sul sonno contengono molte più informazioni sulla salute rispetto a quelle attualmente estratte da essi. L’IA non sta sostituendo il giudizio clinico in questo caso. Sta leggendo un segnale che era sempre presente ma in precedenza illeggibile su larga scala.
Basato su un articolo di Nature: Machine Learning.