A IA de Stanford analisa os dados do sono para detectar indicadores de risco de doenças precoces que aparecem durante o sono

Os pesquisadores trabalham na Stanford Medicine e em instituições colaboradoras. Seu modelo SleepFM, baseado em IA, processa gravações completas de polissonografia (PSG). A PSG é um estudo abrangente e multiparamétrico do sono usado para avaliar como o corpo de um indivíduo funciona durante o sono.

Como a IA lê a linguagem do sono

A PSG monitora as ondas cerebrais, a respiração, os movimentos dos olhos, a atividade muscular, os ritmos cardíacos e os níveis de oxigênio no sangue. O objetivo do SleepFM é ir além dos distúrbios do sono, tratando esses sinais como um único conjunto de dados fisiológicos.

Com a ajuda da IA, os pesquisadores analisaram o maior conjunto de dados desse tipo: 585.000 horas de sono de 65.000 pessoas. O SleepFM dividiu as gravações em blocos de cinco segundos, o que ajudou o modelo a identificar padrões semelhantes ao modo como os grandes modelos de linguagem lidam com palavras e frases.

Treinamento em vários sistemas corporais

O SleepFM é considerado um avanço por sua capacidade de combinar várias fontes de sinal. Ele pode processar simultaneamente a atividade cerebral, o movimento muscular, os padrões de respiração, etc. O rastreamento de vários sistemas corporais permite que o SleepFM detecte quando os sinais fisiológicos saem de fase durante o sono.

Os pesquisadores treinaram o modelo sobre como diferentes partes do corpo interagem usando o método de aprendizado contrastante leave-one-out. A técnica funciona eliminando um sinal e reconstruindo-o a partir dos outros.

Previsão de doenças com anos de antecedência

Para testar se o sono sozinho poderia ser usado para prever doenças futuras, a equipe mesclou registros médicos de uma única clínica com dados de sono. O resultado foi que o SleepFM previu 130 doenças, incluindo demência, câncer, doença de Parkinson e ataque cardíaco. O modelo alcançou pontuações de índice C acima de 0,8, indicando que previu com precisão as condições do paciente mais de 8 em cada 10 vezes.

Os pesquisadores agora estão trabalhando para aprimorar o SleepFM e integrar dados de dispositivos vestíveis.