Uma equipa de investigadores da Universidade de Stanford, em conjunto com colaboradores, criou um modelo de IA singular que, no futuro, poderá estimar o risco de uma pessoa desenvolver mais de 100 problemas de saúde - e tudo isto sem que a pessoa precise sequer de estar acordada.
De acordo com um artigo científico divulgado recentemente, o modelo, chamado SleepFM, interpreta um conjunto alargado de registos fisiológicos para antecipar o risco futuro de demência, insuficiência cardíaca e mortalidade por todas as causas, a partir de apenas uma noite de sono.
O que é o SleepFM (modelo de base) e como aprende
O SleepFM é um modelo de base (à semelhança do ChatGPT), treinado com um volume enorme de informação: quase 600 000 horas de dados de sono provenientes de 65 000 participantes. Tal como o ChatGPT aprende padrões a partir de palavras e texto, o SleepFM aprende padrões a partir de segmentos de 5 segundos de dados de sono recolhidos em registos de diferentes clínicas do sono.
Como foram recolhidos os dados: polissonografia (PSG)
Os clínicos do sono obtiveram estes dados através de uma técnica extensa - e, por vezes, desconfortável - chamada polissonografia (PSG). Considerada o “padrão-ouro” dos estudos do sono, a PSG recorre a vários sensores para monitorizar, durante o sono, sinais do:
- cérebro
- coração
- sistema respiratório
- movimentos das pernas
- movimentos oculares
“Registamos uma quantidade impressionante de sinais quando estudamos o sono”, afirma Emmanuel Mignot, professor de medicina do sono em Stanford e coautor sénior do estudo.
A técnica de aprendizagem: “exclusão de um” na aprendizagem contrastiva
Para avaliar o modelo, os investigadores aplicaram uma técnica que desenvolveram, descrita como aprendizagem contrastiva com exclusão de um. Na prática, retiram deliberadamente dados de uma das modalidades (por exemplo, leituras de pulso ou fluxo de ar da respiração), obrigando o SleepFM a inferir a informação em falta com base nos restantes fluxos biológicos disponíveis.
Para completar a peça essencial do puzzle, os autores associaram os registos de PSG a dezenas de milhares de relatórios sobre desfechos de saúde a longo prazo em doentes de várias idades, incluindo até 25 anos de histórico clínico de seguimento.
O que o SleepFM conseguiu prever a partir de uma noite de sono
Depois de examinarem mais de 1 041 categorias de doença nesses registos, os investigadores observaram que o SleepFM foi capaz de prever 130 delas com uma precisão considerada razoável com base apenas nos dados do sono.
O desempenho foi particularmente forte na previsão de:
- cancros
- complicações da gravidez
- problemas do aparelho circulatório
- perturbações mentais
Nesses grupos, o modelo atingiu um índice C superior a 0,8.
“Um índice C de 0,8 significa que, em 80% das vezes, a previsão do modelo está de acordo com o que realmente aconteceu”, explica James Zou, cientista de dados biomédicos em Stanford e coautor sénior do artigo.
O SleepFM também apresentou bons resultados na métrica AUROC (área sob a curva ROC), que mede a capacidade do modelo para distinguir entre doentes que irão ou não vivenciar um determinado evento de saúde dentro de um período de previsão de 6 anos.
No conjunto, o SleepFM superou modelos preditivos actualmente usados e destacou-se sobretudo ao antecipar doença de Parkinson, enfarte do miocárdio, acidente vascular cerebral, doença renal crónica, cancro da próstata, cancro da mama e mortalidade por todas as causas. Estes resultados reforçam a ligação entre hábitos de sono desfavoráveis e desfechos clínicos adversos, podendo também indicar, em alguns casos, sinais precoces de condições subjacentes que degradam o sono.
O valor das relações entre sinais: quando o corpo “não bate certo”
Embora algumas modalidades de dados e algumas fases do sono se tenham mostrado mais úteis do que outras, os melhores resultados surgiram quando o modelo explorou inter-relações e contrastes entre sistemas do organismo.
Em particular, os autores apontam que preditores mais fiáveis surgem quando certas funções fisiológicas parecem desalinhadas: por exemplo, “um cérebro que parece estar a dormir, mas um coração que parece estar acordado - isso, por exemplo, parecia ser um sinal de problemas”, detalha Mignot.
Limitações reconhecidas no estudo
Os investigadores sublinham várias limitações importantes, incluindo:
- mudanças nas práticas clínicas e nas populações de doentes ao longo das últimas décadas;
- viés de selecção: os dados provêm de pessoas encaminhadas para estudos do sono, o que faz com que parte da população geral fique sub-representada nos registos de PSG.
Para onde isto pode evoluir: monitorização em tempo real e cuidados preventivos
Apesar das polémicas em torno da IA noutros domínios, o potencial em saúde lembra o valor - e o alcance científico - destes sistemas. Um exemplo apontado para aplicações futuras passa por combinar o SleepFM com dispositivos vestíveis de monitorização do sono, permitindo acompanhar sinais de risco de forma mais contínua e, idealmente, mais precoce.
Num cenário clínico, esta abordagem pode apoiar a medicina preventiva: identificar pessoas com padrões de sono associados a risco elevado pode acelerar a realização de exames complementares, ajustar acompanhamento e reforçar intervenções sobre sono, actividade física e factores cardiovasculares. Para ser útil na prática, contudo, será essencial definir como traduzir uma pontuação de risco em decisões clínicas claras e consistentes.
Há também questões inevitáveis a considerar, como privacidade, segurança e governação dos dados biométricos, bem como validação em populações diferentes e em contextos fora das clínicas do sono. A adopção responsável exigirá transparência sobre limitações, auditorias de desempenho e garantias de que o acesso a estas ferramentas não aumenta desigualdades nos cuidados.
Tal como os grandes modelos de linguagem aprendem a nossa forma de falar ao relacionar palavras e texto, o SleepFM, nas palavras de Zou, está “essencialmente a aprender a linguagem do sono”.
Esta investigação foi publicada na revista científica Nature Medicine.
Comentários
Ainda não há comentários. Seja o primeiro!
Deixar um comentário