Una investigación internacional revela que una sola noche de polisomnografía puede contener señales útiles para estimar el riesgo futuro de múltiples enfermedades. El modelo SleepFM, desarrollado por universidades de Estados Unidos y Europa, demuestra el potencial del sueño como indicador clínico.
Según Juan José Beunza, catedrático de Salud Pública y director de IASalud en la Universidad Europea, el avance clave está en que la IA “aprende el idioma del sueño” y permite reutilizar el modelo para distintas tareas clínicas. Para el investigador, la PSG deja de ser solo una herramienta diagnóstica de trastornos del sueño y se convierte en una fuente transversal de información sobre la salud futura.
El estudio
Liderado por Stanford University y con participación de Harvard Medical School, la University of Copenhagen y la Technical University of Denmark, presenta SleepFM, un modelo fundacional de inteligencia artificial entrenado para interpretar la polisomnografía (PSG). Esta prueba, considerada el registro clínico más completo del sueño, combina señales del cerebro, corazón, músculos y respiración.
SleepFM se entrenó con más de 585.000 horas de registros de sueño de unas 65.000 personas. Tras ese proceso, se evaluó frente a 1.041 categorías clínicas y mostró buen rendimiento predictivo en 130 condiciones, entre ellas mortalidad, demencia, infarto de miocardio, insuficiencia cardiaca, enfermedad renal crónica, ictus y fibrilación auricular. Beunza destaca que una sola noche de sueño pueda anticipar riesgos de enfermedades tan relevantes es uno de los hallazgos más llamativos.
El modelo integra
Señales de EEG, EOG, ECG, EMG y respiración. Para Beunza, este enfoque es esencial porque la PSG se ha usado durante décadas, pero casi siempre de forma fragmentada. El estudio demuestra que, analizada de manera conjunta con IA, puede capturar señales sutiles relacionadas con la salud futura. Además, SleepFM utiliza un enfoque autosupervisado que funciona incluso cuando cambian los sensores entre hospitales, una limitación frecuente en la práctica clínica.
El trabajo también muestra que el modelo puede adaptarse a datos externos mediante fine-tuning. Sin embargo, Beunza advierte que desplegarlo en otros hospitales requiere grandes volúmenes de polisomnografías, hardware adecuado y experiencia técnica. No es un proceso automático ni sencillo.
Otro punto relevante es que SleepFM es un modelo relativamente compacto: cuenta con 4,44 millones de parámetros y requiere un ajuste final de unos 0,9 millones. Su preentrenamiento se realizó en una sola GPU y en un tiempo limitado.
Para el investigador, esto demuestra que no siempre se necesita un modelo gigantesco para generar valor, sino un buen diseño y datos de calidad.
El estudio subraya que SleepFM no es una herramienta diagnóstica
No implica que una prueba del sueño pueda diagnosticar demencia o infarto. Se trata de un modelo de riesgo o pronóstico. Para su uso clínico real, serían necesarias validaciones prospectivas, evaluar su impacto en decisiones médicas y establecer protocolos de seguridad.
Los autores también reconocen que variables demográficas como edad, sexo o índice de masa corporal ya tienen un peso importante en la predicción de muchas enfermedades. Beunza señala que sería útil profundizar en cuánto aporta el modelo cuando se comparan personas de la misma edad o en rangos estrechos.
El mensaje final del investigador es prudente pero ambicioso: el sueño es un espejo de la salud. Con IA y registros de calidad, es posible detectar señales tempranas y mejorar la prevención, aunque antes se requiere una validación rigurosa.
La nota también destaca el rol de la Universidad Europea, institución que impulsa investigación aplicada y formación internacional. Con campus en Madrid, Valencia, Andalucía, Canarias y Alicante, reúne a más de 40.000 estudiantes y mantiene una alta tasa de empleabilidad.
