Cada noche que alguien pasa en un laboratorio del sueño genera una montaña de datos: ondas cerebrales, ritmo cardíaco, respiración, movimientos. Y, sin embargo, de todo ese registro el diagnóstico suele resumirse en una sola cifra, el índice de apnea, que cuenta cuántas veces se corta o se reduce la respiración por hora. Un nuevo modelo de inteligencia artificial de la Cleveland Clinic e IBM sostiene que ahí dentro hay muchísima más información sobre nuestra salud de la que estamos leyendo.
El trabajo, publicado el 3 de agosto en Nature Communications, es el segundo gran modelo fundacional del sueño que aparece este año. Hace unos meses contábamos el caso de SleepFM, la IA de Stanford capaz de predecir enfermedades a partir de una sola noche. Este llega desde otro equipo, con otro enfoque, y juntos apuntan a una misma idea: el sueño se está convirtiendo en una de las mejores ventanas a la salud futura.
Qué ha hecho el modelo
El sistema es un modelo fundacional, una arquitectura de IA entrenada con grandes volúmenes de datos que luego puede adaptarse a distintas tareas. En lugar de reducir la noche a una o dos métricas, aprende por su cuenta a generar lo que los investigadores llaman embeddings fisiológicos: representaciones matemáticas de alta dimensión que capturan la textura completa de la polisomnografía, la prueba estándar que registra a la vez actividad cerebral, corazón y respiración.
Para entrenarlo, el equipo usó STARLIT, un registro de la Cleveland Clinic que reunió cerca de 9.600 estudios de sueño de unos 9.300 pacientes, vinculados a sus historiales clínicos a lo largo de más de una década. Después comprobaron que el modelo seguía funcionando en una población distinta, la del Sleep Heart Health Study, un estudio independiente que sirvió de validación externa. No es un desarrollo solo de IBM y la Cleveland Clinic: forma parte de su alianza Discovery Accelerator e incluye a investigadores de Yale y de la Universidad de Washington.
Cinco grupos de riesgo que el índice de apnea no ve
El hallazgo central es que, a partir de esos embeddings, la IA ordenó a los pacientes en cinco grupos de riesgo. La diferencia entre ellos es grande: el grupo de mayor riesgo presentó más del doble de mortalidad a cinco años que el de menor riesgo, una brecha que el clásico índice de apnea no lograba distinguir. Según explica la Cleveland Clinic, esa estratificación se sostuvo tanto en hombres como en mujeres, y también anticipaba problemas cardiovasculares y de deterioro cognitivo.
«La fisiología del sueño contiene una estructura de riesgo latente que resulta invisible para las métricas convencionales».
Estudio publicado en Nature Communications
Dicho de otro modo: dos personas con el mismo índice de apnea, y por tanto con el mismo diagnóstico sobre el papel, pueden tener pronósticos muy distintos, y el modelo es capaz de separarlas mirando señales que hasta ahora se descartaban.
En qué se diferencia de SleepFM
Aunque comparten la idea de modelo fundacional del sueño, los dos trabajos no compiten, se complementan. SleepFM, de Stanford y publicado en Nature Medicine, se entrenó con una escala mucho mayor, del orden de decenas de miles de pacientes y cientos de miles de horas de grabación, y apunta a predecir el riesgo de más de un centenar de enfermedades concretas. El modelo de la Cleveland Clinic e IBM trabaja con una cohorte más pequeña y de una sola institución, pero afina en otra dirección: demostrar que un estudio de sueño rutinario esconde una estructura de riesgo que la práctica clínica está desaprovechando.
Por qué importa
La promesa es una medicina más precisa sin necesidad de nuevas pruebas: exprimir lo que ya se registra cada noche en miles de laboratorios del mundo para detectar antes a quién conviene vigilar de cerca. Conviene mantener la cautela habitual, porque hablamos de investigación validada en unas cohortes concretas y no de una herramienta ya disponible en la consulta. Pero la dirección es clara: tras años tratando el sueño casi como un simple recuento de apneas, la inteligencia artificial empieza a leer la noche entera, y en ella encuentra pistas sobre la salud que teníamos delante sin saber verlas.
La imagen de representación de este artículo pertenece a Greg Pappas y ha sido publicada en Unsplash
