Con una potente herramienta de Inteligencia Artificial (IA) y a partir de la técnica ChatGPT, neurocientíficos de Estados Unidos han procesado el sueño de una noche de miles de participantes. Los resultados servirán para desarrollar técnicas que detecten con precisión trastornos del sueño.
El estudio, que se puede ver en Sleep, es uno de los mayores en su género, ya que en él se han analizado un total de 1.011.192 horas de sueño.
El equipo de investigadores de la Escuela de Medicina Icahn, en Nueva York, que lo ha diseñado y desarrollado, denominan a la técnica Patch Foundational Transformer for Sleep (PFTSleep). Tiene la peculiaridad de analizar las ondas cerebrales, la actividad muscular, la frecuencia cardíaca y los patrones respiratorios para clasificar las etapas del sueño de manera más efectiva que los métodos tradicionales.
Sus creadores subrayan que, de esta forma, agiliza el análisis, reduciendo la variabilidad y respaldando futuras herramientas clínicas para detectar trastornos del sueño y otros riesgos para la salud.
El análisis actual suele depender de científicos y clínicos que califican manualmente segmentos cortos de datos del sueño o utilizan modelos de IA que no son capaces de analizar toda la noche de un paciente.
Este nuevo enfoque, desarrollado a partir de miles de grabaciones, ofrece una visión más completa. Al entrenarse con datos completos del sueño, el modelo puede reconocer patrones a lo largo de la noche y en diferentes poblaciones y entornos, lo que ofrece un método estandarizado y escalable para la investigación y para su uso clínico.
Toda la noche de sueño
“Gracias a la IA podemos aprender características clínicas relevantes directamente de los datos de las señales de los estudios y utilizarlas para su evaluación”, afirma Benjamin Fox, primer autor del estudio. En el futuro, también podría utilizarse para otras aplicaciones clínicas como la detección de la apnea o la evaluación de los riesgos para la salud relacionados con la calidad del sueño.
El modelo se construyó utilizando un amplio conjunto de datos de estudios del sueño (polisomnogramas) que miden señales fisiológicas clave, como la actividad cerebral, el tono muscular, la frecuencia cardíaca y los patrones respiratorios.
A diferencia de los modelos de IA tradicionales, que solo analizan segmentos cortos de 30 segundos, este nuevo modelo contempla toda la noche, capturando patrones más detallados y matizados.
Además, el modelo se entrena mediante un método conocido como autosupervisión, que ayuda a aprender características clínicas relevantes a partir de señales fisiológicas sin utilizar resultados etiquetados por humanos.
Este equipo utilizó datos del Estudio de Salud Cardíaca del Sueño, la Cohorte del Sueño de Wisconsin y la Visita 1 del Estudio sobre Fracturas Osteoporóticas en Hombres (MrOS) para el entrenamiento. Asimismo, utilizaron el Estudio Multiétnico de Aterosclerosis (MESA), el Estudio de Eficacia a Largo Plazo de la Apnea con Presión Positiva (APPLES) y la Visita 2 del MrOS como conjuntos de prueba independientes.
No obstante, estos científicos hacen hincapié en que esta herramienta de IA no reemplazará la experiencia clínica pero será muy útil para los especialistas.
Si (
No(
