Un innovativo modello di intelligenza artificiale, sviluppato grazie alla collaborazione tra i ricercatori della Stanford University e i loro partner, ha il potenziale di trasformare radicalmente il modo in cui valutiamo il rischio di oltre cento condizioni di salute. Questo modello, noto come SleepFM, è in grado di effettuare previsioni senza che il paziente debba essere sveglio. Come evidenziato in un articolo recentemente pubblicato, SleepFM analizza una vasta gamma di registrazioni fisiologiche per stimare il rischio futuro di malattie come demenza, insufficienza cardiaca e mortalità per tutte le cause, basandosi esclusivamente su una singola notte di sonno. Questa innovazione rappresenta un passo avanti significativo nella medicina predittiva.
SleepFM si distingue come un modello di base, simile a ChatGPT, ma con un focus specifico sui dati del sonno. È stato addestrato su un vasto dataset che comprende quasi 600.000 ore di registrazioni del sonno, raccolte da 65.000 partecipanti. A differenza di ChatGPT, che apprende attraverso parole e testi, SleepFM si nutre di incrementi di cinque secondi di dati sul sonno, provenienti da registrazioni effettuate in vari centri specializzati. Questi dati sono stati ottenuti tramite una tecnica complessa, nota come polisomnografia (PSG), considerata il “gold standard” negli studi sul sonno. Questa metodologia impiega diversi sensori per monitorare l’attività cerebrale, cardiaca e respiratoria, oltre ai movimenti delle gambe e degli occhi durante gli stati di incoscienza. “Quando studiamo il sonno, registriamo un numero incredibile di segnali”, afferma Emmanuel Mignot, professore di medicina del sonno a Stanford e co-autore senior dello studio.
Per testare l’efficacia di SleepFM, i ricercatori hanno utilizzato una nuova tecnica di apprendimento chiamata “leave-one-out contrastive learning”. In questo approccio, i dati di una modalità specifica, come le letture del polso o il flusso d’aria respiratoria, vengono esclusi, costringendo il modello a estrapolare informazioni mancanti basandosi sugli altri flussi di dati biologici disponibili. Inoltre, i ricercatori hanno abbinato i dati della PSG con decine di migliaia di rapporti sugli esiti sanitari a lungo termine dei pazienti, coprendo un ampio intervallo di età e includendo fino a 25 anni di registrazioni sanitarie di follow-up. Questo approccio ha permesso di ottenere risultati più accurati e significativi.
Dopo aver esaminato oltre 1.041 categorie di malattie presenti nelle cartelle cliniche, SleepFM ha dimostrato la capacità di prevedere 130 di esse con una ragionevole accuratezza, utilizzando i dati del sonno del paziente. Il modello ha mostrato particolare abilità nel prevedere tumori, complicazioni in gravidanza, condizioni circolatorie e disturbi mentali, raggiungendo un C-index superiore a 0.8. Questo indice indica che l’80% delle volte, le previsioni del modello corrispondono a quanto realmente accaduto, come spiega James Zou, scienziato dei dati biomedici a Stanford e co-autore senior dell’articolo. Questi risultati evidenziano l’importanza del sonno nella salute generale.
Inoltre, SleepFM ha ottenuto risultati promettenti secondo il modello di classificazione AUROC, che misura la capacità del modello di distinguere tra pazienti che sperimentano o meno un determinato evento sanitario all’interno di un periodo di previsione di sei anni. Complessivamente, SleepFM ha superato le prestazioni dei modelli predittivi attualmente in uso, eccellendo in particolare nella previsione di malattie come il morbo di Parkinson, infarto, ictus, malattia renale cronica, cancro alla prostata, cancro al seno e mortalità per tutte le cause. Questi risultati confermano ulteriormente il legame tra abitudini di sonno scadenti e esiti sanitari avversi, suggerendo che un sonno di bassa qualità potrebbe essere un segnale precoce di diverse condizioni patologiche.
Sebbene alcuni tipi di dati e fasi del sonno abbiano mostrato una maggiore accuratezza rispetto ad altri, i risultati migliori sono stati attribuiti alle interrelazioni e ai contrasti corporei. In particolare, i predittori di malattia più affidabili si sono rivelati essere le funzioni fisiologiche che apparivano fuori sincrono: ad esempio, un cervello che sembra addormentato mentre il cuore mostra segni di attività vigile potrebbe indicare problemi di salute, spiega Mignot. Questi risultati offrono nuove prospettive per la diagnosi precoce delle malattie.
I ricercatori riconoscono diverse limitazioni nello studio, come l’evoluzione delle pratiche cliniche e delle popolazioni di pazienti nel corso degli anni. Inoltre, i dati sono stati raccolti da pazienti inviati per studi sul sonno, il che implica che una parte della popolazione generale potrebbe essere sottorappresentata nei dati della PSG. Tuttavia, nonostante le controversie legate all’uso dell’intelligenza artificiale in ambiti come l’arte, il potenziale di queste tecnologie nel settore sanitario rappresenta un promemoria cruciale delle straordinarie capacità scientifiche degli agenti di intelligenza artificiale. In futuro, è possibile che SleepFM venga integrato con dispositivi indossabili per il monitoraggio del sonno, offrendo così un monitoraggio della salute in tempo reale e migliorando la qualità della vita.
“Quindi, mentre i modelli di linguaggio di grandi dimensioni (LLM) apprendono il nostro linguaggio relazionando parole e testi, SleepFM sta essenzialmente imparando il linguaggio del sonno”, conclude Zou. Questa ricerca è stata pubblicata su Nature Medicine, segnando un passo significativo verso una comprensione più profonda del legame tra sonno e salute. La continua evoluzione di questi modelli potrebbe portare a scoperte rivoluzionarie nel campo della medicina predittiva e della salute pubblica.
