Pesquisadores da Stanford Medicine e colaboradores relatam que um modelo de inteligência artificial chamado SleepFM pode analisar um estudo de polissonografia de uma única noite e estimar o risco futuro de uma pessoa para mais de 100 condições médicas, incluindo demência, doenças cardíacas e alguns cânceres. A equipe diz que o sistema aprende padrões em múltiplos sinais fisiológicos gravados durante o sono e poderia revelar sinais de alerta precoce anos antes do diagnóstico clínico.
Uma única noite em um laboratório de sono pode conter mais informações sobre a saúde futura do que os clínicos extraem tipicamente hoje. Pesquisadores da Stanford Medicine e instituições colaboradoras desenvolveram um modelo de inteligência artificial, SleepFM, que analisa dados de polissonografia — o estudo de sono noturno gold-standard que registra sinais como atividade cerebral, atividade cardíaca, respiração, movimentos oculares e movimentos musculares ou de pernas. A equipe treinou o SleepFM com cerca de 585.000 horas de gravações de polissonografia de aproximadamente 65.000 pessoas, e depois vinculou estudos de sono de uma grande coorte do Stanford Sleep Medicine Center a registros eletrônicos de saúde de longo prazo. Nessa coorte — cerca de 35.000 pacientes de 2 a 96 anos com estudos de sono realizados entre 1999 e 2024 — alguns indivíduos tinham até 25 anos de acompanhamento. «Nós gravamos um número impressionante de sinais quando estudamos o sono», disse Emmanuel Mignot, o Professor Craig Reynolds em Medicina do Sono na Stanford Medicine e autor sênior do estudo. Ele descreveu o exame noturno como «muito rico em dados». Para construir o modelo, os pesquisadores usaram uma abordagem de «modelo fundacional» — mais comumente associada a modelos de linguagem grandes — tratando gravações fisiológicas de sono como sequências. Eles dividiram cada gravação em segmentos de cinco segundos e treinaram o sistema para aprender como diferentes canais se relacionam uns com os outros. «O SleepFM está essencialmente aprendendo a linguagem do sono», disse James Zou, professor associado de ciência de dados biomédicos na Stanford e autor sênior. A equipe também relatou o uso de um método de treinamento chamado leave-one-out contrastive learning, no qual um tipo de sinal é removido e o modelo aprende a reconstruí-lo a partir dos canais restantes. Em testes padrão de análise de sono, o SleepFM performou tão bem quanto ou melhor que os modelos state-of-the-art existentes na classificação de estágios de sono e na avaliação da gravidade da apneia do sono. Os pesquisadores então avaliaram se uma noite de dados de sono poderia ajudar a prever resultados médicos de longo prazo. Após revisar mais de 1.000 categorias de doenças em registros de saúde vinculados, o estudo relatou que 130 condições poderiam ser previstas com o que os autores descrevem como precisão razoável usando apenas dados de sono. O desempenho foi mais forte para grupos de resultados que incluíam cânceres, complicações na gravidez, doenças circulatórias e transtornos de saúde mental. O estudo usou o índice de concordância (C-index), uma medida de quão bem um modelo classifica indivíduos por risco. Zou disse que um C-index de 0,8 significa que, entre pares de pessoas, o modelo classifica corretamente quem experimentará um evento mais cedo cerca de 80% do tempo. Entre os exemplos relatados, o modelo alcançou valores de C-index de 0,89 para doença de Parkinson, 0,85 para demência, 0,81 para infarto do miocárdio (ataque cardíaco), 0,89 para câncer de próstata e 0,87 para câncer de mama. Os pesquisadores também relataram forte desempenho para resultados incluindo mortalidade por todas as causas. A equipe disse que diferentes canais fisiológicos carregavam diferentes pesos preditivos dependendo do resultado — por exemplo, sinais relacionados ao coração eram mais influentes para previsões cardiovasculares e sinais cerebrais importavam mais para saúde mental — enquanto combinar canais produzia os melhores resultados. Mignot disse que incompatibilidades entre sistemas — como um cérebro que parece adormecido enquanto o coração parece mais alerta — estavam entre os padrões associados a maior risco. O paper, intitulado «A multimodal sleep foundation model for disease prediction», foi publicado online na Nature Medicine em 6 de janeiro de 2026. Estudantes de PhD Rahul Thapa (Stanford) e Magnus Ruud Kjaer (Technical University of Denmark) são listados como autores principais conjuntos. Os pesquisadores alertaram que o trabalho é um passo inicial em direção ao uso clínico. A equipe disse que o trabalho em andamento inclui melhorar a interpretabilidade — entender o que o modelo está «vendo» nos sinais — e explorar se abordagens semelhantes poderiam incorporar dados de dispositivos vestíveis para ampliar o acesso além de laboratórios de sono especializados.
