Cientistas da Universidade Stanford desenvolveram um sistema de inteligência artificial (IA) capaz de estimar o risco de mais de 100 condições médicas diferentes. A tecnologia funciona a partir de dados coletados durante uma única noite de sono. A solução, SleepFM, ficou mundialmente conhecida após divulgação na revista Nature Medicine.
O sistema utiliza informações obtidas por polissonografia, exame considerado padrão-ouro para avaliação do sono, para identificar padrões que podem estar relacionados a futuras doenças. Durante o desenvolvimento, os pesquisadores dispuseram de aproximadamente 600 mil horas de registros de sono de 65 mil pessoas.
“Registramos uma quantidade incrível de sinais quando estudamos o sono”, afirmou Emmanual Mignot, Professor Craig Reynolds em Medicina do Sono na Stanford Medicine. “É um tipo de fisiologia geral que estudamos por oito horas em um sujeito que está completamente cativo. É muito rico em dados”.
A polissonografia monitora diversos sinais fisiológicos durante o repouso, como, por exemplo, atividade cerebral, função cardíaca, padrões respiratórios e movimento ocular. Esses dados raramente são analisados em sua totalidade na prática clínica.
Entretanto, os avanços recentes em IA permitiram aos pesquisadores explorar esses conjuntos complexos de informações de forma mais abrangente.
Treinamento com dados de milhares de pacientes
O SleepFM recebeu acesso a 585 mil horas de dados de polissonografia de clínicas de sono. O maior grupo utilizado, a saber, incluiu cerca de 35 mil pacientes com idades entre 2 e 96 anos.
Esses dados foram combinados com registros eletrônicos de saúde que acompanharam alguns pacientes por até 25 anos. A partir deste conjunto, o sistema analisou mais de mil categorias de doenças e identificou 130 condições que poderiam ser previstas com precisão razoável usando apenas informações do sono.
“O SleepFM está essencialmente aprendendo a linguagem do sono”, explicou James Zou, professor associado de ciência de dados biomédicos e co-autor sênior do estudo. “Um dos avanços técnicos que fizemos neste trabalho foi descobrir como harmonizar todas essas diferentes modalidades de dados para que pudessem se unir para aprender a mesma linguagem”.
Resultados promissores para diversas condições
Os resultados mais significativos se relacionam a câncer, complicações na gravidez, doenças circulatórias e transtornos de saúde mental, com pontuações de previsão acima de um índice C de 0,8.
“Para todos os pares possíveis de indivíduos, o modelo fornece uma classificação de quem tem mais probabilidade de experimentar um evento, um ataque cardíaco, por exemplo, mais cedo. Um índice C de 0,8 significa que 80% das vezes, a previsão do modelo é concordante com o que realmente aconteceu”, explicou Zou.
O sistema demonstrou desempenho particularmente bom na previsão de doença de Parkinson (índice C 0,89), demência (0,85), doença cardíaca hipertensiva (0,84), ataque cardíaco (0,81), câncer de próstata (0,89), câncer de mama (0,87) e morte (0,84).
Colaboração internacional
O desenvolvimento do SleepFM envolveu pesquisadores da Stanford Medicine e colaboradores de diversas instituições. Participaram do projeto cientistas da Universidade Técnica da Dinamarca, o Hospital Universitário de Copenhague-Rigshospitalet, a BioSerenity, a Universidade de Copenhague e a Harvard Medical School.
Além disso, a pesquisa ocorreu no Centro de Medicina do Sono de Stanford. O fundador do local foi William Dement, o pai da medicina do sono.
“Do ponto de vista da IA, o sono é relativamente pouco estudado. Há muitos outros trabalhos de IA que estão analisando patologia ou cardiologia, mas relativamente poucos analisando o sono, apesar do sono ser uma parte tão importante da vida”, disse Zou.
Interpretação dos resultados
Os pesquisadores ainda trabalham para compreender completamente como o sistema chega às suas conclusões. “Não nos explica isso em inglês”, afirmou Zou. “Mas desenvolvemos diferentes técnicas de interpretação para descobrir o que o modelo está observando quando faz uma previsão específica de doença”.
“A maior quantidade de informações que obtivemos para prever doenças foi contrastando os diferentes canais”, explicou Mignot.
“Ficamos agradavelmente surpresos que, para um conjunto bastante diversificado de condições, o modelo é capaz de fazer previsões informativas”, disse Zou.
O estudo recebeu financiamento dos Institutos Nacionais de Saúde (concessão R01HL161253), Knight-Hennessy Scholars e Chan-Zuckerberg Biohub. Conforme as informações disponíveis, versões futuras do SleepFM podem incorporar dados de dispositivos vestíveis para expandir a gama de sinais fisiológicos analisados.
