IA detecta patrones de mortalidad en estudios del sueño que métodos convencionales pierden

Un modelo de inteligencia artificial analiza polisomnografías completas para identificar riesgos cardiovasculares y cognitivos con precisión superior a índices tradicionales

Un modelo de inteligencia artificial desarrollado por investigadores médicos analiza datos de polisomnografías —estudios nocturnos que registran actividad cerebral, respiratoria, cardíaca, muscular y niveles de oxígeno— para identificar patrones fisiológicos asociados con enfermedades cardíacas, deterioro cognitivo y mayor riesgo de mortalidad. El sistema se entrenó con más de 10,000 estudios…

Un modelo de inteligencia artificial desarrollado por investigadores médicos analiza datos de polisomnografías —estudios nocturnos que registran actividad cerebral, respiratoria, cardíaca, muscular y niveles de oxígeno— para identificar patrones fisiológicos asociados con enfermedades cardíacas, deterioro cognitivo y mayor riesgo de mortalidad.

El sistema se entrenó con más de 10,000 estudios de sueño del registro STARLIT (Sleep Signals, Testing, and Reports Linked to Patient Traits) y validación en cohortes nacionales. A diferencia de los métodos clínicos convencionales que reducen el análisis a métricas simples, la IA examina el registro completo de la noche y clasifica a los pacientes en cinco perfiles con trayectorias de salud diferenciadas. El hallazgo más relevante: los pacientes en la categoría de mayor riesgo presentan un riesgo de mortalidad a cinco años que duplica al del grupo de menor riesgo, una diferencia que no se detectaba mediante el índice de apnea-hipopnea (AHI), la medida estándar para evaluar la gravedad de la apnea del sueño.

El AHI mide únicamente la frecuencia de pausas respiratorias o reducciones en el flujo de aire durante el sueño. El nuevo enfoque amplía significativamente el análisis: en lugar de un resumen simplificado, procesa la complejidad completa de los datos fisiológicos registrados durante toda la noche. Los investigadores señalan que durante décadas la especialidad ha dependido de medidas generales limitadas, mientras que las técnicas actuales de IA permiten extraer información mucho más granular que diferencia grupos de pacientes con pronósticos a largo plazo muy distintos.

La herramienta demuestra rendimiento consistente tanto en hombres como en mujeres, superando las limitaciones históricas del AHI en ambos grupos. Los investigadores sugieren que podría clasificar a los pacientes según riesgo cardiovascular y deterioro cognitivo, aunque advierten que se requiere validación clínica adicional e integración en flujos de trabajo médicos antes de su implementación generalizada. El desafío operativo radica en que los registros médicos rutinarios contienen información fisiológica significativa que aún no se aprovecha completamente en la práctica clínica convencional.