Cos’è SleepFM e come “legge” il sonno
SleepFM è un modello di fondazione (in inglese foundation model o base model) di intelligenza artificiale, un tipo di algoritmo che, come ChatGPT, impara da una mole immensa di dati per poi essere applicato a compiti diversi. In questo caso, è stato addestrato su un'enorme quantità di informazioni: oltre 585.000 ore di registrazioni polisonnografiche provenienti da circa 65.000 partecipanti, raccolte in diversi centri del sonno.
La polisonnografia è un esame diagnostico non invasivo e indolore che registra i parametri fisiologici durante il sonno (attività cerebrale, respirazione, battito cardiaco, saturazione ossigeno e movimenti).
Durante una notte, sensori monitorano:
- attività cerebrale (elettroencefalogramma, EEG);
- ritmo cardiaco (elettrocardiogramma, ECG);
- movimenti muscolari (elettromiogramma, EMG);
- flusso d'aria e saturazione dell'ossigeno.
Finora, questi dati venivano analizzati per diagnosticare disturbi specifici come l'apnea notturna. SleepFM, invece, li interpreta come un linguaggio fisiologico completo. L’architettura del modello, sviluppata da un team guidato da Emmanuel Mignot e James Zou della Stanford Medicine, utilizza tecniche di apprendimento contrastivo per mettere in relazione tra loro i diversi flussi di dati (cervello, cuore, respiro), imparando a riconoscere schemi che nessun umano potrebbe individuare a occhio nudo.
Cosa ha scoperto SleepFM: 130 malattie in anticipo
Abbinando le registrazioni del sonno con le cartelle cliniche elettroniche dei pazienti (alcune con follow-up fino a 25 anni), le ricercatrici e i ricercatori hanno scoperto che SleepFM è in grado di prevedere l'insorgenza di 130 condizioni mediche con una precisione sorprendente.
Le previsioni più accurate riguardano malattie spesso silenti fino allo stadio avanzato. L'accuratezza si misura con il C-index (indice di concordanza): un valore di 0,8 significa che l'80% delle volte il modello classifica correttamente chi avrà la malattia prima.
Le previsioni più accurate
Secondo i dati pubblicati su Nature Medicine, SleepFM ha raggiunto risultati notevoli per:
- morbo di Parkinson, C-index di 0,89;
- demenza, C-index di 0,85;
- mortalità per tutte le cause, C-index di 0,84;
- infarto miocardico, C-index di 0,81;
- scompenso cardiaco, C-index di 0,80;
- cancro alla prostata e al seno, C-index di 0,89 e 0,87.
Il modello è risultato efficace anche nel prevedere l’ictus, la fibrillazione atriale e persino il disturbo post-traumatico da stress (PTSD), dove ha superato modelli specializzati costruiti solo per quello scopo.
Perché SleepFM è importante: la svolta per la medicina preventiva
L’aspetto più rivoluzionario di SleepFM è che non richiede sintomi. Utilizza un dato che il corpo produce ogni notte, trasformando un esame costoso e raro (la polisonnografia) in una potenziale finestra di screening preventivo.
«L’abilità dell’IA di riconoscere schemi sottili ha un potenziale straordinario in medicina. In questo caso, potrebbe fornire un allarme precoce per malattie gravi, consentendo alle persone di agire per prevenirle», spiega Emmanuel Mignot.
A differenza dei consigli generici (“mangia sano e fai attività fisica”), avere un profilo di rischio personalizzato e concreto (es. “i tuoi pattern di sonno indicano un rischio di demenza dell’85% nei prossimi 6 anni”) potrebbe motivare le persone a modificare il proprio stile di vita o spingere i sistemi sanitari a intervenire prima, quando le cure sono più efficaci e meno costose.
Limiti e sfide future di SleepFM
Nonostante i risultati promettenti, il percorso verso l’applicazione clinica presenta diversi ostacoli.
L’accessibilità economica
Il principale limite è l’accesso all'esame. Una polisonnografia in laboratorio costa tra i 1.000 e i 3.500 dollari negli Stati Uniti, escludendo di fatto molte persone. SleepFM, nella sua forma attuale, richiede dati di qualità clinica, non quelli dei comuni smartwatch.
Diversità dei dati e generalizzazione
I modelli di IA in medicina soffrono spesso di bias legati alla composizione dei dataset di addestramento. Sebbene lo studio abbia incluso coorti diverse (come MESA e MrOS), le studiose e gli studiosi di Stanford sottolineano la necessità di una convalida su popolazioni più ampie ed eterogenee prima di un eventuale utilizzo clinico diffuso.
Tuttavia, le ricercatrici e i ricercatori stanno già esplorando come estendere l’architettura di SleepFM per utilizzare sensori indossabili di consumo, il che aprirebbe la strada a uno screening su larga scala.
Conclusione
SleepFM rappresenta un cambio di paradigma: non considera più il sonno come un semplice momento di riposo, ma come un termometro fisiologico che racconta lo stato di salute del nostro organismo. Per ora, l’esame rimane confinato ai laboratori specializzati.
Ma la direzione è chiara: un giorno, una notte passata a dormire potrebbe diventare uno dei più potenti strumenti diagnostici a nostra disposizione, offrendoci la possibilità di guardare nel futuro della nostra salute molto prima che i sintomi abbiano la possibilità di manifestarsi.
Cover Foto di Klara Kulikova su Unsplash.