Il sonno racconterà molto più di quanto pensiamo sulla nostra salute futura. Un nuovo studio condotto dall’Università di Stanford e pubblicato su Nature Medicine presenta SleepFM: è un modello di intelligenza artificiale addestrato su oltre 585.000 ore di registrazioni del sonno provenienti da 65.000 persone. Il modello riesce a prevedere l’arrivo di numerose malattie analizzando gli input del corpo durante la notte, raggiungendo un’accuratezza dell’87% per la demenza e dell’84% per il rischio di morte.
I dati raccolti tra il 1999 e il 2024 coprono persone da 1 a 100 anni. A differenza degli studi precedenti, concentrati su singole patologie, questo lavoro esplora 1.041 condizioni mediche diverse, svelando collegamenti inediti tra qualità del sonno e salute generale.
Come funziona il sistema SleepFM che analizza il sonno
Durante un esame clinico del sonno completo (polisonnografia), vengono registrati contemporaneamente diversi input del corpo. L’attività cerebrale viene misurata con l’elettroencefalogramma, i movimenti degli occhi vengono tracciati, i muscoli monitorati tramite sensori, il battito cardiaco registrato e la respirazione controllata. SleepFM elabora tutti questi flussi di informazione adattandosi alle diverse configurazioni degli strumenti usati nei vari ospedali.
Il sistema divide ogni segnale in pezzi da 5 secondi, trasformandoli in rappresentazioni numeriche attraverso una rete neurale. Un meccanismo di attenzione unisce poi le informazioni provenienti dai vari sensori della stessa tipologia, mentre un altro componente cattura i cambiamenti nel tempo su finestre di 5 minuti. Questa struttura produce descrizioni compatte da 128 numeri per ogni tipo di segnale.
Durante l’apprendimento iniziale, il sistema impara a prevedere i segnali di un tipo (ad esempio il battito cardiaco) partendo dagli altri tre, forzando l’allineamento tra informazioni diverse. Questa strategia rende il modello robusto anche quando alcuni sensori mancano o funzionano male.
SleepFM fornisce previsioni precise su cervello e cuore
I risultati sulle malattie del cervello meritano particolare attenzione. Per il morbo di Parkinson, SleepFM raggiunge un punteggio C-Index di 0.93, misura che indica quanto bene il sistema ordina i pazienti dal rischio più basso al più alto. Il Parkinson viene spesso preceduto da disturbi del sonno REM, caratterizzati da movimenti anomali durante i sogni e alterazioni nei ritmi cerebrali e cardiaci.
Nel caso della demenza, il modello ottiene un valore AUROC di 0.87 sui pazienti Stanford e 0.83 nella verifica su persone studiate dopo il 2020. L’analisi dei risultati mostra che gli input cerebrali funzionano meglio per le malattie neurologiche, mentre i parametri respiratori predicono efficacemente la demenza senile. Questi schemi concordano con studi che collegano le anomalie del sonno profondo alla progressione dell’Alzheimer.
Sul fronte del cuore, il modello identifica con elevata precisione condizioni come l’ipertensione cardiaca (AUROC 0.88) e l’emorragia cerebrale (AUROC 0.82). SleepFM riesce a individuare anche ictus (C-Index 0.81), scompenso cardiaco (C-Index 0.83) e morte cardiovascolare (C-Index 0.86). Le prove dimostrano che sia i segnali del cuore sia quelli della respirazione contribuiscono alle previsioni.
Evoluzione verso dispositivi indossabili: sfide e tempi
Mentre SleepFM usa polisonnografie cliniche, la vera rivoluzione arriverebbe con l’adattamento di SleepFM ai wearable consumer, ma gli ostacoli sono sostanziali:
Gap qualitativo dei dati. Gli smartwatch misurano il movimento del polso e la frequenza cardiaca attraverso sensori ottici, molto diversi dall’ECG medicale. Non captano affatto l’attività cerebrale, cruciale per predire demenza e Parkinson con alta accuratezza. Alcuni wearable recenti (come certi modelli Withings o Oura) offrono ECG accurati, ma ancora lontani dalla polisonnografia multi-canale.
Necessità di riaddestramento. SleepFM andrebbe completamente riaddestrato su dataset di wearable con annotazioni mediche verificate. Servirebbero studi dove migliaia di persone indossano dispositivi consumer per anni, con follow-up medico completo. Questo richiede tempo (5-10 anni) e investimenti.
Problemi di accuratezza ridotta. Con segnali più limitati, le previsioni sarebbero inevitabilmente meno precise. L’AUROC per demenza potrebbe scendere da 0.87 a 0.65-0.70, ancora utile ma meno affidabile. Bisognerebbe stabilire nuove soglie di rischio e comunicare chiaramente i limiti.
Un nuovo modo di comprendere il sonno nella medicina
Il modello SleepFM costituisce un cambio di prospettiva nella comprensione del sonno come fenomeno fisiologico integrato. Anziché isolare singoli parametri come efficienza del sonno o indice di apnea, il modello estrae rappresentazioni che catturano la complessità delle interazioni tra sistemi nervoso, cardiovascolare, respiratorio e muscolare.
I risultati sfidano la percezione del sonno come fenomeno legato solo a patologie specifiche come apnee o insonnia. L’ampio spettro di condizioni predette fa capire che le alterazioni del sonno fungono da campanello d’allarme per la salute generale. Questa visione giustifica il crescente interesse per il sonno come strumento di screening preventivo, aprendo la strada a una nuova generazione di strumenti diagnostici basati su intelligenza artificiale che potrebbero trasformare radicalmente l’approccio alla medicina preventiva nei prossimi anni.
Tutto il codice SleepFM è open source e disponibile su https://github.com/zou-group/sleepfm-clinical .
