𝗨𝗻 𝗲𝗾𝘂𝗶𝗽𝗼 𝗱𝗲 𝗶𝗻𝘃𝗲𝘀𝘁𝗶𝗴𝗮𝗱𝗼𝗿𝗲𝘀 𝗱𝗲 𝗖𝗹𝗲𝘃𝗲𝗹𝗮𝗻𝗱 𝗖𝗹𝗶𝗻𝗶𝗰 𝗱𝗲𝘀𝗮𝗿𝗿𝗼𝗹𝗹ó 𝘂𝗻 𝗺𝗼𝗱𝗲𝗹𝗼 𝗱𝗲 𝗶𝗻𝘁𝗲𝗹𝗶𝗴𝗲𝗻𝗰𝗶𝗮 𝗮𝗿𝘁𝗶𝗳𝗶𝗰𝗶𝗮𝗹 𝗾𝘂𝗲 𝗽𝘂𝗲𝗱𝗲 𝗮𝗻𝗮𝗹𝗶𝘇𝗮𝗿 𝘂𝗻𝗮 𝗽𝗼𝗹𝗶𝘀𝗼𝗺𝗻𝗼𝗴𝗿𝗮𝗳í𝗮 𝗰𝗼𝗺𝗽𝗹𝗲𝘁𝗮 𝘆 𝗱𝗲𝘀𝗰𝘂𝗯𝗿𝗶𝗿 𝗽𝗮𝘁𝗿𝗼𝗻𝗲𝘀 𝗳𝗶𝘀𝗶𝗼𝗹ó𝗴𝗶𝗰𝗼𝘀 𝗾𝘂𝗲 𝗽𝗼𝗱𝗿í𝗮𝗻 𝗲𝘀𝘁𝗮𝗿 𝗮𝘀𝗼𝗰𝗶𝗮𝗱𝗼𝘀 𝗰𝗼𝗻 𝗺𝗮𝘆𝗼𝗿 𝗿𝗶𝗲𝘀𝗴𝗼 𝗱𝗲 𝗺𝗼𝗿𝘁𝗮𝗹𝗶𝗱𝗮𝗱, 𝗲𝗻𝗳𝗲𝗿𝗺𝗲𝗱𝗮𝗱 𝗰𝗮𝗿𝗱𝗶𝗼𝘃𝗮𝘀𝗰𝘂𝗹𝗮𝗿 𝘆 𝗱𝗲𝘁𝗲𝗿𝗶𝗼𝗿𝗼 𝗰𝗼𝗴𝗻𝗶𝘁𝗶𝘃𝗼. 𝗟𝗮 𝗵𝗲𝗿𝗿𝗮𝗺𝗶𝗲𝗻𝘁𝗮 𝗮𝗻𝗮𝗹𝗶𝘇ó 𝗺á𝘀 𝗱𝗲 𝟭𝟬.𝟬𝟬𝟬 𝗲𝘀𝘁𝘂𝗱𝗶𝗼𝘀 𝗱𝗲 𝘀𝘂𝗲ñ𝗼 𝗱𝗲𝗹 𝗿𝗲𝗴𝗶𝘀𝘁𝗿𝗼 𝗦𝗧𝗔𝗥𝗟𝗜𝗧 𝗱𝗲 𝗖𝗹𝗲𝘃𝗲𝗹𝗮𝗻𝗱 𝗖𝗹𝗶𝗻𝗶𝗰 𝘆 𝗹𝗼𝘀 𝗰𝗹𝗮𝘀𝗶𝗳𝗶𝗰ó 𝗲𝗻 𝗰𝗶𝗻𝗰𝗼 𝗽𝗲𝗿𝗳𝗶𝗹𝗲𝘀 𝗰𝗼𝗻 𝘁𝗿𝗮𝘆𝗲𝗰𝘁𝗼𝗿𝗶𝗮𝘀 𝗱𝗲 𝘀𝗮𝗹𝘂𝗱 𝗱𝗶𝗳𝗲𝗿𝗲𝗻𝘁𝗲𝘀. 𝗟𝗼 𝗺á𝘀 𝘀𝗶𝗴𝗻𝗶𝗳𝗶𝗰𝗮𝘁𝗶𝘃𝗼 𝗳𝘂𝗲 𝗾𝘂𝗲 𝗲𝗹 𝗴𝗿𝘂𝗽𝗼 𝗰𝗹𝗮𝘀𝗶𝗳𝗶𝗰𝗮𝗱𝗼 𝗽𝗼𝗿 𝗹𝗮 𝗜𝗔 𝗰𝗼𝗺𝗼 𝗱𝗲 𝗺𝗮𝘆𝗼𝗿 𝗿𝗶𝗲𝘀𝗴𝗼 𝗽𝗿𝗲𝘀𝗲𝗻𝘁ó 𝗮 𝗰𝗶𝗻𝗰𝗼 𝗮ñ𝗼𝘀 𝘂𝗻 𝗿𝗶𝗲𝘀𝗴𝗼 𝗱𝗲 𝗺𝗼𝗿𝘁𝗮𝗹𝗶𝗱𝗮𝗱 𝗮𝗽𝗿𝗼𝘅𝗶𝗺𝗮𝗱𝗮𝗺𝗲𝗻𝘁𝗲 𝗱𝗼𝘀 𝘃𝗲𝗰𝗲𝘀 𝗺𝗮𝘆𝗼𝗿 𝗾𝘂𝗲 𝗲𝗹 𝗱𝗲𝗹 𝗴𝗿𝘂𝗽𝗼 𝗱𝗲 𝗺𝗲𝗻𝗼𝗿 𝗿𝗶𝗲𝘀𝗴𝗼. 𝗟𝗮 𝗱𝗶𝗳𝗲𝗿𝗲𝗻𝗰𝗶𝗮 𝗻𝗼 𝗲𝗿𝗮 𝗲𝘃𝗶𝗱𝗲𝗻𝘁𝗲 𝗮𝗹 𝗼𝗯𝘀𝗲𝗿𝘃𝗮𝗿 𝘀𝗼𝗹𝗮𝗺𝗲𝗻𝘁𝗲 𝗲𝗹 𝗶𝗻𝗱𝗶𝗰𝗮𝗱𝗼𝗿 𝘁𝗿𝗮𝗱𝗶𝗰𝗶𝗼𝗻𝗮𝗹 𝗱𝗲 𝗮𝗽𝗻𝗲𝗮 𝗱𝗲𝗹 𝘀𝘂𝗲ñ𝗼. 

La investigación parte de una idea que puede cambiar la forma de interpretar una prueba que durante décadas se utilizó principalmente para diagnosticar trastornos respiratorios durante el sueño. La polisomnografía registra simultáneamente numerosas funciones del organismo mientras una persona duerme: actividad eléctrica cerebral mediante electroencefalograma, movimientos oculares, actividad muscular, frecuencia cardíaca, respiración y niveles de oxígeno en sangre.

Tradicionalmente, gran parte de esa enorme cantidad de información termina resumida en un conjunto relativamente pequeño de indicadores. Uno de los más conocidos es el índice de apnea-hipopnea, o AHI, que contabiliza cuántas veces por hora se producen episodios de apnea o hipopnea. El AHI continúa siendo una herramienta fundamental para diagnosticar la apnea obstructiva del sueño, pero los investigadores consideran que no describe por completo la complejidad fisiológica de una noche de sueño.

El nuevo sistema intenta precisamente superar esa limitación. En lugar de reducir la noche a unos pocos números, la inteligencia artificial estudia conjuntamente las señales registradas durante el examen y busca patrones que pueden resultar demasiado complejos para ser identificados mediante un análisis convencional.

La diferencia es importante porque dos personas pueden tener valores similares de AHI y, sin embargo, presentar perfiles fisiológicos diferentes. Una puede experimentar episodios de falta de oxígeno, otra interrupciones frecuentes del sueño y una tercera alteraciones en diferentes sistemas que no quedan reflejadas adecuadamente en un único índice.

Una noche de sueño contiene mucha más información de la que parece

El estudio utilizó información procedente de más de 10.000 polisomnografías almacenadas en el registro STARLIT de Cleveland Clinic y posteriormente contrastó los resultados mediante una cohorte nacional de validación. La IA examinó señales cerebrales, cardíacas, respiratorias, musculares y de oxigenación, buscando combinaciones que pudieran relacionarse con la evolución posterior de la salud.

A partir de esos datos, el modelo consiguió organizar a los pacientes en cinco perfiles fisiológicos diferentes. No se trató simplemente de clasificar quién tenía apnea y quién no, sino de encontrar patrones más complejos dentro de la arquitectura y la fisiología del sueño.

Uno de los resultados que más llamó la atención de los investigadores apareció al analizar la mortalidad. Las personas pertenecientes al grupo de mayor riesgo presentaron, a cinco años, aproximadamente el doble de riesgo de morir que quienes estaban en el grupo de menor riesgo. Según los investigadores, esta diferencia no era evidente cuando se utilizaba exclusivamente el AHI.

Eso no significa que la inteligencia artificial pueda determinar cuándo una persona va a morir ni que una clasificación de alto riesgo constituya un diagnóstico. Lo que muestra el estudio es algo diferente: determinados patrones presentes durante el sueño parecen contener información relacionada con el pronóstico futuro, y una IA puede ser capaz de reconocer combinaciones que los métodos tradicionales no identifican fácilmente.

El corazón también aparece en los datos del sueño

La relación entre sueño y salud cardiovascular no es nueva. Investigaciones anteriores de Cleveland Clinic utilizando el mismo registro STARLIT ya habían encontrado distintos perfiles de sueño relacionados con la aparición posterior de fibrilación auricular, una alteración del ritmo cardíaco.

En una investigación publicada en 2024, científicos analizaron datos de 43.433 personas y encontraron cinco fenotipos de sueño. El grupo caracterizado por hipoxia presentó un riesgo 48 % mayor de desarrollar fibrilación auricular durante el seguimiento, mientras que otros perfiles también mostraron incrementos de riesgo.

Estos antecedentes ayudan a entender por qué los investigadores consideran que una polisomnografía puede ser mucho más que una prueba destinada exclusivamente a diagnosticar apnea. Durante varias horas, el organismo está proporcionando información simultánea sobre cerebro, corazón, respiración, músculos y oxigenación, creando una especie de fotografía fisiológica nocturna.

La inteligencia artificial permite analizar esa fotografía con una profundidad que sería difícil de alcanzar mediante una revisión manual de cada señal. El objetivo no es sustituir al médico, sino encontrar relaciones que posteriormente puedan ser interpretadas clínicamente.

También puede revelar señales relacionadas con el cerebro

El estudio abre otra línea de investigación especialmente interesante: la relación entre sueño y deterioro cognitivo.

Los investigadores observaron que los perfiles generados por el modelo también podían estar asociados con diferencias en resultados relacionados con la salud cerebral. Esto coincide con un creciente cuerpo de investigación que estudia cómo la fragmentación del sueño, la falta de oxígeno y las alteraciones de la arquitectura normal del sueño pueden relacionarse con procesos neurológicos.

La importancia de esta conexión aumenta porque el sueño no es simplemente un período de inactividad. Durante las diferentes fases del sueño se producen procesos relacionados con la consolidación de la memoria, regulación metabólica, actividad inmunológica y mantenimiento de funciones cerebrales.

En los últimos años, además, investigadores han comenzado a utilizar modelos de inteligencia artificial capaces de estudiar directamente grandes cantidades de datos de polisomnografía. Un ejemplo es SleepFM, un modelo desarrollado por investigadores de Stanford y colaboradores que fue entrenado con cientos de miles de horas de estudios del sueño y mostró capacidad para identificar riesgos asociados con numerosas enfermedades a partir de una sola noche de registro. Estos resultados, al igual que el trabajo de Cleveland Clinic, todavía pertenecen principalmente al ámbito de la investigación y requieren validación clínica antes de convertirse en herramientas rutinarias.

Un problema que la medicina tradicional no siempre consigue capturar

Uno de los puntos más interesantes del nuevo trabajo es la comparación entre la información producida por la IA y el AHI.

El índice sigue siendo extremadamente útil. Una persona con un número elevado de episodios respiratorios por hora puede presentar apnea obstructiva significativa y necesitar tratamiento. Pero el AHI no necesariamente describe toda la carga fisiológica que soporta el organismo.

La duración de los episodios, la caída de oxígeno, la frecuencia cardíaca, los despertares, la posición corporal, las fases del sueño y la forma en que el organismo responde a cada alteración pueden modificar sustancialmente el impacto de un trastorno del sueño.

Precisamente por eso, los investigadores consideran que la inteligencia artificial puede permitir pasar de una medicina basada en un número aislado a una medicina basada en patrones fisiológicos complejos.

Un hallazgo particularmente relevante para hombres y mujeres

Otro elemento destacado de la investigación es que el modelo mostró capacidad para identificar resultados tanto en hombres como en mujeres.

Este aspecto es importante porque la presentación de los trastornos del sueño no siempre es idéntica entre ambos sexos. Los propios investigadores señalan que algunas de las métricas tradicionales, incluido el AHI, han mostrado históricamente diferencias en su capacidad para representar determinadas manifestaciones de la apnea. El nuevo modelo busca analizar el conjunto de señales en lugar de depender de una única medida.

Si esta capacidad se confirma en estudios posteriores, podría contribuir a una evaluación más individualizada de los pacientes y reducir el riesgo de que determinados perfiles queden subestimados porque no encajan perfectamente en los parámetros tradicionales.

El siguiente paso será comprobar si funciona fuera de Cleveland

Aquí aparece la principal cautela científica.

El modelo todavía no está listo para utilizarse como una herramienta clínica que determine el riesgo individual de muerte. Los propios investigadores señalan que será necesario realizar nuevas validaciones en poblaciones más diversas y en diferentes centros médicos antes de incorporarlo a la práctica cotidiana.

Este punto es fundamental. Un algoritmo puede funcionar muy bien con los datos con los que fue desarrollado y perder precisión cuando se enfrenta a pacientes de diferentes edades, grupos étnicos, condiciones médicas, equipos de diagnóstico o sistemas sanitarios.

Por eso, los próximos estudios tendrán que comprobar si los cinco perfiles encontrados en Cleveland Clinic aparecen también en otras poblaciones y si mantienen la misma relación con mortalidad, enfermedades cardiovasculares y deterioro cognitivo.

También habrá que determinar qué hacer con la información si el modelo identifica a una persona como de alto riesgo. Una predicción solo resulta clínicamente útil si conduce a una acción concreta: controles adicionales, pruebas cardiovasculares, seguimiento neurológico, tratamiento de apnea u otras intervenciones que permitan modificar realmente el pronóstico.

El futuro: convertir una prueba para dormir en una herramienta de medicina preventiva

La investigación apunta hacia una transformación más amplia de la medicina del sueño. Hasta ahora, una persona acudía a un laboratorio principalmente porque presentaba ronquidos, pausas respiratorias, somnolencia diurna, insomnio u otros síntomas, y el objetivo principal era encontrar un trastorno del sueño.

En el futuro, una polisomnografía podría convertirse también en una fuente de información sobre el estado general del organismo.

La posibilidad es especialmente atractiva porque la prueba ya se realiza en hospitales y centros especializados. No sería necesariamente necesario inventar un nuevo examen; bastaría con desarrollar mejores métodos para interpretar los datos que ya se están obteniendo.

En ese escenario, la inteligencia artificial funcionaría como una segunda capa de análisis: primero se registra la noche completa y después el algoritmo busca patrones que puedan ayudar al especialista a identificar pacientes que merecen una evaluación más profunda.

La investigación publicada en Nature Communications representa, por tanto, un cambio conceptual importante. El sueño deja de ser visto únicamente como el período durante el cual se producen ronquidos o apneas y comienza a considerarse una ventana privilegiada para observar el funcionamiento integral del organismo.

El antes era una medicina del sueño basada principalmente en indicadores resumidos; el presente comienza a incorporar inteligencia artificial capaz de analizar miles de señales simultáneamente; y el futuro podría llevar a que una sola noche de monitorización ayude a identificar riesgos que hoy permanecen ocultos.

Pero para llegar allí todavía falta una etapa decisiva: demostrar que esas predicciones son reproducibles, precisas y clínicamente útiles. Solo entonces una tecnología que hoy pertenece al laboratorio de investigación podrá convertirse en una herramienta cotidiana para anticipar enfermedades y, potencialmente, contribuir a prevenir muertes.