Uma única noite de sono pode esconder pistas cruciais sobre a saúde futura de um indivíduo, revelando o risco de desenvolver condições médicas graves anos antes de qualquer sintoma aparente. Essa é a premissa por trás do SleepFM, um inovador sistema de inteligência artificial desenvolvido por pesquisadores da Stanford Medicine, que promete transformar a medicina preventiva.
Publicado em 6 de janeiro de 2026 na revista Nature Medicine, o estudo detalha como o modelo de IA foi treinado com quase 600 mil horas de gravações de polissonografia, coletadas de 65 mil participantes. Esse vasto conjunto de dados permitiu ao SleepFM aprender a “linguagem do sono”, identificando padrões fisiológicos sutis que indicam risco para mais de 100 condições de saúde.
A pesquisa representa um marco significativo, pois, pela primeira vez, a inteligência artificial é aplicada em tal escala para analisar dados do sono, que antes eram subutilizados. A capacidade de prever doenças como câncer, demência e problemas cardíacos a partir de uma avaliação noturna abre um novo horizonte para intervenções médicas precoces.
A decodificação da linguagem do sono pela IA
A polissonografia, considerada o padrão ouro para a avaliação do sono, registra uma vasta gama de sinais fisiológicos, incluindo atividade cerebral, função cardíaca, padrões respiratórios, movimento dos olhos e das pernas. Tradicionalmente, apenas uma fração dessas informações é analisada na prática clínica para diagnosticar distúrbios do sono.
Contudo, a equipe de Stanford, liderada por Emmanuel Mignot, professor de Medicina do Sono, e James Zou, professor associado de ciência de dados biomédicos, percebeu o potencial inexplorado desses dados. “Registramos um número impressionante de sinais quando estudamos o sono”, afirmou Mignot. “É um tipo de fisiologia geral que estudamos por oito horas em um indivíduo completamente cativo. É muito rico em dados.”
O SleepFM é um modelo de fundação, similar aos grandes modelos de linguagem como o ChatGPT, mas treinado em sinais biológicos em vez de texto. Ele integra múltiplas modalidades de dados, como eletroencefalografia, eletrocardiografia, eletromiografia, leituras de pulso e fluxo de ar respiratório, aprendendo como esses sinais interagem.
Uma técnica de treinamento inovadora, chamada “leave-one-out contrastive learning”, foi desenvolvida para ensinar o modelo a harmonizar essas diferentes modalidades de dados. Essencialmente, o sistema é desafiado a reconstruir um tipo de sinal ausente usando os dados restantes, o que o ajuda a entender as relações complexas entre as diversas informações fisiológicas.
Previsões de doenças e o futuro da medicina preventiva
Após o treinamento, o SleepFM demonstrou alta precisão na previsão de doenças futuras. Os pesquisadores vincularam os registros de polissonografia a históricos de saúde de longo prazo, alguns com até 25 anos de acompanhamento. O modelo analisou mais de 1.000 categorias de doenças e identificou 130 que poderiam ser previstas com notável precisão a partir dos dados do sono.
As previsões foram particularmente fortes para condições como doença de Parkinson (com um índice de concordância de 0,89), demência (0,85), doença cardíaca hipertensiva (0,84), infarto (0,81), câncer de próstata (0,89), câncer de mama (0,87) e até mesmo mortalidade geral (0,84). Os pesquisadores ficaram surpresos com a diversidade das condições que o modelo conseguiu prever com eficácia.
Este avanço tem implicações profundas para a medicina preventiva. Ao identificar sinais de alerta anos antes do desenvolvimento clínico, os médicos poderiam intervir mais cedo, potencialmente alterando o curso de muitas doenças. O trabalho dos pesquisadores de Stanford destaca o sono não apenas como um período de descanso, mas como uma janela valiosa para a saúde geral do corpo.
Embora o SleepFM ainda esteja em fase de pesquisa, a perspectiva de integrar essa tecnologia em dispositivos vestíveis ou exames de rotina é promissora. A capacidade de “aprender a linguagem do sono” e traduzi-la em diagnósticos precoces pode redefinir a abordagem da saúde, permitindo que a medicina se mova de um modelo reativo para um proativo, salvando vidas e melhorando a qualidade de vida em escala global.
