IA lê sinais do sono para estimar risco cardíaco

Um modelo de inteligência artificial treinado com registros de polissonografia conseguiu identificar padrões associados ao risco futuro de insuficiência cardíaca e outras doenças. Batizada de SleepFM, a ferramenta analisa em conjunto sinais do cérebro, do coração, da respiração, dos olhos e dos músculos coletados durante uma noite de sono.

A pauta publicada pelo Metrópoles nesta quarta-feira (21) destaca o desempenho para doenças cardiovasculares. O trabalho original, publicado na revista Nature Medicine, informa que o modelo foi desenvolvido com mais de 585 mil horas de exames de cerca de 65 mil participantes, uma escala incomum para pesquisas que combinam sono e inteligência artificial.

Os pesquisadores ligaram os registros de sono a prontuários eletrônicos e avaliaram mais de mil categorias de doença. Em 130 delas, o sistema alcançou índice de concordância de pelo menos 0,75 em participantes separados do treinamento. Para insuficiência cardíaca, o C-index informado foi 0,80; para infarto, 0,81; e para fibrilação atrial e acidente vascular cerebral, 0,78.

Esses números não significam que o algoritmo acerte o diagnóstico de oito em cada dez pessoas. O C-index mede a capacidade de ordenar corretamente indivíduos com maior e menor risco ao longo do tempo. Ele ajuda a comparar modelos preditivos, mas não define sozinho sensibilidade, especificidade, segurança ou utilidade clínica para uma decisão individual.

Modelo aprende padrões fisiológicos

A polissonografia registra diversos sistemas do corpo simultaneamente. Ondas cerebrais indicam estágios do sono; eletrocardiograma acompanha ritmo cardíaco; sensores respiratórios identificam pausas e esforço; movimentos dos olhos e músculos ajudam a reconhecer despertares. O SleepFM transforma essas séries em uma representação comum e aprende relações entre modalidades.

A Stanford Medicine afirma que o modelo foi testado também em tarefas tradicionais, como classificação dos estágios do sono e avaliação da gravidade da apneia. O desempenho semelhante ou superior ao de sistemas especializados sugere que a representação aprendida não serve apenas para prever doenças futuras, mas preserva informações importantes do próprio exame.

Uma validação externa utilizou dados do Sleep Heart Health Study, que não fizeram parte do pré-treinamento. Esse teste reduz o risco de o sistema apenas memorizar características de um hospital. Ainda assim, transferir a ferramenta para outros países, equipamentos, faixas etárias e populações exige estudos próprios, porque práticas de coleta e perfis clínicos podem mudar.

Pesquisa ainda exige validação

O estudo é retrospectivo: pesquisadores analisaram exames já realizados e observaram desfechos registrados depois. Esse desenho encontra associação preditiva, mas não demonstra que o uso do algoritmo melhora tratamento, reduz internações ou evita mortes. Para isso, seriam necessários estudos prospectivos nos quais médicos usam a ferramenta sob protocolos definidos.

Há também limites de acesso. A polissonografia completa costuma ser feita em laboratório e exige muitos sensores, profissionais e infraestrutura. Embora o modelo possa aproveitar um exame já indicado, o estudo não mostra que relógios ou dispositivos simples reproduzem o mesmo resultado. Transformar a pesquisa em triagem ampla dependerá de versões validadas com dados mais acessíveis.

Por enquanto, o SleepFM deve ser entendido como tecnologia experimental de estratificação de risco. Ele pode ajudar pesquisadores a extrair informação antes ignorada de exames do sono, mas não autoriza diagnóstico automático nem mudança de medicação. Sintomas como falta de ar, inchaço ou cansaço persistente continuam exigindo avaliação clínica individual.