«Desconexión» fisiológica durante el sueño: la IA rastrea indicios del riesgo de neurodegeneración en 124.000 estudios

Una noche de sueño no solo registra la respiración y las ondas cerebrales; también puede dejar tenues rastros de cambios en la salud que se manifestarán años después. Un nuevo preprint muestra que los investigadores utilizaron una IA multiagente supervisada por humanos para analizar aproximadamente 124.000 estudios polisomnográficos y encontraron, en el grado de coordinación entre el cerebro y otros sistemas fisiológicos, señales asociadas con diagnósticos posteriores de enfermedades neurodegenerativas.

El entorno, denominado AI Sleep Co-Scientist, no llevó a cabo la investigación por sí solo. Primero, especialistas en sueño establecieron la orientación; después, distintos agentes se repartieron la generación de hipótesis, el diseño de los flujos de preprocesamiento de señales y la ejecución de los análisis estadísticos. Los investigadores revisaron los resultados intermedios, y tanto la selección formal de las hipótesis como el inicio del análisis del conjunto completo de datos requirieron confirmación humana. El sistema también vinculó las cifras y los gráficos del artículo con código ejecutable, en un intento por reducir el riesgo de que los modelos de lenguaje de gran tamaño generen análisis erróneos o conclusiones imposibles de rastrear.

El estudio abarcó cuatro bases de datos clínicas y epidemiológicas, con más de 50 TB de señales sin procesar en total, y examinó el riesgo de enfermedad, los fenotipos clínicos y la regulación del sueño mediante cinco casos. El análisis que más atención recibió se centró en el «acoplamiento fisiológico»: si durante el sueño se mantiene una coordinación estable de la actividad entre distintas regiones cerebrales y entre el cerebro, el corazón, los músculos y los movimientos oculares. El estudio realizó la exploración con datos de la clínica del sueño de Stanford y repitió después la comparación con otro conjunto de datos del Human Sleep Project.

Los resultados mostraron que, durante la segunda fase del sueño sin movimientos oculares rápidos, por cada disminución de una desviación estándar en el acoplamiento entre regiones cerebrales, la razón de riesgo de que posteriormente se registrara un diagnóstico de enfermedad de Parkinson fue de 1,48, y la correspondiente a la enfermedad de Alzheimer fue de 1,38; sus intervalos de confianza del 95% fueron, respectivamente, de 1,31 a 1,67 y de 1,25 a 1,53. Un menor acoplamiento cerebro-corazón también se asoció con diagnósticos posteriores de enfermedad de Parkinson, enfermedad de Alzheimer y demencia. Sin embargo, el patrón global de los efectos entre las bases de datos solo mostró una concordancia moderada, lo que indica que los distintos entornos sanitarios, la composición de los pacientes y las condiciones de medición siguen influyendo en las señales.

La IA también ayudó a crear un modelo de «edad del sueño» compuesto por siete dominios, entre ellos la estructura del sueño, la respiración y la oxigenación sanguínea, el sistema nervioso autónomo y la interacción cerebro-corazón. El método de conservar los módulos fisiológicos antes de integrar las predicciones fue ligeramente más preciso en ambas bases de datos que mezclar directamente todas las características; sus residuos de edad también se asociaron con diversas enfermedades cardiovasculares, renales y respiratorias. Otros casos describieron las características del despertar en el insomnio con apnea del sueño, la regulación del sueño con movimientos oculares rápidos y las diferencias en las oscilaciones de las ondas cerebrales en la narcolepsia tipo 1.

Estos resultados no pueden interpretarse actualmente como prueba de que la disminución del acoplamiento durante el sueño cause neurodegeneración, ni permiten utilizar un único estudio del sueño como herramienta de cribado individual. El estudio tuvo un diseño retrospectivo; los datos procedían principalmente de pacientes derivados o de poblaciones epidemiológicas específicas, y los desenlaces de enfermedad se determinaron sobre todo mediante códigos diagnósticos de las historias clínicas. Las comorbilidades no medidas, los medicamentos y las diferencias en la utilización de la atención sanitaria podrían generar confusión. El artículo tampoco ha superado todavía la revisión por pares. En esta etapa, resulta más apropiado considerar estas señales como hipótesis que deben validarse en estudios prospectivos, y no como biomarcadores clínicos consolidados.

El verdadero avance de este trabajo quizá no sea únicamente haber encontrado un conjunto de asociaciones con el riesgo, sino mostrar cómo puede intervenir la IA en el proceso de exploración científica de enormes volúmenes de datos fisiológicos. La posibilidad de rastrear el código, conservar las decisiones de los expertos y comprobar los resultados en distintas bases de datos constituye un diseño más pragmático que una investigación totalmente automatizada. El siguiente paso aún exige que equipos independientes reproduzcan el análisis y confirmen, mediante estudios de seguimiento preespecificados y representativos, si su valor añadido supera el de la edad, los antecedentes médicos y los indicadores del sueño ya existentes.