Il sonno come biomarcatore digitale della salute sistemica. Monitorare il sonno di una notte potrebbe bastare per stimare il rischio di sviluppare più di 130 malattie. È quanto suggerisce lo studio internazionale pubblicato su Nature Medicine e guidato da Stanford University, che ha sviluppato SleepFM: un foundation model di intelligenza artificiale addestrato su oltre 585mila ore di polisonnografia, sistema di monitoraggio del sonno che, usando vari sensori, registra l’attività cerebrale, l’attività cardiaca, i movimenti delle gambe, e altro ancora.

Il modello, che essenzialmente sta imparando il linguaggio del sonno, integra dati elettrofisiologici complessi – EEG, ECG, EMG e segnali respiratori – in rappresentazioni numeriche compatte, capaci di catturare pattern profondi, spesso invisibili all’occhio clinico, abbinando i dati della polisonnografia di oltre 65mila partecipantialle cartelle cliniche elettroniche.

Tra gli autori dello studio figura Emmanuel Mignot, direttore dello Stanford Center for Sleep Sciences and Medicine, che ha ricevuto nel 2023 il prestigioso BreakthroughPrize in Life Sciences per la scoperta del ruolo delle orexine nella narcolessia.

Plazzi: cosa promette SleepFM

In Italia, una delle voci più autorevoli della medicina del sonno è Giuseppe Plazzi: neurologo, già presidente dell’Associazione Italiana di Medicina del Sonno (AIMS) e responsabile del Centro Narcolessia dell’Istituto delle scienze neurologiche di Bologna, da oltre trent’anni collabora con Mignot e il suo team a Stanford.

«Il sonno contiene segnali di rischio per numerose patologie: stroke, fibrillazione atriale, insufficienza renale, malattie croniche neurodegenerative. Questo lavoro dà un valore predittivo al sonno stesso, oltre la sua funzione diagnostica nei disturbi del sonno. È uno studio che dimostra il potenziale dell’intelligenza artificiale integrata con dati fisiologici e genetici, fino a sfiorare – in alcune funzioni specifiche – la capacità di sostituire l’analisi di un esperto» spiega Plazzi.

Il modello ha raggiunto performance predittive elevate su numerose condizioni cliniche: un indice di concordanza di 0,84 per la mortalità per tutte le cause, 0,85 per la demenza, 0,82 per l’insufficienza cardiaca e l’ictus, 0,82 per le malattie renali croniche, 0,81 per il cancro e 0,79 per la fibrillazione atriale.

Bellini: potenziale e avvertenze

Valentina Bellini è anestesista, docente all’Università di Parma e referente nazionale per l’innovazione tecnologica della SIAARTI, la Società Italiana di Anestesia, Analgesia, Rianimazione e Terapia Intensiva. Figura di riferimento in Italia per l’integrazione delle tecnologie emergenti nella pratica clinica, ha analizzato SleepFM con particolare attenzione al monitoraggio fisiologico e alla sua possibile applicazione operativa in ambito anestesiologico.

«Il lavoro dimostra che segnali fisiologici continui, apparentemente ‘ordinari’, possono racchiudere informazioni prognostiche molto profonde sullo stato di salute» osserva Bellini. «L’utilizzo di modelli foundation multimodali attesta che è possibile estrarre tali segnali da enormi quantità di dati grezzi, senza feature engineering umano». La promessa dell’intelligenza artificiale è proprio quella di «aprire questi database fisiologici e rendere analizzabili fenomeni complessi che finora erano nascosti nella mole e nella multiscalarità dei dati stessi».

Tuttavia, invita alla cautela. «Non confondiamo predizione con causalità. Il fatto che un modello identifichi pattern associati al rischio non implica necessariamente un’associazione reale o un meccanismo biologico definito. Servono studi prospettici e validazioni indipendenti per confermare la robustezza dei risultati e per capire se tali segnali possano tradursi in applicazioni cliniche concrete».

Vidale: criticità metodologiche

Simone Vidale, direttore della Neurologia eStroke unit di ASST Sette Laghi (Varese) e segretario della Società Italiana di Neurologia (SIN) per la Lombardia, porta uno sguardo critico sulla solidità metodologica dello studio.

«Lo studio colpisce per l’ambizione e i numeri, ma a una lettura attenta emergono punti oscuri. Per esempio, non è chiaro se le predizioni si basino su una singola notte o su più registrazioni: un dettaglio cruciale, perché una singola registrazione può essere influenzata da fattori contingenti come alcol, stress o disturbi ambientali».

Vidale evidenzia anche un bias di selezione. «Il dataset è costruito su pazienti dei centri del sonno a cui afferiscono persone che hanno principalmente problemi di sonno. Pertanto, risulta difficile poter applicare i risultati ottenuti alla popolazione generale poiché non prevista e inclusa nella metodologia base dello studio».

Infine, solleva un dubbio sulla “randomizzazione” descritta nello studio. In fondo al paper, nella sezione Life Science and Study Design, «si parla di assegnazione randomizzata ai set di training e test, ma senza chiarire le modalità di applicazione». E precisa: «in ambito clinico, randomizzare significa assegnare i soggetti casualmente in gruppi di intervento secondo criteri rigorosi preimpostati. Tale metodologia permette di incrementare la rigorosità dell’approccio scientifico nel confutare le ipotesi iniziali di studio che, se confermate dai risultati, sarebbero robuste e poco criticabili nell’ambito di una sperimentazione clinica».

Nonostante ciò, riconosce il valore tecnologico. «L’intelligenza artificiale standardizza la lettura dei tracciati, riducendo la soggettività. Inoltre, lo studio rafforza le ipotesi sul ruolo del sonno nella patogenesi delle malattie neurodegenerative, come la malattia di Alzheimer, che coinvolgono meccanismi patologici come l’alterazione dell’attività del sistema glinfatico e l’infiammazione sistemica».

Una prospettiva italiana e multicentrica

Plazzi sottolinea un limite strutturale, in Italia. «L’accesso alla polisonnografia è limitato. Basta chiamare un ospedale per ricevere un appuntamento tra sei mesi o un anno. Questo limita lo sviluppo della medicina del sonno. Ma uno studio come questo potrebbe favorire una centralizzazione dei dati e una ridistribuzione delle informazioni, aprendo scenari più accessibili e integrati».

E aggiunge, in chiusura, «il valore predittivo è promettente, ma deve essere integrato in percorsi clinici concreti. Serve una rete di centri del sonno connessi, capaci di condividere dati e algoritmi in modo strutturato. Solo così potremo trasformare modelli di IA in strumenti di medicina personalizzata per tutti i cittadini».